A Novel Differential Pathlength Factor Model for Near-Infrared Diffuse Optical Imaging
Diese Arbeit schlägt zwei neuartige, distanz- und eigenschaftsabhängige Modelle des differentiellen Pfadlängenfaktors (DPF) vor und validiert diese, die aus Monte-Carlo-Simulationen und Phantomexperimenten abgeleitet wurden und die quantitativen Fehler bei der kontinuierlichen Wellenlängen-nahen-Infrarot-Diffusionsoptik im Vergleich zu herkömmlichen Formulierungen, insbesondere bei kleinen Quellen-Detektor-Abständen, signifikant reduzieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das große Ganze: Messen, was im Inneren ist, ohne aufzuschneiden
Stellen Sie sich vor, Sie möchten wissen, wie viel „Rot“ (Sauerstoff) und „Blau“ (desoxygeniertes Blut) in einem Muskel oder im Gehirn eines Menschen vorhanden ist. Sie können den Körper nicht aufschneiden, also leuchten Sie mit einer Taschenlampe (nahes Infrarotlicht) durch die Haut. Das Licht springt im Gewebe wie ein Flipperball in einem Automaten hin und her, bevor es auf der anderen Seite wieder austritt.
Das Problem ist, dass das Licht nicht in einer geraden Linie verläuft. Es springt wild hin und her. Wenn Sie nur messen, wie viel Licht herauskommt, können Sie nicht unterscheiden, ob das Gewebe dunkel ist, weil es dick ist, oder weil das Licht einen sehr langen, gewundenen Weg genommen hat. Um dies zu korrigieren, verwenden Wissenschaftler eine „Korrekturzahl“, den sogenannten Differentialen Pfadlängenfaktor (DPF). Denken Sie beim DPF an eine Lupe für die Distanz: Er sagt Ihnen: „Auch wenn das Licht nur etwa 5 cm durch Ihre Haut gereist ist, hat es im Inneren tatsächlich 25 cm zurückgelegt, weil es so stark hin und her gesprungen ist.“
Das Problem: Die alten Karten waren falsch
Lange Zeit verwendeten Wissenschaftler verschiedene Wege, um diese „Lupe“-Zahl zu berechnen.
- Die „Gerade-Linie“-Vermutung: Einige nahmen an, dass das Licht unabhängig davon, wie weit Lichtquelle und Detektor voneinander entfernt sind, eine feste zusätzliche Distanz zurücklegt.
- Die „Durchschnitts“-Vermutung: Andere versuchten, die durchschnittliche Distanz zu berechnen, die das Licht zurückgelegt hat.
Die Autoren dieser Arbeit fanden heraus, dass diese alten Methoden so sind, als würde man eine flache Karte benutzen, um ein Gebirge zu navigieren. Sie funktionieren ganz gut, wenn man weit weg ist, aber wenn man nah am Berg ist (oder in diesem Fall, wenn Lichtquelle und Detektor nah beieinander liegen), ist die Karte völlig falsch. Tatsächlich können die alten Methoden, wenn die Detektoren nah beieinander liegen, um mehr als 100 % dane liegen. Das ist so, als würde man schätzen, dass eine 10-Meilen-Reise eigentlich 20 Meilen oder 0 Meilen lang ist. Dies macht es unmöglich, genaue Messungen des Blutsauerstoffgehalts zu erhalten, insbesondere in Bereichen, in denen man Signale aus geringen Tiefen erfassen muss.
Die Lösung: Zwei neue, bessere Karten
Die Forscher nutzten eine extrem leistungsstarke Computersimulation (genannt Monte Carlo), um Millionen virtueller Photonen (Lichtteilchen) zu verfolgen, während diese durch einen virtuellen Gewebeblock sprangen. Sie beobachteten genau, wohin jedes einzelne Photon wanderte.
Basierend darauf entwickelten sie zwei neue Wege, um den DPF zu berechnen:
Die „Goldstandard“-Karte (Wahrer DPF):
Dies ist die perfekte Karte. Sie berechnet exakt die Distanz, die jedes einzelne Photon zurückgelegt hat, gewichtet nach dem Lichtverlust auf dem Weg. Sie ist zu 100 % genau.- Der Haken: Sie ist zu kompliziert, um sie im echten Leben zu verwenden. Man bräuchte einen Supercomputer, um für jede einzelne Messung, die ein Arzt vornimmt, die Berechnungen durchzuführen.
Die „Schlaue Abkürzung“-Karte (Invers-Distanz-DPF):
Dies ist das Herzstück der Arbeit. Die Forscher bemerkten, dass die Beziehung zwischen der Distanz des Lichts und dem „gewundenen Pfad“, den es nimmt, einem spezifischen, vorhersehbaren Muster folgt. Es ist, als würde man erkennen, dass eine Bergstraße zwar keine gerade Linie ist, man aber ihre Länge mithilfe einer einfachen Formel vorhersagen kann, die die Luftlinie und ein wenig Logarithmus-Mathematik beinhaltet.- Der Vorteil: Diese neue Formel ist einfach genug, um sie auf einem normalen Computer oder sogar auf einem Handheld-Gerät zu verwenden, ist aber fast so genau wie der „Goldstandard“.
Der Beweis: Testen im Labor
Um sicherzustellen, dass ihre „Schlaue Abkürzung“ nicht nur eine Computerfantasie war, bauten sie einen künstlichen Körperteil (einen Phantom).
- Sie fertigten einen Block aus klarem Gel (wie Wackelpudding) an, der mit weißem Pulver gemischt wurde, um die Art und Weise nachzuahmen, wie menschliche Haut Licht streut.
- Sie leuchteten mit einer echten LED in den Block und maßen, wie viel Licht in verschiedenen Abständen austrat.
- Das Ergebnis: Das neue „Schlaue Abkürzung“-Modell sagte die Ergebnisse fast perfekt voraus. Die alten Methoden hingegen waren völlig ungenau, besonders wenn Lichtquelle und Detektor nah beieinander lagen.
Das Fazit
Die Arbeit kommt zu dem Schluss, dass man aufhören muss, die alten, einfachen „konstanten“ Zahlen zu verwenden, wenn man den Blutsauerstoff oder die Gesundheit des Gewebes mit Licht messen möchte. Diese sind zu ungenau, insbesondere bei Messungen im Nahbereich.
Stattdessen schlagen die Autoren vor, ihr neues Invers-Distanz-Modell zu verwenden. Es ist, als würde man von einer groben Skizze auf ein GPS-Navigationssystem aufrüsten: Es ist immer noch einfach zu bedienen, aber es weiß genau, wie das Gelände (das Gewebe) den Pfad des Lichts biegt, und liefert so ein viel wahrheitsgetreueres Bild dessen, was im Inneren des Körpers geschieht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.