Computation of frequency- and time-domain Jacobians in optical tomography with Monte Carlo simulations

Dieser Beitrag stellt ein vollständiges theoretisches Framework und eine Open-Source-Monte-Carlo-Implementierung zur Berechnung von Frequenz- und Zeitbereich-Jacobianen in der optischen Tomographie vor und zeigt deren Notwendigkeit für eine präzise Modellierung in Regimen mit geringer Streuung sowie die Vorteile einer realistischen Detektormodellierung bei kurzen Quellen-Detektor-Abständen auf.

Das Wesentliche

Das große Ganze: Das Gehirn mit Licht kartieren

Stellen Sie sich vor, Sie versuchen, mit nur einer Taschenlampe in einen dichten, nebligen Wald (Ihr Gehirn) hineinzusehen. Sie können die Bäume nicht klar erkennen, weil der Nebel das Licht in alle Richtungen streut. Genau das passiert, wenn Wissenschaftler versuchen, das menschliche Gehirn mit Nahinfrarotlicht abzubilden. Das Gehirn ist voller „Nebel" (Gewebe), der das Licht hin und her reflektiert.

Um herauszufinden, was im Inneren vor sich geht – etwa ob ein Teil des Gehirns aktiv ist oder ob ein Tumor vorhanden ist –, verwenden Wissenschaftler eine Technik namens Optische Tomographie. Sie leuchten an einer Stelle ein und messen, wie viel Licht an einer anderen Stelle herauskommt. Indem sie dies viele Male tun, versuchen sie, eine 3D-Karte des Gehirninhalts zu erstellen.

Das Problem: Der „Goldstandard" ist langsam und unvollständig

Um diese Karte genau zu machen, benötigen Wissenschaftler einen mathematischen Leitfaden, der Jacobian genannt wird. Stellen Sie sich einen Jacobian als eine „Empfindlichkeitskarte" vor. Er beantwortet die Frage: „Wenn ich die Nebeldichte an dieser winzigen Stelle ändere, wie stark verändert sich dann das Licht, das am Detektor herauskommt?"

Lange Zeit war der genaueste Weg, diese Karten zu berechnen, die Verwendung von Monte-Carlo-Simulationen (MC). Das ist wie das Durchführen eines massiven Videospiels, bei dem Sie Milliarden einzelner Photonen (Lichtteilchen) simulieren, die im Gehirn hin und her prallen, um zu sehen, wo sie landen. Es ist der „Goldstandard", weil er unglaublich genau ist.

Es gab jedoch zwei große Lücken in dieser Methode:

1. Fehlende Werkzeuge: Während Wissenschaftler einfache Lichtmessungen simulieren konnten, konnten sie mit dieser Goldstandard-Methode keine fortgeschritteneren Messungen (wie Licht, das mit einer bestimmten Hochfrequenz oszilliert, oder Licht, das zu unterschiedlichen Zeiten ankommt) einfach simulieren.
2. Der „neblige" Shortcut: Da die Simulation von Milliarden Photonen einen Supercomputer lange Zeit in Anspruch nimmt, verwenden viele Wissenschaftler einen Shortcut namens Diffusionsnäherung (DA). Das ist so, als würde man annehmen, der Nebel sei perfekt einheitlich und glatt. Es ist schnell, bricht aber an „klaren" Stellen im Gehirn zusammen (wie den mit Flüssigkeit gefüllten Räumen um das Gehirn), wo sich das Licht nicht wie glatter Nebel verhält.

Was dieses Paper leistete

Die Autoren arbeiteten mit einer leistungsstarken Software namens MCX (Monte Carlo eXtreme) und taten drei Hauptdinge:

1. Neue Werkzeuge für die Simulation gebaut

Sie schrieben neue mathematische Formeln, damit die Simulation Jacobians für Frequenzbereichs-Messungen (Licht, das wie eine Radiowelle wackelt) und Zeitbereichs-Messungen (Licht, das in einer bestimmten zeitlichen Abfolge ankommt) berechnen kann.

• Die Analogie: Stellen Sie sich vor, Sie konnten zuvor nur zählen, wie viele Regentropfen einen Eimer treffen. Jetzt haben sie Ihnen Werkzeuge gegeben, um auch die Geschwindigkeit der Regentropfen und den Ton, den sie beim Aufprall erzeugen, zu messen. Das gibt Ihnen viel mehr Informationen über den Sturm.

2. Einen „realistischen" Detektor erstellt

In vielen Simulationen wird der Detektor wie ein magisches Schwarzes Loch behandelt, das jedes Licht einfängt, das einen bestimmten Kreis auf der Haut trifft. In Wirklichkeit sind die Detektoren Glasfaserkabel mit Glasprismen, die nur Licht aus bestimmten Winkeln einfangen.

• Die Analogie: Stellen Sie sich vor, Sie versuchen, Regen mit einem Eimer aufzufangen.
  • Altes Modell: Der Eimer ist ein riesiger, weiter Trichter, der Regen aus jedem Winkel auffängt.
  • Neues Modell: Der Eimer ist ein schmaler Strohhalm. Er fängt nur Regen auf, der senkrecht herabfällt.
  • Das Ergebnis: Die Autoren fügten ihrer Simulation einen „Nachbearbeitungs"-Schritt hinzu. Nachdem das Licht die Haut trifft, prüfen sie: „Hat dieses Photon den Strohhalm im richtigen Winkel getroffen?" Wenn nicht, verwerfen sie es. Sie stellten fest, dass dies die Empfindlichkeitskarte verändert, insbesondere bei kurzen Abständen zwischen Lichtquelle und Detektor.

3. Bewiesen, dass der Shortcut in „klaren" Bereichen fehlerhaft ist

Sie verglichen ihre neuen, supergenauen Monte-Carlo-Karten mit den Karten des „Shortcuts" (Diffusionsnäherung) unter Verwendung von Modellen der Köpfe von Neugeborenen.

• Die Erkenntnis: In Bereichen, in denen das Gehirn sehr „neblig" ist (hohe Streuung), funktioniert der Shortcut hervorragend. Aber in Bereichen mit Zerebrospinalflüssigkeit (CSF) – die wie klares Wasser im Vergleich zu Nebel ist –, versagt der Shortcut. Er sagt voraus, dass das Licht viel empfindlicher auf Veränderungen reagiert, als es tatsächlich ist.
• Die Schlussfolgerung: Wenn Sie das Gehirn untersuchen, können Sie den Shortcut in der Nähe der mit Flüssigkeit gefüllten Räume nicht vertrauen. Sie benötigen die schwere Monte-Carlo-Simulation, um die richtige Antwort zu erhalten.

Warum dies wichtig ist (laut dem Paper)

• Bessere Karten: Durch die Verwendung dieser neuen Formeln können Wissenschaftler jetzt genauere 3D-Karten des Gehirns erstellen, insbesondere für Neugeborene, die eine andere Gehirnstruktur als Erwachsene haben.
• Kurze Abstände: Bei Messungen, die sehr nah beieinander liegen (kurze Abstände), ist das realistische Detektormodell (der „Strohhalm" im Vergleich zum „Trichter") wichtig. Es verringert die Empfindlichkeit gegenüber der sehr oberflächlichen Haut und erhöht die Empfindlichkeit gegenüber dem tieferen Hirngewebe leicht.
• Validierung: Das Paper beweist, dass, wenn Sie die „klare Flüssigkeit" aus dem Modell entfernen, der schnelle Shortcut mit der langsamen, genauen Simulation übereinstimmt. Dies bestätigt, dass der Unterschied, den sie früher sahen, tatsächlich durch die Flüssigkeit verursacht wurde und nicht durch einen Fehler in ihrer Mathematik.

Zusammenfassung

Die Autoren haben die „Goldstandard"-Simulationssoftware aktualisiert, um komplexere Arten von Lichtmessungen zu verarbeiten, und ein realistisches Modell dafür hinzugefügt, wie der Detektor das Licht „sieht". Sie bewiesen, dass schnelle Shortcuts zwar in dichtem Nebel gut funktionieren, aber in klarer Flüssigkeit versagen, und dass realistische Detektormodelle entscheidend sind, um genaue Messwerte zu erhalten, insbesondere wenn Lichtquelle und Detektor nah beieinander liegen.

Technische Zusammenfassung

1. Problemstellung

Die Optische Tomographie (OT) ist eine nicht-invasive Bildgebungstechnik, die zur Rekonstruktion der räumlichen Verteilung optischer Eigenschaften (Absorption $\mu_a$ und Streuung $\mu_s$) in biologischem Gewebe eingesetzt wird. Eine genaue Bildrekonstruktion beruht auf der Lösung eines schlecht gestellten inversen Problems, das ein Vorwärtsmodell und eine Jacobian-Matrix (Empfindlichkeitsprofil) erfordert, die beschreibt, wie sich Messungen in Bezug auf Gewebeparameter ändern.

Während Monte-Carlo (MC)-Simulationen aufgrund ihrer Genauigkeit in komplexen Geometrien und heterogenen Medien der „Goldstandard" für die Modellierung des Lichttransports (Lösen der Strahlungstransportgleichung, RTE) sind, war die Methodik zur Berechnung von Jacobianen in Frequenzbereich (FD) und Zeitbereich (TD) unvollständig. Insbesondere:

• Bestehende MC-Methoden fehlen oft direkte Formulierungen für FD-Streuungsjacobianen und TD-Jacobianen (Intensität und mittlere Flugzeit).
• Die Diffusionsnäherung (DA), die üblicherweise für Geschwindigkeit eingesetzt wird, versagt in Bereichen mit geringer Streuung (z. B. Liquor cerebrospinalis in neonatalen Köpfen) und in der Nähe von Quellen/Detektoren.
• Standard-MC-Detektormodelle gehen oft von einer isotropen Rezeption aus und ignorieren die physikalischen Einschränkungen realer Sonden (z. B. prisma-terminierte Lichtleiter und Numerische Apertur-Beschränkungen), was zu Ungenauigkeiten bei kurzen Quell-Detektor-Abständen (SDS) führt.

2. Methodik

Die Autoren entwickelten ein umfassendes theoretisches Rahmenwerk und implementierten es im hochleistungsfähigen, GPU-beschleunigten Monte Carlo eXtreme (MCX) Simulator.

A. Theoretische Herleitungen (Perturbation MC)

Unter Verwendung des mikroskopischen Beer-Lambert-Gesetzes (mBLL) und des „Replay"-Modus von Perturbation Monte Carlo (pMC) leiteten die Autoren analytische Formeln für Jacobianen ab:

• Frequenzbereich (FD): Herleitung von Formeln für die komplexe Intensität ($I_{FD}$), Log-Amplitude und Phasenverschiebung in Bezug auf sowohl $\mu_a$ als auch $\mu_s$. Dies beinhaltet die Gewichtung von Photonenpfaden mit $e^{i\omega t}$.
• Zeitbereich (TD): Herleitung von Formeln für zeitintegrierte Intensität und mittlere Flugzeit (TOF) in Bezug auf $\mu_a$ und $\mu_s$. Dies nutzt den ersten zeitlichen Moment der Zeitpunktspreizfunktion (TPSF).
• Verallgemeinerung: Die Formeln wurden verallgemeinert, um Split-Voxel-Modelle (hybride Mesh-Voxel) zu handhaben, um gekrümmte Grenzen und Prismaterminals genau zu modellieren.

B. Implementierung in MCX

Die neuen Jacobian-Typen wurden in der MCXLAB-Umgebung (v2025.10) implementiert. Die Berechnung folgt einem zweistufigen „Replay"-Ansatz:

1. Vorwärtssimulation: Eine Basissimulation zeichnet Photonenbahnen auf, die den Detektor erreichen.
2. Replay-Simulation: Dieselben Bahnen werden abgespielt, um Empfindlichkeitsmetriken (Pfadlängen, Kollisionszahlen, TOF) zu akkumulieren, ohne Zufallszahlen neu zu sampeln.

• Neue Ausgabemetriken: Die Autoren führten drei neue Replay-Ausgabetypen ein, um diese Berechnungen zu unterstützen:
  • rfmus: Gewichtete Streuzahlen.
  • wltof: TOF-gewichtete Pfadlängen.
  • wptof: TOF-gewichtete Streuzahlen.

C. Realistische Detektormodellierung

Eine Nachverarbeitungs-Funktion wurde entwickelt, um prisma-terminierte Lichtleiter-Detektoren zu modellieren (häufig in FD-Instrumenten der Aalto-Universität).

• Kriterien: Photonenpakete werden nur akzeptiert, wenn sie das Gewebe innerhalb eines bestimmten Bereichs verlassen, durch ein Glasprisma refraktieren und innerhalb der Numerischen Apertur (NA)-Grenzen in das Lichtleiterbündel eintreten.
• Split-Voxel-Grenze (SVMC): Um die Krümmung der Kopfoberfläche unter dem Prisma zu handhaben, nutzten die Autoren den SVMC-Ansatz, bei dem Grenzvoxel in Unter-Volumina mit geneigten Ebenen aufgeteilt werden, was eine genauere Modellierung der Photonen-Austrittswinkel ermöglicht.

D. Validierung

• Interne Konsistenz: Validiert gegen analytische Linearisierung von FD- und TD-Beziehungen (z. B. Phase $\approx$ mittlere TOF $\times$ Frequenz).
• Externe Validierung: Vergleich von MC-abgeleiteten Jacobianen mit einem Finite-Elemente-Methode (FEM)-Solver unter Verwendung der Diffusionsnäherung (DA) in neonatalen Kopfmodellen.
• Testfälle: Simulationen wurden an Modellen für Vollzeit- und Frühgeborene (segmentiert in Kopfhaut/Schädel, Liquor, graue Substanz, weiße Substanz) bei 798 nm durchgeführt.

3. Hauptbeiträge

1. Vollständiges Jacobian-Rahmenwerk: Bereitstellung der ersten vollständigen theoretischen Herleitung und MC-Implementierung für FD-Streuungsjacobianen und TD-mittlere TOF-Jacobianen (sowohl Absorption als auch Streuung).
2. Realistische Detektormodellierung: Einführung einer rigorosen Nachverarbeitungs-Methode zur Simulation von prisma-terminierten Lichtleiter-Detektoren mit NA-Beschränkungen, die über einfache isotrope Rezeptionsmodelle hinausgeht.
3. Split-Voxel-Jacobianen: Erweiterung des pMC „Replay"-Modus für die Arbeit mit Split-Voxel Monte Carlo (SVMC) zur genauen Empfindlichkeitsprofilierung auf gekrümmten Oberflächen.
4. Open-Source-Software: Integration dieser Fähigkeiten in den Open-Source-MCX-Simulator, wodurch sie der Biophotonik-Community zur Verfügung stehen.

4. Ergebnisse

• Übereinstimmung MC vs. DA:
  • In hochstreuenden Regimen (z. B. graue/weiße Substanz) zeigten MC- und DA-Jacobianen eine hervorragende Übereinstimmung.
  • In gering streuenden Regimen (insbesondere die Liquorschicht) überschätzte DA die Empfindlichkeit im Vergleich zu MC erheblich. Dies bestätigt, dass DA für CSF-reiche Regionen (häufig bei Neugeborenen) ungültig ist und MC für eine genaue Rekonstruktion erforderlich ist.
• Konsistenz FD vs. TD: Die FD-Phasenverschiebungs-Jacobianen und TD-mittlere TOF-Jacobianen zeigten eine hohe Konsistenz und validierten den theoretischen Zusammenhang zwischen den beiden Modi bei typischen Modulationsfrequenzen (100 MHz).
• Auswirkung der Detektormodellierung:
  • Das realistische Prisma/NA-Modell wies ~98 % der Photonenpakete ab, die von einem einfachen isotropen Modell akzeptiert worden wären.
  • Empfindlichkeitsverschiebung: Das realistische Modell reduzierte die Empfindlichkeit gegenüber den oberflächlichsten Geweben (Kopfhaut) und erhöhte die Empfindlichkeit gegenüber tieferem Hirngewebe bei kurzen Quell-Detektor-Abständen (< 2 cm) leicht. Dies ist entscheidend für die Trennung von extrazerebralem Rauschen von Hirnsignalen.
• Konvergenz: Streuungsjacobianen erforderten aufgrund der Subtraktion von Termen ähnlicher Größenordnung in der Ableitungsformel signifikant mehr Photonenpakete ($10^{12}$–$10^{13}$) als Absorptions-Jacobianen, um visuelle Glätte zu erreichen.

5. Bedeutung

• Verbesserte Rekonstruktionsgenauigkeit: Durch die Bereitstellung genauer Jacobianen für FD/TD-Daten und realistische Detektormodelle ermöglicht diese Arbeit eine präzisere Bildrekonstruktion, insbesondere für die neonatale Hirnbildgebung, bei der Liquorschichten prominent sind und DA versagt.
• Optimierung kurzer Kanäle: Die Studie hebt hervor, dass eine realistische Detektormodellierung für Kurzabstandskanäle (< 2 cm) unerlässlich ist, die für die Entfernung oberflächlicher physiologischer Rauschsignale in der funktionellen Hirnbildgebung kritisch sind.
• Vielseitigkeit: Das Rahmenwerk unterstützt komplexe Geometrien und heterogene Gewebe, wodurch es auf verschiedene biomedizinische Kontexte (z. B. Brustbildgebung, Muskelbildgebung) und nicht-biologische trübe Medien anwendbar ist.
• Zukünftige Richtungen: Die Autoren schlagen vor, DA für schnelle erste Schätzungen und MC für Verfeinerungen zu verwenden, insbesondere für kurze Kanäle und nicht-diffusive Regionen. Die Verfügbarkeit von Streuungsjacobianen eröffnet neue Wege zur Rekonstruktion von Streuungsänderungen (z. B. im Zusammenhang mit neuronaler Aktivierung oder Zellanschwellung) neben Absorptionsänderungen.

Zusammenfassend schließt dieses Paper eine kritische Lücke in der Optischen Tomographie, indem es ein robustes, hochleistungsfähiges computergestütztes Werkzeug zur Erzeugung genauer Empfindlichkeitsprofile über alle wichtigen Messmodi (CW, FD, TD) bereitstellt, während es den physikalischen Realitäten moderner Bildgebungssonden Rechnung trägt.