Metodi di deep learning applicati alla segmentazione della rete vascolare del plesso coroideo

Il laboratorio in cui ho svolto il lavoro di tesi si occupa di meccanismi di risposta al trauma nel sistema uditivo, ed ha recentemente osservato (Perin et al., 2021) come il plesso coroideo del quarto ventricolo (importante punto di comunicazione neuro-immune) formi punti di stretto contatto con il nucleo cocleare dorsale (DCN), nucleo coinvolto nella genesi dell’acufene. Data la scarsità degli studi morfologici del plesso coroideo in situ abbiamo concentrato l’attenzione sulla struttura normale dell’organo, per misurarne la distribuzione all’interno del ventricolo e le associazioni alle strutture circostanti. Per comprendere le relazioni del plesso coroideo con il circostante ventricolo, tuttavia, è necessario indagarne la microstruttura. Infatti, il plesso coroideo è un organo sia immunitario che secernente, ed è composto da una complessa rete vascolare avvolta da uno stroma connettivale e un epitelio monostratificato. Per questo motivo, chiarire la struttura epiteliale e vascolare del plesso può aiutare a comprendere come quest’organo possa svolgere parallelamente funzioni apparentemente in contrasto tra loro, come la secrezione apocrina, la diapedesi delle cellule immunitarie, la regolazione idrosalina del liquor ed il contatto diretto con le pareti del ventricolo. Lo studio della rete vascolare del plesso coroideo è complicato dal fatto che i vasi, ed in particolare i capillari, sono estremamente eterogenei per diametro e struttura, e tortuosi, soprattutto se paragonati ai vasi del parenchima nervoso. La loro segmentazione e ricostruzione 3D, infatti, è stata finora possibile solo in modo manuale, che risulta estremamente oneroso in termini di tempo. Per questo motivo, lo scopo del mio lavoro di tesi è stato quello di applicare algoritmi di analisi di immagine, comprese routine di machine learning e deep learning per ottenere una pipeline per la segmentazione ottimale del plesso coroideo del quarto ventricolo. Iniziando da una segmentazione manuale effettuata con l’ausilio del programma open source Fiji (Schindelin et al. 2012), ho costruito una serie di strumenti per automatizzare via via i passi dell’analisi, utilizzando sia pacchetti già disponibili per le operazioni di processing dell’immagine sia macro implementate ad hoc in Fiji, Python, e MATLAB. Le immagini segmentate in modo manuale o semiautomatico sono state utilizzate per il training di una rete neurale artificiale basata su U-Net (Ronneberger et al., 2015), che attraverso metodi di supervised learning ci permettesse di riconoscere i vasi del plesso. Parallelamente, lo stesso approccio è stato utilizzato per segmentare in modo automatizzato la rete vascolare del nucleo cocleare dorsale, che ha una struttura più convenzionale.