PublicationsPubblicazioni

This study investigated the feasibility of using machine learning—combining clinical data and radiomics extracted from [18F]PSMA-1007 PET/CT scans—to non-invasively predict key genomic mutations in patients with metastatic prostate cancer (mPCa). Researchers analyzed 46 lesions from 14 patients, training six different machine learning algorithms against ground-truth genomic data obtained from tissue samples. The best-performing models successfully predicted specific mutations with high accuracy, achieving Area Under the Curve (AUC) scores of 91.11% for TP53, 84.44% for TMPRSS2, and 80.00% for PTEN. The findings conclude that PSMA PET-based radiogenomics models are highly promising and could serve as an effective, non-invasive complementary tool for molecular profiling and personalized treatment stratification in prostate cancer patients.

Questo studio ha esaminato la fattibilità dell'uso del machine learning — combinando dati clinici e radiomici estratti da scansioni PET/CT con [18F]PSMA-1007 — per prevedere in modo non invasivo le principali mutazioni genomiche in pazienti con cancro alla prostata metastatico (mPCa). I ricercatori hanno analizzato 46 lesioni provenienti da 14 pazienti, addestrando sei diversi algoritmi di machine learning confrontandoli con dati genomici reali ottenuti da campioni di tessuto. I modelli con le prestazioni migliori hanno previsto con successo mutazioni specifiche con un'elevata accuratezza, raggiungendo punteggi di Area Under the Curve (AUC) del 91,11% per TP53, dell'84,44% per TMPRSS2 e dell'80,00% per PTEN. I risultati concludono che i modelli radiogenomici basati su PET PSMA sono altamente promettenti e potrebbero fungere da efficace strumento complementare e non invasivo per la profilazione molecolare e la stratificazione personalizzata del trattamento nei pazienti con cancro alla prostata.

This study presents a fully automated, patch-based deep learning pipeline using the EfficientNetB6 model to classify and localize masses and microcalcifications in mammographic images. Using the CBIS-DDSM dataset, the researchers preprocessed the images and extracted overlapping patches to train the network via transfer learning and fine-tuning. The model demonstrated robust performance, achieving an average accuracy of 81% and an Area Under the Curve (AUC) of 94%. By generating full-size probability maps that take only about 3 minutes per image to process, the system serves as a fast, interpretable visual aid to support clinical decision-making in real-time.

Questo studio presenta una pipeline di deep learning basata su patch e completamente automatizzata che utilizza il modello EfficientNetB6 per classificare e localizzare masse e microcalcificazioni nelle immagini mammografiche. Utilizzando il dataset CBIS-DDSM, i ricercatori hanno pre-elaborato le immagini ed estratto patch sovrapposte per addestrare la rete tramite transfer learning e fine-tuning. Il modello ha dimostrato prestazioni robuste, raggiungendo un'accuratezza media dell'81% e un'Area Under the Curve (AUC) del 94%. Generando mappe di probabilità a grandezza naturale che richiedono solo circa 3 minuti per immagine per essere elaborate, il sistema funge da supporto visivo rapido e interpretabile per assistere le decisioni cliniche in tempo reale.

Introduces a cascade of 3D U-Nets integrated directly into the matRadiomics framework to automate prostate cancer segmentation, facilitating more accurate digital biopsy applications and streamlined workflows.

Introduce una cascata di U-Net 3D integrate direttamente nel framework matRadiomics per automatizzare la segmentazione del cancro alla prostata, facilitando applicazioni di biopsia digitale più accurate e flussi di lavoro ottimizzati.

This study compares the effectiveness of traditional machine learning-based radiomics against a deep learning approach for classifying breast lesions (masses and microcalcifications) in mammograms as either benign or malignant. Using the matRadiomics tool, researchers extracted features from a large public database and identified Linear Discriminant Analysis (LDA) as the best-performing machine learning model. However, the deep learning model (EfficientNetB6) significantly outperformed the LDA model, achieving an Area Under the Curve (AUC) of 81.52% for microcalcifications and 76.24% for masses, compared to LDA's ~68% and ~61%. The findings conclude that deep learning offers superior diagnostic accuracy over traditional radiomics workflows, providing a more effective tool to assist clinicians in breast cancer diagnosis.

Questo studio confronta l'efficacia della radiomica tradizionale basata sul machine learning con un approccio di deep learning per classificare le lesioni mammarie (masse e microcalcificazioni) nelle mammografie come benigne o maligne. Utilizzando lo strumento matRadiomics, i ricercatori hanno estratto le caratteristiche da un ampio database pubblico e hanno identificato l'Analisi Discriminante Lineare (LDA) come il miglior modello di machine learning. Tuttavia, il modello di deep learning (EfficientNetB6) ha superato significativamente il modello LDA, raggiungendo un'Area Under the Curve (AUC) dell'81,52% per le microcalcificazioni e del 76,24% per le masse, rispetto a circa il 68% e il 61% dell'LDA. I risultati concludono che il deep learning offre un'accuratezza diagnostica superiore rispetto ai flussi di lavoro radiomici tradizionali, fornendo uno strumento più efficace per assistere i medici nella diagnosi del cancro al seno.

This study investigates whether radiomics applied to [18F]PSMA-1007 PET/CT images can effectively distinguish unspecific bone uptakes (UBUs) from actual bone metastases in prostate cancer patients. Using the matRadiomics framework, researchers extracted features and developed a machine learning model that achieved a diagnostic accuracy of 84.69%. While the standalone model did not outperform expert human readers, providing the radiomic scores to less-experienced readers significantly improved their diagnostic accuracy. The findings conclude that radiomics has strong potential as a supportive tool to enhance the clinical evaluation of ambiguous bone lesions.

Questo studio indaga se la radiomica applicata alle immagini PET/CT con [18F]PSMA-1007 possa distinguere efficacemente le captazioni ossee aspecifiche (UBU) dalle vere metastasi ossee nei pazienti con cancro alla prostata. Utilizzando il framework matRadiomics, i ricercatori hanno estratto delle caratteristiche e sviluppato un modello di machine learning che ha raggiunto un'accuratezza diagnostica dell'84,69%. Sebbene il modello da solo non abbia superato i lettori umani esperti, fornire i punteggi radiomici ai lettori meno esperti ha migliorato significativamente la loro accuratezza diagnostica. I risultati concludono che la radiomica ha un forte potenziale come strumento di supporto per migliorare la valutazione clinica delle lesioni ossee ambigue.

This study evaluates the use of [18F]-PSMA-1007 PET radiomics to differentiate between high- and low-risk prostate cancer. Researchers extracted 1,781 radiomics features from the PET images of 143 patients and developed a robust machine learning ensemble model using a rigorously iterated feature selection pipeline. The top-performing model, which combined robust and fine-tuning features, achieved an average accuracy of 79.52% and an Area Under the Curve (AUC) of 85.75%. The findings conclude that this radiomics approach can significantly improve prostate cancer risk stratification, potentially reducing the clinical reliance on invasive biopsies.

Questo studio valuta l'uso della radiomica PET con [18F]-PSMA-1007 per differenziare tra cancro alla prostata ad alto e basso rischio. I ricercatori hanno estratto 1.781 caratteristiche radiomiche dalle immagini PET di 143 pazienti e hanno sviluppato un robusto modello d'insieme di machine learning utilizzando una rigorosa pipeline iterata di selezione delle feature. Il modello con le migliori prestazioni, che combinava caratteristiche robuste e di fine-tuning, ha raggiunto un'accuratezza media del 79,52% e un'Area Under the Curve (AUC) dell'85,75%. I risultati concludono che questo approccio radiomico può migliorare significativamente la stratificazione del rischio di cancro alla prostata, riducendo potenzialmente la dipendenza clinica dalle biopsie invasive.

This study introduces a deep learning framework designed to automate the segmentation of lung regions in computed tomography (CT) scans as a crucial preprocessing step for radiomic workflows. By employing a comprehensive data pipeline and a fine-tuned DeepLabV3+ convolutional neural network, the model achieved excellent performance with a Dice coefficient of 0.97. The framework effectively isolated lung tissue while removing confounding structures like the heart and spine, paving the way for highly efficient, automated preprocessing tools to enhance lung cancer detection and clinical decision-making.

Questo studio introduce un framework di deep learning progettato per automatizzare la segmentazione delle regioni polmonari nelle scansioni di tomografia computerizzata (TC) come passaggio di pre-elaborazione cruciale per i flussi di lavoro radiomici. Impiegando una pipeline di dati completa e una rete neurale convoluzionale DeepLabV3+ sottoposta a fine-tuning, il modello ha ottenuto prestazioni eccellenti con un coefficiente di Dice di 0,97. Il framework ha isolato efficacemente il tessuto polmonare rimuovendo strutture confondenti come il cuore e la colonna vertebrale, aprendo la strada a strumenti di pre-elaborazione altamente efficienti e automatizzati per migliorare il rilevamento del cancro al polmone e il processo decisionale clinico.

This study expands the matRadiomics framework into preclinical research, validating it through a case study focused on predicting early malformations in a zebrafish model. To address the heavy computational burden of extracting features from high-resolution preclinical images, the researchers optimized the extraction settings to significantly reduce processing time without losing data quality. By integrating Pyradiomics and testing multiple machine learning models, they found that a Support Vector Machine (SVM) achieved the best predictive performance with an Area Under the Curve (AUC) of 0.723. The findings demonstrate that matRadiomics is a versatile, all-in-one platform capable of streamlining workflows and predicting early biological outcomes across various biomedical fields.

Questo studio estende il framework matRadiomics alla ricerca preclinica, convalidandolo attraverso un caso di studio incentrato sulla previsione delle malformazioni precoci in un modello di zebrafish. Per affrontare il pesante carico computazionale derivante dall'estrazione delle caratteristiche da immagini precliniche ad alta risoluzione, i ricercatori hanno ottimizzato le impostazioni di estrazione per ridurre significativamente i tempi di elaborazione senza perdere la qualità dei dati. Integrando Pyradiomics e testando diversi modelli di machine learning, hanno scoperto che una Support Vector Machine (SVM) ha ottenuto le migliori prestazioni predittive con un'Area Under the Curve (AUC) di 0,723. I risultati dimostrano che matRadiomics è una piattaforma versatile e all-in-one in grado di semplificare i flussi di lavoro e prevedere esiti biologici precoci in vari campi biomedici.

This study introduces a significant extension to matRadiomics, a freely available, IBSI-compliant tool designed to unify the entire radiomics workflow—from image importation to machine learning modeling—into a single graphical interface. Specifically, the framework was enhanced to support the importation of brain MRI images and segmentations in the NIfTI format. This update allows researchers to seamlessly execute automated radiomic pipelines for neuroimaging, overcoming the traditional need to switch between multiple software platforms and offering substantial advantages for quantitative brain image analysis.

Questo studio introduce una significativa estensione a matRadiomics, uno strumento gratuito e conforme alle linee guida IBSI, progettato per unificare l'intero flusso di lavoro radiomico — dall'importazione delle immagini alla modellazione di machine learning — in un'unica interfaccia grafica. Nello specifico, il framework è stato potenziato per supportare l'importazione di immagini di risonanza magnetica (MRI) cerebrale e segmentazioni nel formato NIfTI. Questo aggiornamento consente ai ricercatori di eseguire senza interruzioni pipeline radiomiche automatizzate per il neuroimaging, superando la tradizionale necessità di passare da una piattaforma software all'altra e offrendo vantaggi sostanziali per l'analisi quantitativa delle immagini cerebrali.

This study investigates the robustness of radiomics features extracted from CT scans of non-small-cell lung carcinoma (NSCLC) patients, focusing specifically on how manual segmentation affects feature variability. Using the matRadiomics tool, researchers compared feature datasets generated from original and repeated manual segmentations across 63 patients. While 87% of the features demonstrated strong robustness (Intraclass Correlation Coefficient > 0.8), there was still a 16.2% average difference between the manually segmented datasets. The findings highlight that variations in manual segmentation significantly impact which features are ultimately selected by machine learning models, thereby affecting the overall reproducibility and explainability of radiomic studies.

Questo studio indaga la robustezza delle caratteristiche radiomiche estratte da scansioni TC di pazienti con carcinoma polmonare non a piccole cellule (NSCLC), concentrandosi in particolare su come la segmentazione manuale influenzi la variabilità delle feature. Utilizzando lo strumento matRadiomics, i ricercatori hanno confrontato i set di dati delle caratteristiche generati da segmentazioni manuali originali e ripetute su 63 pazienti. Sebbene l'87% delle caratteristiche abbia dimostrato una forte robustezza (Intraclass Correlation Coefficient > 0,8), è stata comunque osservata una differenza media del 16,2% tra i set di dati segmentati manualmente. I risultati evidenziano che le variazioni nella segmentazione manuale incidono significativamente su quali caratteristiche vengono in definitiva selezionate dai modelli di machine learning, influenzando così la riproducibilità generale e l'interpretabilità (explainability) degli studi radiomici.

This study investigates how three different segmentation methods (manual, thresholding, and region growing) impact the reproducibility and robustness of radiomics features extracted from 18F-PSMA-1007 PET images for prostate cancer risk stratification. By extracting 1,781 features across 78 patients and testing them on various machine learning models, researchers found that the choice of segmentation significantly influences feature stability. Shape features were the least reproducible, while GLCM features were the most stable. Ultimately, the region-growing segmentation method yielded the highest predictive performance, achieving an accuracy of 74.49% and an Area Under the Curve (AUC) of 79.20%, outperforming traditional manual segmentation.

Questo studio indaga in che modo tre diversi metodi di segmentazione (manuale, sogliatura/thresholding e region growing) influenzano la riproducibilità e la robustezza delle caratteristiche radiomiche estratte dalle immagini PET con 18F-PSMA-1007 per la stratificazione del rischio di cancro alla prostata. Estraendo 1.781 caratteristiche su 78 pazienti e testandole su vari modelli di machine learning, i ricercatori hanno scoperto che la scelta della segmentazione influenza significativamente la stabilità delle feature. Le caratteristiche di Forma (Shape) sono risultate le meno riproducibili, mentre le caratteristiche GLCM sono state le più stabili. In definitiva, il metodo di segmentazione "region growing" ha prodotto le prestazioni predittive più elevate, raggiungendo un'accuratezza del 74,49% e un'Area Under the Curve (AUC) del 79,20%, superando la tradizionale segmentazione manuale.

This study explores the use of CT-based radiomics models, integrated with clinical predictors, to non-invasively predict histopathological outcomes in patients with metastatic testicular germ cell tumors prior to post-chemotherapy surgery (PC-RPLND). By analyzing a cohort of 122 patients and extracting quantitative features from CT scans, researchers developed machine learning models capable of differentiating between fibrosis/necrosis, teratomas, and viable tumors. The best-performing model, a Support Vector Machine (SVM), achieved an impressive average Area Under the Curve (AUC) of 0.945. The findings suggest that this radiomics workflow is a highly promising tool to help prevent over- or under-treatment in young patients, though further multi-center validation is needed.

Questo studio esplora l'uso di modelli radiomici basati su TC, integrati con predittori clinici, per prevedere in modo non invasivo gli esiti istopatologici in pazienti con tumori metastatici a cellule germinali del testicolo prima della chirurgia post-chemioterapia (PC-RPLND). Analizzando una coorte di 122 pazienti ed estraendo caratteristiche quantitative dalle scansioni TC, i ricercatori hanno sviluppato modelli di machine learning in grado di differenziare tra fibrosi/necrosi, teratoma e tumore vitale. Il modello con le migliori prestazioni, una Support Vector Machine (SVM), ha raggiunto un'impressionante Area Under the Curve (AUC) media di 0,945. I risultati suggeriscono che questo flusso di lavoro radiomico è uno strumento altamente promettente per aiutare a prevenire il sovra o sotto-trattamento nei giovani pazienti, sebbene sia necessaria un'ulteriore validazione multicentrica.

This study investigates the ability of radiomics to differentiate between four histopathological subtypes of non-small-cell lung carcinoma (NSCLC) using multicenter CT images, while critically evaluating the impact of batch effects and feature harmonization. Using the matRadiomics tool, researchers extracted 1,781 features from 466 patients across two public datasets and tested them through a rigorous machine learning pipeline. The results showed that while binary classification (differentiating just two subtypes, SCC vs. ADC) achieved a solid accuracy of 77.25%, multiclass classification (all four subtypes) struggled with a lower accuracy of 61.41%, despite high AUC scores. Furthermore, the study demonstrated that multicenter data are heavily influenced by batch effects; while harmonization successfully removed these inconsistencies, it also decreased overall model accuracy. The findings emphasize the urgent need for robust, standardized guidelines to successfully and reliably translate radiomics into clinical practice.

Questo studio indaga la capacità della radiomica di differenziare tra quattro sottotipi istopatologici di carcinoma polmonare non a piccole cellule (NSCLC) utilizzando immagini TC multicentriche, valutando criticamente l'impatto degli effetti batch e dell'armonizzazione delle caratteristiche. Utilizzando lo strumento matRadiomics, i ricercatori hanno estratto 1.781 caratteristiche da 466 pazienti in due set di dati pubblici e le hanno testate attraverso una rigorosa pipeline di machine learning. I risultati hanno mostrato che, mentre la classificazione binaria (differenziare solo due sottotipi, SCC contro ADC) ha raggiunto una solida accuratezza del 77,25%, la classificazione multiclasse (tutti e quattro i sottotipi) ha riscontrato maggiori difficoltà con un'accuratezza inferiore del 61,41%, nonostante gli alti punteggi di AUC. Inoltre, lo studio ha dimostrato che i dati multicentrici sono pesantemente influenzati dagli effetti batch; sebbene l'armonizzazione abbia rimosso con successo queste incongruenze, ha anche ridotto l'accuratezza generale del modello. I risultati sottolineano l'urgente necessità di linee guida solide e standardizzate per trasferire in modo affidabile la radiomica nella pratica clinica.

This study introduces matRadiomics, a free and user-friendly software framework designed to unify the entire radiomics workflow into a single platform. Traditionally, researchers have had to switch between multiple disparate tools to complete an analysis. matRadiomics solves this bottleneck by integrating image importation and visualization, target segmentation, feature extraction (powered by Pyradiomics), feature selection, and the training of machine learning models (such as LDA, KNN, and SVM) directly within its graphical interface. By demonstrating its capabilities through a real case study, the authors propose this all-in-one tool as a new reference standard to streamline end-to-end radiomic analyses.

Questo studio introduce matRadiomics, un framework software gratuito e intuitivo progettato per unificare l'intero flusso di lavoro radiomico in un'unica piattaforma. Tradizionalmente, i ricercatori dovevano passare da uno strumento all'altro per completare un'analisi. matRadiomics risolve questo ostacolo integrando l'importazione e la visualizzazione delle immagini, la segmentazione dei target, l'estrazione delle caratteristiche (guidata da Pyradiomics), la selezione delle feature e l'addestramento di modelli di machine learning (come LDA, KNN e SVM) direttamente all'interno della sua interfaccia grafica. Dimostrando le sue capacità attraverso un caso di studio reale, gli autori propongono questo strumento all-in-one come nuovo standard di riferimento per ottimizzare e semplificare le analisi radiomiche end-to-end.

This conference paper details the development and validation of matRadiomics, an innovative and user-friendly software designed to execute the entire radiomics workflow within a single application. Addressing the limitation of existing tools that stop at feature extraction, matRadiomics allows researchers to import and segment biomedical images, extract features (using either a native MATLAB extractor or an integrated Pyradiomics tool), and select the most relevant variables. Finally, it trains, validates, and evaluates machine learning classifiers (LDA, KNN, and SVM) directly within its graphical interface, providing researchers with a complete, end-to-end solution for radiomic studies.

Questo aeticolo di conferenza descrive in dettaglio lo sviluppo e la validazione di matRadiomics, un software innovativo e intuitivo progettato per eseguire l'intero flusso di lavoro radiomico all'interno di un'unica applicazione. Affrontando il limite degli strumenti esistenti che si fermano all'estrazione delle caratteristiche, matRadiomics consente ai ricercatori di importare e segmentare immagini biomediche, estrarre feature (utilizzando un estrattore nativo basato su MATLAB o lo strumento Pyradiomics integrato) e selezionare le variabili più rilevanti. Infine, addestra, convalida e valuta classificatori di machine learning (LDA, KNN e SVM) direttamente all'interno della sua interfaccia grafica, fornendo ai ricercatori una soluzione completa ed end-to-end per gli studi radiomici.

This study investigates the use of MRI-based radiomics to predict disease severity in Multiple Sclerosis (MS) patients, measured by the Expanded Disability Status Scale (EDSS). Researchers analyzed four different MRI sequences (T1W, T2W, FLAIR, T1WKS) from 30 patients, specifically exploring how variations in feature extraction settings (such as intensity bin size) impact the data. By applying a Linear Discriminant Analysis (LDA) machine learning model, they successfully correlated these quantitative imaging features with clinical outcomes, achieving optimal predictive performance values close to 80%.

Questo studio indaga l'uso della radiomica basata su risonanza magnetica (RM) per prevedere la gravità della malattia nei pazienti con sclerosi multipla (SM), misurata tramite la Expanded Disability Status Scale (EDSS). I ricercatori hanno analizzato quattro diverse sequenze RM (T1W, T2W, FLAIR, T1WKS) di 30 pazienti, esplorando specificamente come le variazioni nelle impostazioni di estrazione delle caratteristiche (come la dimensione del bin di intensità) influenzino i dati. Applicando un modello di machine learning basato sull'Analisi Discriminante Lineare (LDA), hanno correlato con successo queste caratteristiche quantitative di imaging con gli esiti clinici, ottenendo valori di prestazione predittiva ottimali vicini all'80%.