Machine learning-based event reconstruction in gamma cameras for medical imaging

Nowadays, the use of machine learning and deep learning tools has been extended to innumerable applications, accomplished by the advancement in technologies and the consequent increase in the available computational power, which makes possible to process big amount of data in a reduced time. The wave of machine learning invested medical imaging world too, proving to represent a powerful instrument for different applications; in particular, in the case of gamma-ray imaging techniques like PET and SPECT, the main fields of application have been Computer-aided Detection (CAD), where machine learning is involved as a decisional support for physicians in order to perform early or more accurate diagnosis from medical images, image processing, mostly as tool for the reduction of noise in the image, and, finally, the localization of the scintillation position of gamma photons for both monolithic and pixelated detectors. This thesis project can be placed exactly in the last framework; the work consisted in the implementation and evaluation of two different machine learning-based approaches for the estimation of the interaction coordinates of gamma photons in a gamma camera for SPECT imaging. The first approach consisted in a unsupervised learning technique, called Principal Component Analysis (PCA). PCA is a dimensionality reduction technique, which consists in performing a linear transformation of the original data space into a new space with lower dimensionality. This transformation is implemented in a way that the information contained in the original data is mostly preserved. PCA reduction has been integrated within two statistical reconstruction methods already in use for event reconstruction, Maximum Likelihood (ML) and Least Square (LS); however, differently from these latter, the proposed methods, ML-PCA and LS-PCA, do not operate in the original space, that is the one constituted by the photodetectors signals, but in a low-dimensional space obtained after the PCA reduction. The second method made use of another machine learning technique, which is represented by Decision Trees. Decision Trees are a supervised learning method, which is used in order to solve classification and regression problems. In particular, in the framework of the current thesis project, the problem of localization of the (x,y) scintillation coordinates of the gamma photon inside the scintillator has been solved by converting it into a discrete classification problem, which has been then addressed by implementing a cascade of decision trees. The simulated and experimental validation measurements for the two techniques have been carried out on a continuous gamma camera available at Politecnico di Milano and developed in the framework of a previous research project, called INSERT. INSERT is a research project funded by the Seventh Framework Program of the European Commission and started on March 1st, 2013; the goal was the development of a compact SPECT insert to be integrated inside commercial MR scanners for enhanced stratification of brain tumor and early assessment of treatment efficacy. In the context of INSERT project, Politecnico di Milano group was responsible for the development of the gamma ray detection modules of the SPECT scanner and the related readout electronics. Two types of detection systems have been developed for different applications: a preclinical system, aimed at small animals imaging, and a clinical one, with higher dimensions than the preclinical and used for human head/neck imaging. In this work, the clinical INSERT detection module has been used for running both simulated and experimental measurements. The discussion is organized into six chapters. The first one will provide an overview on gamma radiations, their characteristics and their applications in medical imaging. Furthermore, the characteristics and components of a gamma camera will be described, with a particular focus on INSERT SPECT scanner. The second chapter will focus on SiPMs, the photodetectors implemented in INSERT module, their working principles and figures of merit. In the last part of the chapter, a brief description of the SiPMs readout strategy implemented in INSERT will be also provided. The third chapter will describe the main reconstruction methods that are commonly used for the planar reconstruction of the image in SPECT, showing their strengths and limitations. Furthermore, the reconstruction methods implemented in INSERT system will be highlighted. The fourth and fifth chapters, instead, will introduce respectively the PCA-based reconstruction and the DT-based reconstruction; in both chapters, in the first place, the theoretical principles and the applications of these two methods in medical imaging will be introduced. Successively, the process followed in order to implement the two reconstruction methods will be described and, finally, the corresponding results on simulations and experimental measurements will be shown. The last chapter, instead, will draw some final conclusions about the work and possible future developments.

Al giorno d'oggi, l'uso di strumenti di machine learning e deep learning è stato esteso a innumerevoli applicazioni, grazie anche al progresso tecnologico e al conseguente aumento della potenza di calcolo disponibile, che rende possibile elaborare grandi quantità di dati in un tempo notevolmente ridotto. La new wave del machine learning ha investito anche il mondo dell'imaging medico, dimostrando di rappresentare un potente strumento per diverse applicazioni; in particolare, nel caso delle tecniche di gamma imaging come PET e SPECT, i principali campi di applicazione sono stati la Computer-aided Detection (CAD), dove il machine learning è coinvolto come strumento di supporto decisionale per i medici al fine di eseguire diagnosi precoci e più accurate a partire da immagini mediche, l'elaborazione di immagini, principalmente come strumento per la riduzione del rumore, e, infine, la localizzazione della posizione di scintillazione di fotoni gamma per rivelatori monolitici e pixelati. Questo progetto di tesi può essere collocato esattamente nell'ultimo contesto; il lavoro è consistito nell'implementazione e nella valutazione di due diversi approcci basati sul machine learning per la stima delle coordinate di interazione dei fotoni gamma in una gamma camera per SPECT imaging. Il primo approccio è consistito in una tecnica di unsupervised learning, denominata Principal Component Analysis (PCA). La PCA è una tecnica di riduzione della dimensionalità, che consiste nell'eseguire una trasformazione lineare dello spazio originale dei dati in un nuovo spazio con dimensionalità ridotta. Questa trasformazione è eseguita in modo tale che l'informazione contenuta nei dati originali venga mantenuta pressoché invariata. La riduzione con PCA è stata integrata all'interno di due metodi di ricostruzione statistica già in uso per la ricostruzione di eventi gamma, il metodo della Maximum Likelihood (ML) e il metodo Least Squares (LS); tuttavia, a differenza di questi ultimi, i metodi proposti, ML-PCA e LS-PCA, non operano nello spazio originario dei dati, ovvero quello costituito dai segnali dei fotorivelatori, ma in uno spazio a bassa dimensionalità ottenuto dopo la riduzione con PCA. Il secondo metodo ha utilizzato un'altra tecnica di machine learning, costituita dai Decision Trees. I Decision Trees sono una tecnica di supervised learning utilizzata per risolvere problemi di classificazione e regressione. In particolare, nell'ambito del progetto di tesi, il problema della localizzazione delle coordinate di scintillazione (x,y) del fotone gamma all'interno dello scintillatore è stato risolto dopo un'opportuna conversione in un problema di classificazione discreto, che è stato poi affrontato implementando una cascata di Decision Trees. Le misure di validazione simulate e sperimentali per le due tecniche sono state eseguite su una gamma camera continua, disponibile presso il Politecnico di Milano e sviluppata nell'ambito di un precedente progetto di ricerca, denominato INSERT. INSERT è un progetto di ricerca finanziato dal "Seventh Framework Program " della Commissione Europea e avviato l'1 Marzo del 2013; l'obiettivo era lo sviluppo di un compatto inserto SPECT da integrare all'interno di scanner commerciali per la risonanza magnetica, al fine di una migliore stratificazione del tumore al cervello e una precoce valutazione dell'efficacia del trattamento. Nel contesto del progetto INSERT, il gruppo del Politecnico di Milano è stato incaricato dello sviluppo dei moduli di rilevamento gamma dello scanner SPECT e della relativa elettronica di lettura. Sono stati sviluppati due tipi di sistemi di rilevamento per diverse applicazioni: un sistema preclinico, destinato all'imaging di piccoli animali, e uno clinico, con dimensioni superiori al preclinico e utilizzato per l'imaging della testa e del collo nell'uomo. In questo lavoro di tesi, è stato utilizzato il modulo clinico di INSERT, sia per le misure simulate che per quelle sperimentali. La discussione è organizzata in sei capitoli. Il primo capitolo fornirà una panoramica sulle radiazioni gamma, le loro caratteristiche e le loro applicazioni nell'imaging medico.Inoltre, verranno descritte le caratteristiche e i componenti di una gamma camera, con un focus particolare sullo scanner INSERT SPECT. Il secondo capitolo sarà incentrato sui SiPMs, i fotorilevatori implementati nel modulo INSERT, i loro principi di funzionamento e le loro principali cifre di merito. Nell'ultima parte del capitolo, verrà fornita una breve descrizione delle modalità di lettura dei SiPMs e, in particolare, della strategia utilizzata in INSERT. Il terzo capitolo descriverà i principali metodi di ricostruzione che sono comunemente utilizzati per la ricostruzione planare dell'immagine SPECT, sottolineando i corrispondenti vantaggi e limiti. Inoltre, verranno descritti i metodi di ricostruzione implementati nel sistema INSERT. Il quarto e il quinto capitolo, invece, introdurranno rispettivamente il metodo di ricostruzione basato sulla PCA e quello basato sui DT; in entrambi i capitoli, inizialmente verranno introdotti i principi teorici e le applicazioni di questi due metodi nel campo dell'imaging medico. Successivamente, verrà descritto il processo utilizzato per implementare i due metodi di ricostruzione e, infine, verranno mostrati i risultati corrispondenti sulle simulazioni e sulle misure sperimentali. L'ultimo capitolo, invece, trarrà alcune conclusioni finali sul lavoro e possibili sviluppi futuri.