Radiotheraphy based on the use of accelerated ion beams (or Particle Therapy) uses accelerated charged ions that hit a target zone without collateral damages to the nearest structures. Actually there are several facilities that use protons in particle therapy. Only just 6 hospital-based facilities in the world use carbon ions: Three of them are located in Japan, one in German, one in China and one in under construction in Italy Pavia as the National Center of Adrontherapy (CNAO, Centro Nazionale di Adroterapia Oncologica). This therapy is suitable for tumor which are untreatable with conventional therapies: using accelerators the particle beam can be directed into the target zone with precision of millimeters. This selectivity implies an increased sensitivity to uncertainties. For this reason, patient positioning and dose monitoring are crucial issues. In clinical practice, dose monitoring is possible thanks to PET imaging (Positron Emission Tomography). PET imaging for treatment verification (or PET dosimetry) represents the topic of this study. The state of art in PET imaging for dose monitoring in particle therapy is achieved by means of three different concepts of PET imaging system: in-beam PET, in-room PET and offline PET. Several studies have been demonstrated important weaknesses for offline PET related to the loss of statistic counts during the patient transportation from the treatment room to the acquisition room, shortly after the treatment. Besides the low statistic count related to β+ activation of the patient during the treatment, imaging PET is affected by the typical issues related to the intrinsic low resolution. From this, the purpose of the study is the optimization of an in-room imaging PET system that can be integrated to an imaging CBCT (Cone Beam Computer Tomography) robotic system installed at CNAO. With such a design, the count statistics of the PET acquisition can be improved and the tomographic information can be optimized, thus giving advantages with respect to the in-beam and off-line concepts. Detection block has to be integrated to the instrumentation already existing in the treatment room. The PET imaging system has to be handled by a robot by means of a C arc onto which detection panels are mounted. The first part of this study concerns the definition of the maximum detection block size, according to the robot tolerance. The maximization of the size enables to maximize the detection efficiency. At the same time the most performing components for the detection block are identified in order to achieve the optimal spatial resolution. The LYSO scintillator crystals matched with SiPM with 400 cells/cm2 have been identified as components of the in-room robotic PET imaging system. With this combination, the image resolution can potentially reach 1.2 mm. This study relies on the static and the dynamic characterization of the system in terms of distance between panels and rotation speed. These parameters are set up within an acceptance ranges to provide the genetic algorithm to the adequate value constraints. Imaging PET concepts have been implemented into a acquisition simulation and reconstruction algorithm. The quantification was performed according to the resulting image SNR (Signal to Noise Ratio) reliving only in-beam and in-room concepts. As a matter of facts, the SNR of the image coming from the off-line acquisition was extremely disadvantageous and it was not considered. According to literature, the in-beam PET has been implemented as fixed detection panels covering the solid angle defined by the geometry of the system itself. In-room PET has been designed such to enable the detection panels to rotate during the PET acquisition in order to optimize the β+ activity detection. After system characterization and concepts implementation, the reconstruction algorithm has been defined, according to the rotational feature of the PET system. It was necessary to define a system matrix and a phantom able to adapt to the desired distance between panels. Interpolation functions have been implemented in order to change the longitudinal dimension. Sinograms are calculated by applying the defined system matrix and Poisson noise is added to the original sinograms. The MLEM (Maximum Likelihood Expectation Maximization) algorithm has been adopted to reconstruct the image. Quantification takes into consideration those parameters that affect the noise on the sonograms they’re called A_timing and scale: A_timing represents the integral activity into a period time, while scale represents noise respect to the counts. This parameters are studied as a function of the simulated different count statistics (i.e., the SNR) The intra and inter-simulation consistency has been demonstrated on both image and sinogram domains. Thanks to a higher count statistics, the sinograms SNR’s value is always better for the in-beam concept. However, reconstructions can compensate the noise on the image with a better reconstructed image SNR for the in-room concept. Different motion for the in-room robotic PET system have been considered (i.e., continuous and stepped). It has been studied which kind of motion would provide better results by comparing reconstructed image SNR. It has been demonstrated that the continue model provide better results than the stepped one. The robustness of the algorithm has been assessed and subsequently the genetic algorithm has been implemented to find out the optimal distance panels value that combined with the best rotation speed value, brings to the optimization of the in-room imaging PET parameters. Optimization is based on the ratio between the in-beam SNR and the in-room SNR. The resulting SNR value is twice better than the characterization one: The genetic algorithm identified the optimal distance at the half of the distance considered during characterization. In facts, characterization tests were done with a 600 mm distance between panels while genetic algorithm found the best distance value at 315 mm. Tests have demonstrated the advantage of the in-room concept with respect to the in-beam concept, This quantification was performed with a 10 x 10 x 10 voxels3 system matrix. This matrix enabled to run several times the simulations within reasonable computational times., On the other hand, the low resolution lead to interpolation errors in the reconstructed image which were translated into SNR approximations. Finally, a 20 x 20 x 20 voxels3 system matrix has been used: to increase to double the system resolution. This enabled to reduce the interpolation error, but computational time dramatically increased. Also in this case, the robustness of the algorithm was proved: agreements with the previous SNR quantification has been observed. In conclusion, this study represents a preliminary analysis for potential advantages for a rotational robotic system used for in-room imaging PET for treatment verification in particle therapy Further studies are required with increased spatial resolution to accurately assess the performance of the imaging system. In particular, image grid should be comparable to the spatial resolution achieved with commercial PET systems (i.e., millimeter).

La particle therapy è una forma di radioterapia che sfrutta particelle pesanti accelerate, che vanno a colpire una zona target minimizzando i danni alle strutture limitrofe. Numerosi sono i centri che sfruttano protoni in particle therapy. Attualmente solo 6 centri al mondo la utilizzano nella pratica clinica sfruttando gli ioni carbonio: 3 si trovano in Giappone, uno in Germania, uno in Cina, e l’ultima in Italia (CNAO), a Pavia. Questa terapia è indicata per quei tipi di tumore che non sono trattabili con i metodi tradizionali: sfruttando un acceleratore di particelle si riesce ad indirizzare il fascio di particelle incidente con precisione millimetrica verso la zona target. Il posizionamento del paziente, ed il monitoraggio della dose somministrata giocano quindi un ruolo fondamentale. Il monitoraggio della dose somministrata, che avviene tramite acquisizione PET (Positron Emission Tomography), è il punto di partenza del nostro studio. Lo stato attuale dell’arte per l’imaging PET coinvolta nel monitoraggio della dose somministrata è rappresentato da tre diversi concepts : la PET in-beam, la PET in-room, e la PET offline. Numerosi studi hanno dimostrato notevoli limitazioni della PET offline relativamente alla statistica di conteggio persa durante il trasporto del paziente dalla sala di trattamento alla sala di acquisizione subito dopo la somministrazione del trattamento. Oltre alla bassa statistica di conteggio associata all’attivazione β+ del paziente durante il trattamento, l’imaging PET risente dei classici problemi legati anche dell’intrinseca bassa risoluzione. Da questi presupposti si è sviluppato il nostro studio, che propone di ottimizzare un sistema di imaging PET robotico e rotante per la dosimetria PET trovando la miglior combinazione di parametri geometrici quali distanza e velocità di rotazione dei pannelli PET che forniscano in uscita la miglior immagine ricostruita. Questo sistema è stato definito secondo le caratteristiche necessarie per un sistema di imaging PET che potesse essere integrato al sistema robotico per imaging CBCT (Cone Beam Computer Tomography) già presente a CNAO Il blocco di rilevazione deve quindi essere integrato e sviluppato in base alla strumentazione presente nella sala di somministrazione del fascio. Il sistema di imaging PET deve poter essere supportato dal robot che sostiene già un arco a C sul quale verranno montati i pannelli di rivelazione PET. Al dimensionamento dei pannelli di rivelazione, che costituisce la prima parte dello studio, parallelamente si è sviluppata la ricerca dei più moderni e performanti dispositivi componenti il blocco di rilevazione, che fornissero ottime prestazioni per la risoluzione dell’immagine. A questo proposito si sono considerati blocchi di LYSO come cristalli scintillatori accoppiati con SiPM di 400 celle/cm2: con queste tecnologie la risoluzione immagine riesce a raggiungere potenzialmente 1.2mm. In seguito si sono implementate le fasi di caratterizzazione statica e dinamica riguardanti i parametri influenzanti la distanza tra i pannelli e la loro velocità di rotazione che ne hanno fornito i valori indicativi attorno ai quali si sono costruiti degli intervalli di accettabilità per l’impostazione di limiti entro i quali un algoritmo genetico ha permesso di trovarne i valori ottimi definitivi. Nell’algoritmo di ricostruzione del nostro studio si sono implementati i concepts citati in precedenza, ma l’ottimizzazione del SNR (Signal to Noise Ratio) dell’immagine ricostruita è stata effettuata solo sulla base della configurazione in-beam ed in-room, a causa dello svantaggioso La PET in-beam è stata implementata come descritto nello stato dell’arte, ossia secondo un sistema in cui i pannelli di rilevazione fissi, coprono di conseguenza un determinato angolo solido, identificato dalla geometria del sistema. La PET in-room è invece costruita in modo tale che i pannelli di rilevazione abbiano la possibilità di ruotare durante l’acquisizione. L’innovazione portata dal nostro studio propone una rotazione computazione dei pannelli: in questo modo per ogni angolo di campionamento compiuto dai pannelli, viene ottimizzata l’acquisizione dell’attività β+. In seguito alla fase di caratterizzazione e all’implementazione dei concepts considerati, è stato realizzato l’algoritmo di ricostruzione. E’ stato necessario creare la matrice di sistema ed il fantoccio numerico per le simulazioni in modo che si potessero adattare alla distanza voluta tra i pannelli grazie a delle funzioni di interpolazione, mantenendo le dimensioni dei pannelli fisse e facendo variare la dimensione lungo la congiungente (o direzione assiale). Si sono creati i sinogrammi ai quali viene aggiunto il rumore di tipo Poissoniano e si ricostruisce l’immagine tramite la funzione MLEM (Maximum Likelihood Expectation Maximization). Si è deciso di studiare degli indici significativi, il SNR dei sinogrammi e delle immagini ricostruite, in base al rumore aggiunto. La fase di quantificazione analizza i parametri fondamentali che influenzano il rumore sul sinogramma denominati A_timing e scale. E’ stato studiato l’andamento di questi parametri a diverse statistiche di conteggio e si è dimostrata la loro coerenza intra ed inter simulazione, che si ripercuote sui valori assunti dai SNR dei sinogrammi e delle immagini ricostruite. Se il valore dei SNR dei sinogrammi risulta sempre maggiore per il concept in-beam, dovuto a una migliore statistica di conteggio, le ricostruzioni riescono a compensare il livello di rumore sull’immagine fornendo in uscita valori di SNR maggiori per la ricostruzione in-room rispetto a quella in-beam. Si è poi studiato quale modello proposto per il concept in-room portasse migliori risultati, confrontando il SNR delle immagini ricostruite, ed alla fine il risultato migliore è ottenuto sfruttando la rotazione continua dei pannelli PET piuttosto che una rotazione stepped. Avendo quindi testato la robustezza dell’algoritmo di ricostruzione, si è passati alla fase di ottimizzazione impostando un algoritmo genetico in modo da trovare il valore di distanza dei pannelli, che, combinato con il valore della velocità di rotazione, fornisse l’ottimizzazione dei parametri del sistema di imaging PET in-room, secondo il rapporto dei SNR delle immagini ricostruite. I risultati così ottenuti hanno portato ad un rapporto SNR per le immagini ricostruite, doppio rispetto ai relativi valori usati nella caratterizzazione: questo vantaggio è giustificabile dal dimezzamento dei voxel costituenti la dimensione assiale, che porta ad un avvicinamento sostanziale dei pannelli al corpo del paziente. Infatti, ipotizzando che i test siano compiuti ad una distanza di circa 600 mm l’algoritmo genetico ha identificato come distanza ottima per i pannelli in corrispondenza di circa 315 mm. I test compiuti che hanno portato al vantaggio del concept in-room per quanto riguarda la ricostruzione delle immagini, a discapito del concept in-beam, sono realizzati con una matrice di sistema delle dimensioni 10 x 10 x 10 voxel3. Se da una parte questa matrice di sistema ha permesso di compiere numerose simulazioni in cui i tempi computazionali erano accettabili, d’altra parte la bassa risoluzione ha introdotto degli errori di interpolazione sull’immagine ricostruita che si sono tradotti in approssimazioni sul SNR calcolato. Nella fase finale dello studio si è utilizzata una matrice di sistema delle dimensioni di 20 x 20 x 20 voxel3: dimezzando la dimensione dei voxel, la risoluzione del nostro sistema è raddoppiata, e gli errori di interpolazione sono diminuiti, ma i tempi computazionali sono diventati decisamente importanti. Questa parte dello studio conferma la robustezza dei test compiuti nelle precedenti fasi in quanto i risultati ottenuti sono coerenti con quelli precedenti, ed i miglioramenti ottenuti nei SNR delle immagini ricostruite sono notevoli. Concludendo, lo studio si propone come analisi preliminare dei potenziali vantaggi di un sistema robotico rotante per l’imaging PET in-room, necessario alla verifica del trattamento, in seguito a terapia adronica, tuttavia sono necessari sviluppi futuri che richiedono una griglia di campionamento del sistema di imaging PET, i cui voxels hanno dimensioni all’ordine dei millimetri, quindi comparabili con la risoluzione spaziale attualmente presente nei moderni sistemi PET.

Simulazione numerica e ottimizzazione di un sistema di imaging PET per la verifica del trattamento in adroterapia

2012/2013

Abstract

Radiotheraphy based on the use of accelerated ion beams (or Particle Therapy) uses accelerated charged ions that hit a target zone without collateral damages to the nearest structures. Actually there are several facilities that use protons in particle therapy. Only just 6 hospital-based facilities in the world use carbon ions: Three of them are located in Japan, one in German, one in China and one in under construction in Italy Pavia as the National Center of Adrontherapy (CNAO, Centro Nazionale di Adroterapia Oncologica). This therapy is suitable for tumor which are untreatable with conventional therapies: using accelerators the particle beam can be directed into the target zone with precision of millimeters. This selectivity implies an increased sensitivity to uncertainties. For this reason, patient positioning and dose monitoring are crucial issues. In clinical practice, dose monitoring is possible thanks to PET imaging (Positron Emission Tomography). PET imaging for treatment verification (or PET dosimetry) represents the topic of this study. The state of art in PET imaging for dose monitoring in particle therapy is achieved by means of three different concepts of PET imaging system: in-beam PET, in-room PET and offline PET. Several studies have been demonstrated important weaknesses for offline PET related to the loss of statistic counts during the patient transportation from the treatment room to the acquisition room, shortly after the treatment. Besides the low statistic count related to β+ activation of the patient during the treatment, imaging PET is affected by the typical issues related to the intrinsic low resolution. From this, the purpose of the study is the optimization of an in-room imaging PET system that can be integrated to an imaging CBCT (Cone Beam Computer Tomography) robotic system installed at CNAO. With such a design, the count statistics of the PET acquisition can be improved and the tomographic information can be optimized, thus giving advantages with respect to the in-beam and off-line concepts. Detection block has to be integrated to the instrumentation already existing in the treatment room. The PET imaging system has to be handled by a robot by means of a C arc onto which detection panels are mounted. The first part of this study concerns the definition of the maximum detection block size, according to the robot tolerance. The maximization of the size enables to maximize the detection efficiency. At the same time the most performing components for the detection block are identified in order to achieve the optimal spatial resolution. The LYSO scintillator crystals matched with SiPM with 400 cells/cm2 have been identified as components of the in-room robotic PET imaging system. With this combination, the image resolution can potentially reach 1.2 mm. This study relies on the static and the dynamic characterization of the system in terms of distance between panels and rotation speed. These parameters are set up within an acceptance ranges to provide the genetic algorithm to the adequate value constraints. Imaging PET concepts have been implemented into a acquisition simulation and reconstruction algorithm. The quantification was performed according to the resulting image SNR (Signal to Noise Ratio) reliving only in-beam and in-room concepts. As a matter of facts, the SNR of the image coming from the off-line acquisition was extremely disadvantageous and it was not considered. According to literature, the in-beam PET has been implemented as fixed detection panels covering the solid angle defined by the geometry of the system itself. In-room PET has been designed such to enable the detection panels to rotate during the PET acquisition in order to optimize the β+ activity detection. After system characterization and concepts implementation, the reconstruction algorithm has been defined, according to the rotational feature of the PET system. It was necessary to define a system matrix and a phantom able to adapt to the desired distance between panels. Interpolation functions have been implemented in order to change the longitudinal dimension. Sinograms are calculated by applying the defined system matrix and Poisson noise is added to the original sinograms. The MLEM (Maximum Likelihood Expectation Maximization) algorithm has been adopted to reconstruct the image. Quantification takes into consideration those parameters that affect the noise on the sonograms they’re called A_timing and scale: A_timing represents the integral activity into a period time, while scale represents noise respect to the counts. This parameters are studied as a function of the simulated different count statistics (i.e., the SNR) The intra and inter-simulation consistency has been demonstrated on both image and sinogram domains. Thanks to a higher count statistics, the sinograms SNR’s value is always better for the in-beam concept. However, reconstructions can compensate the noise on the image with a better reconstructed image SNR for the in-room concept. Different motion for the in-room robotic PET system have been considered (i.e., continuous and stepped). It has been studied which kind of motion would provide better results by comparing reconstructed image SNR. It has been demonstrated that the continue model provide better results than the stepped one. The robustness of the algorithm has been assessed and subsequently the genetic algorithm has been implemented to find out the optimal distance panels value that combined with the best rotation speed value, brings to the optimization of the in-room imaging PET parameters. Optimization is based on the ratio between the in-beam SNR and the in-room SNR. The resulting SNR value is twice better than the characterization one: The genetic algorithm identified the optimal distance at the half of the distance considered during characterization. In facts, characterization tests were done with a 600 mm distance between panels while genetic algorithm found the best distance value at 315 mm. Tests have demonstrated the advantage of the in-room concept with respect to the in-beam concept, This quantification was performed with a 10 x 10 x 10 voxels3 system matrix. This matrix enabled to run several times the simulations within reasonable computational times., On the other hand, the low resolution lead to interpolation errors in the reconstructed image which were translated into SNR approximations. Finally, a 20 x 20 x 20 voxels3 system matrix has been used: to increase to double the system resolution. This enabled to reduce the interpolation error, but computational time dramatically increased. Also in this case, the robustness of the algorithm was proved: agreements with the previous SNR quantification has been observed. In conclusion, this study represents a preliminary analysis for potential advantages for a rotational robotic system used for in-room imaging PET for treatment verification in particle therapy Further studies are required with increased spatial resolution to accurately assess the performance of the imaging system. In particular, image grid should be comparable to the spatial resolution achieved with commercial PET systems (i.e., millimeter).
GIANOLI, CHIARA
ING - Scuola di Ingegneria Industriale e dell'Informazione
29-apr-2014
2012/2013
La particle therapy è una forma di radioterapia che sfrutta particelle pesanti accelerate, che vanno a colpire una zona target minimizzando i danni alle strutture limitrofe. Numerosi sono i centri che sfruttano protoni in particle therapy. Attualmente solo 6 centri al mondo la utilizzano nella pratica clinica sfruttando gli ioni carbonio: 3 si trovano in Giappone, uno in Germania, uno in Cina, e l’ultima in Italia (CNAO), a Pavia. Questa terapia è indicata per quei tipi di tumore che non sono trattabili con i metodi tradizionali: sfruttando un acceleratore di particelle si riesce ad indirizzare il fascio di particelle incidente con precisione millimetrica verso la zona target. Il posizionamento del paziente, ed il monitoraggio della dose somministrata giocano quindi un ruolo fondamentale. Il monitoraggio della dose somministrata, che avviene tramite acquisizione PET (Positron Emission Tomography), è il punto di partenza del nostro studio. Lo stato attuale dell’arte per l’imaging PET coinvolta nel monitoraggio della dose somministrata è rappresentato da tre diversi concepts : la PET in-beam, la PET in-room, e la PET offline. Numerosi studi hanno dimostrato notevoli limitazioni della PET offline relativamente alla statistica di conteggio persa durante il trasporto del paziente dalla sala di trattamento alla sala di acquisizione subito dopo la somministrazione del trattamento. Oltre alla bassa statistica di conteggio associata all’attivazione β+ del paziente durante il trattamento, l’imaging PET risente dei classici problemi legati anche dell’intrinseca bassa risoluzione. Da questi presupposti si è sviluppato il nostro studio, che propone di ottimizzare un sistema di imaging PET robotico e rotante per la dosimetria PET trovando la miglior combinazione di parametri geometrici quali distanza e velocità di rotazione dei pannelli PET che forniscano in uscita la miglior immagine ricostruita. Questo sistema è stato definito secondo le caratteristiche necessarie per un sistema di imaging PET che potesse essere integrato al sistema robotico per imaging CBCT (Cone Beam Computer Tomography) già presente a CNAO Il blocco di rilevazione deve quindi essere integrato e sviluppato in base alla strumentazione presente nella sala di somministrazione del fascio. Il sistema di imaging PET deve poter essere supportato dal robot che sostiene già un arco a C sul quale verranno montati i pannelli di rivelazione PET. Al dimensionamento dei pannelli di rivelazione, che costituisce la prima parte dello studio, parallelamente si è sviluppata la ricerca dei più moderni e performanti dispositivi componenti il blocco di rilevazione, che fornissero ottime prestazioni per la risoluzione dell’immagine. A questo proposito si sono considerati blocchi di LYSO come cristalli scintillatori accoppiati con SiPM di 400 celle/cm2: con queste tecnologie la risoluzione immagine riesce a raggiungere potenzialmente 1.2mm. In seguito si sono implementate le fasi di caratterizzazione statica e dinamica riguardanti i parametri influenzanti la distanza tra i pannelli e la loro velocità di rotazione che ne hanno fornito i valori indicativi attorno ai quali si sono costruiti degli intervalli di accettabilità per l’impostazione di limiti entro i quali un algoritmo genetico ha permesso di trovarne i valori ottimi definitivi. Nell’algoritmo di ricostruzione del nostro studio si sono implementati i concepts citati in precedenza, ma l’ottimizzazione del SNR (Signal to Noise Ratio) dell’immagine ricostruita è stata effettuata solo sulla base della configurazione in-beam ed in-room, a causa dello svantaggioso La PET in-beam è stata implementata come descritto nello stato dell’arte, ossia secondo un sistema in cui i pannelli di rilevazione fissi, coprono di conseguenza un determinato angolo solido, identificato dalla geometria del sistema. La PET in-room è invece costruita in modo tale che i pannelli di rilevazione abbiano la possibilità di ruotare durante l’acquisizione. L’innovazione portata dal nostro studio propone una rotazione computazione dei pannelli: in questo modo per ogni angolo di campionamento compiuto dai pannelli, viene ottimizzata l’acquisizione dell’attività β+. In seguito alla fase di caratterizzazione e all’implementazione dei concepts considerati, è stato realizzato l’algoritmo di ricostruzione. E’ stato necessario creare la matrice di sistema ed il fantoccio numerico per le simulazioni in modo che si potessero adattare alla distanza voluta tra i pannelli grazie a delle funzioni di interpolazione, mantenendo le dimensioni dei pannelli fisse e facendo variare la dimensione lungo la congiungente (o direzione assiale). Si sono creati i sinogrammi ai quali viene aggiunto il rumore di tipo Poissoniano e si ricostruisce l’immagine tramite la funzione MLEM (Maximum Likelihood Expectation Maximization). Si è deciso di studiare degli indici significativi, il SNR dei sinogrammi e delle immagini ricostruite, in base al rumore aggiunto. La fase di quantificazione analizza i parametri fondamentali che influenzano il rumore sul sinogramma denominati A_timing e scale. E’ stato studiato l’andamento di questi parametri a diverse statistiche di conteggio e si è dimostrata la loro coerenza intra ed inter simulazione, che si ripercuote sui valori assunti dai SNR dei sinogrammi e delle immagini ricostruite. Se il valore dei SNR dei sinogrammi risulta sempre maggiore per il concept in-beam, dovuto a una migliore statistica di conteggio, le ricostruzioni riescono a compensare il livello di rumore sull’immagine fornendo in uscita valori di SNR maggiori per la ricostruzione in-room rispetto a quella in-beam. Si è poi studiato quale modello proposto per il concept in-room portasse migliori risultati, confrontando il SNR delle immagini ricostruite, ed alla fine il risultato migliore è ottenuto sfruttando la rotazione continua dei pannelli PET piuttosto che una rotazione stepped. Avendo quindi testato la robustezza dell’algoritmo di ricostruzione, si è passati alla fase di ottimizzazione impostando un algoritmo genetico in modo da trovare il valore di distanza dei pannelli, che, combinato con il valore della velocità di rotazione, fornisse l’ottimizzazione dei parametri del sistema di imaging PET in-room, secondo il rapporto dei SNR delle immagini ricostruite. I risultati così ottenuti hanno portato ad un rapporto SNR per le immagini ricostruite, doppio rispetto ai relativi valori usati nella caratterizzazione: questo vantaggio è giustificabile dal dimezzamento dei voxel costituenti la dimensione assiale, che porta ad un avvicinamento sostanziale dei pannelli al corpo del paziente. Infatti, ipotizzando che i test siano compiuti ad una distanza di circa 600 mm l’algoritmo genetico ha identificato come distanza ottima per i pannelli in corrispondenza di circa 315 mm. I test compiuti che hanno portato al vantaggio del concept in-room per quanto riguarda la ricostruzione delle immagini, a discapito del concept in-beam, sono realizzati con una matrice di sistema delle dimensioni 10 x 10 x 10 voxel3. Se da una parte questa matrice di sistema ha permesso di compiere numerose simulazioni in cui i tempi computazionali erano accettabili, d’altra parte la bassa risoluzione ha introdotto degli errori di interpolazione sull’immagine ricostruita che si sono tradotti in approssimazioni sul SNR calcolato. Nella fase finale dello studio si è utilizzata una matrice di sistema delle dimensioni di 20 x 20 x 20 voxel3: dimezzando la dimensione dei voxel, la risoluzione del nostro sistema è raddoppiata, e gli errori di interpolazione sono diminuiti, ma i tempi computazionali sono diventati decisamente importanti. Questa parte dello studio conferma la robustezza dei test compiuti nelle precedenti fasi in quanto i risultati ottenuti sono coerenti con quelli precedenti, ed i miglioramenti ottenuti nei SNR delle immagini ricostruite sono notevoli. Concludendo, lo studio si propone come analisi preliminare dei potenziali vantaggi di un sistema robotico rotante per l’imaging PET in-room, necessario alla verifica del trattamento, in seguito a terapia adronica, tuttavia sono necessari sviluppi futuri che richiedono una griglia di campionamento del sistema di imaging PET, i cui voxels hanno dimensioni all’ordine dei millimetri, quindi comparabili con la risoluzione spaziale attualmente presente nei moderni sistemi PET.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
Tesi_Benedetta_Tibaldi.pdf

non accessibile

Descrizione: Tesi magistrale, testo completo
Dimensione 1.7 MB
Formato Adobe PDF
1.7 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/92247