Selezione di feature radiomiche per la discriminazione di regioni in un fantoccio disomogeneo mediante tecniche di machine learning.

L'obiettivo di questo lavoro è individuare, mediante tecniche di machine learning, l'insieme di feature radiomiche capaci di discriminare gli inserti contenuti in un fantoccio disomogeneo. Questi inserti, 25 in tutto, sono stati realizzati con una stampante 3D utilizzando materiali, forme e percentuali di riempimento diverse. L'analisi è stata effettuata su immagini TC acquisendo più studi con scanner diversi e variando il protocollo di acquisizione. Per ciascun inserto è stato definito un volume di interesse dal quale sono state estratte le feature radiomiche. Per la selezione di feature sono stati adottati due approcci: un algoritmo supervisionato random forest con backward feature selection ed un algoritmo non supervisionato $k$-means con ottimizzazione degli iper-parametri. L'algoritmo supervisionato ha permesso di trovare un sottogruppo di tre feature in grado di discriminare bene gli inserti che differiscono per pattern e percentuale di riempimento (accuratezza $> 0.94%$), evidenziando una bassa misclassificazione solo per due tipi di pattern. L'algoritmo non supervisionato riesce a separare in clusters diversi gli inserti che differiscono per la percentuale di riempimento.