🔬 optics

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

यह शोध पत्र ऑप्टिकल टोमोग्राफी में फ्रीक्वेंसी- और टाइम-डोमेन जैकोबियन्स (Jacobians) की गणना के लिए एक पूर्ण सैद्धांतिक ढांचा और ओपन-सोर्स मोंटे कार्लो कार्यान्वयन प्रस्तुत करता है, जो कम-स्कैटरिंग (low-scattering) व्यवस्था में सटीक मॉडलिंग के लिए उनकी आवश्यकता और कम स्रोत-डिटेक्टर पृथक्करण के लिए यथार्थवादी डिटेक्टर मॉडलिंग के लाभों को प्रदर्शित करता है।

मूल लेखक: Pauliina Hirvi, Jaakko Olkkonen, Qianqian Fang, Ilkka Nissilä

प्रकाशित 2026-05-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pauliina Hirvi, Jaakko Olkkonen, Qianqian Fang, Ilkka Nissilä

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: प्रकाश के साथ मस्तिष्क का मानचित्रण

कल्पना कीजिए कि आप केवल एक टॉर्च का उपयोग करके एक घने, धुंधले जंगल (आपका मस्तिष्क) के अंदर देखने की कोशिश कर रहे हैं। आप पेड़ों को स्पष्ट रूप से नहीं देख सकते क्योंकि धुंध प्रकाश को हर दिशा में बिखेर देती है। यह तब होता है जब वैज्ञानिक निकट-अवरक्त (near-infrared) प्रकाश का उपयोग करके मानव मस्तिष्क की इमेजिंग करने की कोशिश करते हैं। मस्तिष्क "धुंध" (ऊतकों) से भरा होता है जो प्रकाश को इधर-उधर उछालता है।

यह समझने के लिए कि अंदर क्या हो रहा है—जैसे कि मस्तिष्क का कोई हिस्सा सक्रिय है या वहां कोई ट्यूमर है—वैज्ञानिक ऑप्टिकल टोमोग्राफी (Optical Tomography) नामक तकनीक का उपयोग करते हैं। वे एक स्थान पर प्रकाश डालते हैं और मापते हैं कि दूसरे स्थान पर कितना प्रकाश बाहर आता है। ऐसा कई बार करके, वे मस्तिष्क के आंतरिक भाग का 3D मानचित्र बनाने की कोशिश करते हैं।

समस्या: "गोल्ड स्टैंडर्ड" धीमा और अधूरा है

इस मानचित्र को सटीक बनाने के लिए, वैज्ञानिकों को एक गणितीय मार्गदर्शक की आवश्यकता होती है जिसे जैकोबियन (Jacobian) कहा जाता है। जैकबियन को एक "संवेदनशीलता मानचित्र" (sensitivity map) के रूप में समझें। यह इस प्रश्न का उत्तर देता है: "यदि मैं इस सूक्ष्म स्थान में धुंध के घनत्व को बदल दूँ, तो डिटेक्टर पर आने वाले प्रकाश में कितना बदलाव होगा?"

लंबे समय तक, इन मानचित्रों की गणना करने का सबसे सटीक तरीका मोंटे कार्लो (Monte Carlo - MC) सिमुलेशन का उपयोग करना था। यह एक विशाल वीडियो गेम चलाने जैसा है जहाँ आप अरबों व्यक्तिगत फोटॉन (प्रकाश के कणों) को मस्तिष्क के भीतर टकराकर इधर-उधर घूमते हुए देखते हैं ताकि यह देखा जा सके कि वे कहाँ पहुँचते हैं। यह "गोल्ड स्टैंडर्ड" है क्योंकि यह अविश्वसनीय रूप से सटीक है।

हालाँकि, इस पद्धति में दो बड़ी कमियाँ थीं:

टूटे हुए उपकरण: जबकि वैज्ञानिक सरल प्रकाश माप का अनुकरण (simulate) कर सकते थे, वे इस गोल्ड-स्टैंडर्ड पद्धति का उपयोग करके अधिक उन्नत मापों (जैसे कि प्रकाश जो एक विशिष्ट रेडियो फ्रीक्वेंसी पर दोलन करता है या प्रकाश जो अलग-अलग समय पर पहुँचता है) का आसानी से अनुकरण नहीं कर सकते थे।
"धुंधला" शॉर्टकट: क्योंकि अरबों फोटॉन का अनुकरण करने के लिए सुपरकंप्यूटर को बहुत समय लगता है, इसलिए कई वैज्ञानिक डिफ्यूजन एप्रोक्सिमेशन (Diffusion Approximation - DA) नामक एक शॉर्टकट का उपयोग करते हैं। यह यह मानने जैसा है कि धुंध पूरी तरह से समान और चिकनी है। यह तेज़ है, लेकिन यह मस्तिष्क के "साफ" स्थानों (जैसे मस्तिष्क के चारों ओर तरल पदार्थ से भरे स्थान) में विफल हो जाता है जहाँ प्रकाश चिकनी धुंध की तरह व्यवहार नहीं करता है।

इस शोध पत्र ने क्या किया

लेखकों ने MCX (Monte Carlo eXtreme) नामक एक शक्तिशाली सॉफ्टवेयर के साथ काम करते हुए, तीन मुख्य कार्य किए:

1. सिमुलेशन के लिए नए उपकरण बनाए

उन्होंने नए गणितीय सूत्र लिखे ताकि सिमुलेशन फ्रीक्वेंसी-डोमेन (वह प्रकाश जो रेडियो तरंग की तरह हिलता/wiggle करता है) और टाइम-डोमेन (वह प्रकाश जो एक विशिष्ट समय क्रम में पहुँचता है) मापों के लिए जैकबियन की गणना कर सके।

उपमा: कल्पना कीजिए कि पहले आप केवल यह गिन पा रहे थे कि बाल्टी में कितनी बारिश की बूंदें गिरीं। अब, उन्होंने आपको बूंदों की गति और उनके गिरने पर होने वाली ध्वनि की पिच को भी मापने के उपकरण दे दिए हैं। यह आपको तूफान के बारे में बहुत अधिक जानकारी देता है।

2. एक "यथार्थवादी" डिटेक्टर बनाया

कई सिमुलेशन में, डिटेक्टर को एक जादुई ब्लैक होल की तरह माना जाता है जो त्वचा पर एक विशिष्ट घेरे से टकराने वाले किसी भी प्रकाश को पकड़ लेता है। वास्तव में, डिटेक्टर फाइबर-ऑप्टिक केबल होते हैं जिनमें कांच के प्रिज्म होते हैं जो केवल विशिष्ट कोणों से आने वाले प्रकाश को ही पकड़ पाते हैं।

उपमा: कल्पना कीजिए कि आप बाल्टी से बारिश पकड़ने की कोशिश कर रहे हैं।
- पुराना मॉडल: बाल्टी एक विशाल, चौड़ा कीप (funnel) है जो किसी भी कोण से गिरने वाली बारिश को पकड़ लेती है।
- नया मॉडल: बाल्टी एक संकीर्ण स्ट्रॉ (straw) है। यह केवल सीधे नीचे गिरने वाली बारिश को ही पकड़ती है।
- परिणाम: लेखकों ने अपने सिमुलेशन में एक "पोस्ट-प्रोसेसिंग" चरण जोड़ा। प्रकाश त्वचा से टकराने के बाद, वे जाँचते हैं: "क्या यह फोटॉन सही कोण पर स्ट्रॉ से टकराया?" यदि नहीं, तो वे उसे हटा देते हैं। उन्होंने पाया कि इससे संवेदनशीलता मानचित्र बदल जाता है, विशेष रूप से प्रकाश स्रोत और डिटेक्टर के बीच की कम दूरी के लिए।

3. "साफ" क्षेत्रों में शॉर्टकट दोषपूर्ण है, यह सिद्ध किया

उन्होंने नवजात शिशुओं के सिर के मॉडल का उपयोग करके अपने नए, अत्यधिक सटीक मोंटे कार्लो मानचित्रों की तुलना "शॉर्टकट" (डिफ्यूजन एप्रोक्सिमेशन) मानचित्रों से की।

निष्कर्ष: उन क्षेत्रों में जहाँ मस्तिष्क बहुत "धुंधला" (उच्च प्रकीर्णन/scattering) है, शॉर्टकट बहुत अच्छा काम करता है। लेकिन उन क्षेत्रों में जहाँ सेरेब्रोस्पाइनल फ्लूइड (CSF) है—जो धुंध की तुलना में साफ पानी की तरह है—वहाँ शॉर्टकट विफल हो जाता है। यह भविष्यवाणी करता है कि प्रकाश परिवर्तनों के प्रति बहुत अधिक संवेदनशील है, जबकि वास्तव में ऐसा नहीं है।
सीख: यदि आप मस्तिष्क का अध्ययन कर रहे हैं, तो आप तरल पदार्थ से भरे स्थानों के पास शॉर्टकट पर भरोसा नहीं कर सकते। सही उत्तर पाने के लिए आपको भारी-भरط (heavy-duty) मोंटे कार्लो सिमुलेशन की आवश्यकता है।

यह क्यों मायने रखता है (पेपर के अनुसार)

बेहतर मानचित्र: इन नए सूत्रों का उपयोग करके, वैज्ञानिक अब मस्तिष्क के अधिक सटीक 3D मानचित्र बना सकते हैं, विशेष रूप से नवजात शिशुओं के लिए जिनकी मस्तिष्क संरचना वयस्कों से भिन्न होती है।
कम दूरियाँ: बहुत पास (कम दूरी) के मापों के लिए, यथार्थवादी डिटेक्टर मॉडल ("स्ट्रॉ" बनाम "कीप") महत्वपूर्ण है। यह त्वचा की सतह के प्रति संवेदनशीलता को कम करता है और गहरे मस्तिष्क ऊतक के प्रति संवेदनशीलता को थोड़ा बढ़ाता है।
सत्यापन (Validation): यह पेपर सिद्ध करता है कि जब आप मॉडल से "साफ तरल" को हटा देते हैं, तो तेज़ शॉर्टकट, धीमे और सटीक सिमुलेशन से मेल खाता है। यह पुष्टि करता है कि उन्होंने पहले जो अंतर देखा था वह वास्तव में तरल पदार्थ के कारण था, न कि उनकी गणित में किसी गलती के कारण।

सारांश

लेखकों ने जटिल प्रकार के प्रकाश मापों को संभालने के लिए "गोल्ड स्टैंडर्ड" सिमुलेशन सॉफ्टवेयर को अपग्रेड किया और डिटेक्टर प्रकाश को कैसे "देखता" है, इसका एक यथार्थवादी मॉडल जोड़ा। उन्होंने सिद्ध किया कि जबकि घनी धुंध में तेज़ शॉर्टकट अच्छी तरह काम करते हैं, वे साफ तरल में विफल हो जाते हैं, और सटीक रीडिंग प्राप्त करने के लिए—विशेष रूप से जब प्रकाश स्रोत और डिटेक्टर पास-पास हों—यथार्थवादी डिटेक्टर मॉडल अत्यंत आवश्यक हैं।

यहाँ "Monte Carlo Simulations के साथ Optical Tomography में Frequency- और Time-Domain Jacobians की गणना" नामक शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

ऑप्टिकल टोमोग्राफी (OT) एक गैर-आक्रामक इमेजिंग तकनीक है जिसका उपयोग जैविक ऊतकों में ऑप्टिकल गुणों (अवशोषण $\mu_a$ और प्रकीर्णन $\mu_s$ ) के स्थानिक वितरण को पुनर्गठित करने के लिए किया जाता है। सटीक इमेज रिकंस्ट्रक्शन के लिए एक 'इनवर्स प्रॉब्लम' को हल करना आवश्यक है, जिसके लिए एक फॉरवर्ड मॉडल और एक जैकोबियन मैट्रिक्स (संवेदनशीलता प्रोफ़ाइल) की आवश्यकता होती है जो यह बताता है कि ऊतक के मापदंडों के बदलने से माप कैसे बदलते हैं।

यद्यपि जटिल ज्यामिति और विषम माध्यमों में प्रकाश परिवहन (रेडिएटिव ट्रांसफर इक्वेशन - RTE को हल करना) के सटीक मॉडलिंग के लिए मोंटे कार्लो (MC) सिमुलेशन "गोल्ड स्टैंडर्ड" हैं, लेकिन फ्रीक्वेंसी-डोमेन (FD) और टाइम-डोमेन (TD) मोडलिटीज के लिए जैकोबियन कंप्यूट करने की कार्यप्रणाली अधूरी रही है। विशेष रूप से:

मौजूदा MC विधियों में अक्सर FD प्रकीर्णन (scattering) जैकोबियन और TD जैकोबियन (तीव्रता और औसत टाइम-ऑफ-फ्लोट) के लिए प्रत्यक्ष फॉर्मूलेशन का अभाव होता है।
डिफ्यूजन एप्रोक्सिमेशन (DA), जो गति के लिए सामान्यतः उपयोग किया जाता है, कम-प्रकीर्णन वाले क्षेत्रों (जैसे नवजात शिशुओं के सिर में सेरेब्रोस्पाइनल फ्लूइड) और स्रोत/डिटेक्टर के पास विफल हो जाता है।
मानक MC डिटेक्टर मॉडल अक्सर आइसोट्रोपिक रिसेप्शन (समदैशिक ग्रहण) मानते हैं, जिससे वास्तविक दुनिया के प्रोब्स (जैसे प्रिज्म-समाप्त ऑप्टिकल फाइबर और न्यूमेरिकल अपर्चर सीमाएं) की भौतिक बाधाओं की अनदेखी होती है, जो कम सोर्स-डिटेक्टर सेपरेशन (SDS) में अशुद्धियों का कारण बनता है।

2. कार्यप्रणाली (Methodology)

लेखकों ने एक व्यापक सैद्धांतिक ढांचा विकसित किया और इसे उच्च-प्रदर्शन, GPU-त्वरित Monte Carlo eXtreme (MCX) सिम्युलेटर में लागू किया।

A. सैद्धांतिक व्युत्पत्ति (Perturbation MC)

माइक्रोस्कोपिक बीयर-लैम्बर्ट लॉ (mBLL) और परटर्बेशन मोंटे कार्लो (pMC) "रीप्ले" मोड का उपयोग करते हुए, लेखकों ने जैकोबियन के लिए विश्लेषणात्मक सूत्र व्युत्पन्न किए:

फ्रीक्वेंसी-डोमेन (FD): $\mu_a$ और $\mu_s$ दोनों के सापेक्ष जटिल तीव्रता ( $I_{FD}$ ), लॉग-एम्प्लीट्यूड और फेज शिफ्ट के लिए सूत्र व्युत्पन्न किए गए। इसमें फोटॉन पथों को $e^{i\omega t}$ द्वारा भारित (weighting) किया जाता है।
टाइम-डोमेन (TD): टाइम-इंटीग्रेटेड तीव्रता और मीन टाइम-ऑफ-फ्लोट (TOF) के लिए सूत्र व्युत्पन्न किए गए। यह टाइम पॉइंट स्प्रेड फंक्शन (TPSF) के प्रथम टेम्पोरल मोमेंट का उपयोग करता है।
सामान्यीकरण (Generalization): वक्र सीमाओं और प्रिज्म टर्मिनल्स को सटीक रूप से मॉडल करने के लिए सूत्रों को स्प्लिट-वॉक्सेल (split-voxel) मॉडल (हाइब्रिड मेश-वॉक्सेल) के लिए सामान्यीकृत किया गया।

B. MCX में कार्यान्वयन

नए जैकोबियन प्रकारों को MCXLAB (v2025.10) वातावरण में लागू किया गया। गणना दो-चरणीय "रीप्ले" दृष्टिकोण का पालन करती है:

फॉरवर्ड सिमुलेशन: एक बेसलाइन सिमुलेशन उन फोटॉन पथों को रिकॉर्ड करता है जो डिटेक्टर तक पहुँचते हैं।
रीप्ले सिमुलेशन: उन्हीं पथों को फिर से चलाया जाता है ताकि रैंडम नंबरों को पुनः सैंपल किए बिना संवेदनशीलता मेट्रिक्स (पथ लंबाई, टकराव गणना, TOF) को संचित किया जा सके।

नए आउटपुट मेट्रिक्स: लेखकों ने इन गणनाओं का समर्थन करने के लिए तीन नए रीप्ले आउटपुट प्रकार पेश किए:
- rfmus: भारित प्रकीर्णन गणनाएँ (Weighted scattering counts)।
- wltof: TOF-भारित पथ लंबाई।
- wptof: TOF-भारित प्रकीर्णन गणनाएँ।

C. यथार्थवादी डिटेक्टर मॉडलिंग

प्रिज्म-समाप्त ऑप्टिकल फाइबर डिटेक्टरों (जो Aalto University के FD उपकरणों में सामान्य हैं) को मॉडल करने के लिए एक पोस्ट-प्रोसेसिंग फंक्शन विकसित किया गया।

मानदंड: फोटॉन पैकेट केवल तभी स्वीकार किए जाते हैं जब वे एक विशिष्ट क्षेत्र के भीतर ऊतक से बाहर निकलते हैं, एक कांच के प्रिज्म के माध्यम से अपवर्तित (refract) होते हैं, और न्यूमेरिकल अपर्चर (NA) सीमाओं के भीतर फाइबर बंडल में प्रवेश करते हैं।
स्प्लिट-वॉक्सेल बाउंड्री (SVMC): सिर की सतह की वक्रता के तहत प्रिज्म के नीचे की स्थिति को संभालने के लिए, लेखकों ने SVMC दृष्टिकोण का उपयोग किया, जहाँ सीमा वॉक्सेल्स को झुके हुए प्लेन के साथ उप-आयतन (sub-volumes) में विभाजित किया जाता है, जिससे फोटॉन निकास कोणों का अधिक सटीक मॉडलिंग संभव होता है।

D. सत्यापन (Validation)

आंतरिक निरंतरता: FD और TD संबंधों के विश्लेषणात्मक रैखिकीकरण (जैसे, फेज $\approx$ मीन TOF $\times$ फ्रीक्वेंसी) के विरुद्ध सत्यापित किया गया।
बाहरी सत्यापन: नवजात सिर मॉडल में डिफ्यूजन एप्रोक्सिमेशन (DA) का उपयोग करने वाले FEM सॉल्वर के विरुद्ध MC-व्युत्पन्न जैकोबियन की तुलना की गई।
टेस्ट केस: 798 nm पर पूर्ण-अवधि और प्री-टर्म नवजात सिर मॉडल (स्कैल्प/स्कल, CSF, ग्रे मैटर, व्हाइट मैटर में विभाजित) पर सिमुलेशन किए गए।

3. मुख्य योगदान (Key Contributions)

पूर्ण जैकोबियन फ्रेमवर्क: FD प्रकीर्णन जैकोबियन और TD मीन TOF जैकोबियन (अवशोषण और प्रकीर्णन दोनों) के लिए पहला पूर्ण सैद्धांतिक व्युत्पत्ति और MC कार्यान्वयन प्रदान किया।
यथार्थवादी डिटेक्टर मॉडलिंग: NA सीमाओं के साथ प्रिज्म-समाप्त फाइबर डिटेक्टरों को सिम्युलेट करने के लिए एक कठोर पोस्ट-प्रोसेसिंग विधि पेश की, जो सरल आइसोट्रोपिक रिसेप्शन मॉडल से आगे बढ़ती है।
स्प्लिट-वॉक्सेल जैकोबियन: वक्र सतहों पर सटीक संवेदनशीलता प्रोफाइलिंग के लिए pMC "रीप्ले" मोड को स्प्लिट-वॉक्सेल मोंटे कार्लो (SVMC) के साथ विस्तारित किया।
ओपन-सोर्स सॉफ्टवेयर: इन क्षमताओं को ओपन-सोर्स MCX सिम्युलेटर में एकीकृत किया, जिससे वे बायोफोटोनिक्स समुदाय के लिए उपलब्ध हो गए।

4. परिणाम (Results)

MC बनाम DA समझौता:
- उच्च-प्रकीर्णन वाले क्षेत्रों में (जैसे ग्रे/व्हाइट मैटर), MC और DA जैकोबियन उत्कृष्ट सहमति दिखाते हैं।
- कम-प्रकीर्णन वाले क्षेत्रों में (विशेष रूप से CSF परत में), DA ने MC की तुलना में संवेदनशीलता को काफी अधिक (overestimate) दिखाया। यह पुष्टि करता है कि नवजात शिशुओं के लिए DA, जो CSF-समृद्ध क्षेत्रों में मौजूद है, अमान्य है, और सटीक पुनर्निर्माण के लिए MC की आवश्यकता है।
FD बनाम TD निरंतरता: FD फेज-शिफ्ट जैकोबियन और TD मीन TOF जैकोबियन उच्च निरंतरता दिखाते हैं, जो विशिष्ट मॉड्यूलेशन फ्रीक्वेंसी (100 MHz) पर दोनों मोडलिटीज के बीच सैद्धांतिक संबंध को प्रमाणित करते हैं।
डिटेक्टर मॉडलिंग का प्रभाव:
- यथार्थवादी प्रिज्म/NA मॉडल ने उन फोटॉन पैकेटों को ~98% अस्वीकार कर दिया जिन्हें एक साधारण आइसोट्रोपिक मॉडल द्वारा स्वीकार किया जाता।
- संवेदनशीलता बदलाव: यथार्थवादी मॉडल ने सबसे सतही ऊतकों (स्कैल्प) के प्रति संवेदनशीलता को कम किया और कम सोर्स-डिटेक्टर सेपरेशन (< 2 सेमी) पर गहरे मस्तिष्क ऊतकों के प्रति संवेदनशीलता को थोड़ा बढ़ा दिया। यह मस्तिष्क के संकेतों से बाह्य-सेरेब्रल शोर को अलग करने के लिए महत्वपूर्ण है।
अभिसरण (Convergence): अवशोषण जैकोबियन की तुलना में दृश्य सुगमता (visual smoothness) प्राप्त करने के लिए प्रकीर्णन जैकोबियन को काफी अधिक फोटॉन पैकेट ( $10^{12}$ – $10^{13}$ ) की आवश्यकता होती है, क्योंकि यह डेरिवेटिव फॉर्मूला में समान-परिमाण के पदों के घटाव के कारण होता है।

5. महत्व (Significance)

बेहतर पुनर्निर्माण सटीकता: FD/TD डेटा और यथार्थवादी डिटेक्टर मॉडल के लिए सटीक जैकोबियन प्रदान करके, यह कार्य अधिक सटीक इमेज रिकंस्ट्रक्शन को सक्षम बनाता है, विशेष रूप से नवजात मस्तिष्क इमेजिंग के लिए जहाँ CSF परतें प्रमुख होती हैं और DA विफल हो जाता है।
शॉर्ट-चैनल अनुकूलन: यह अध्ययन यथार्थवादी डिटेक्टर मॉडलिंग के महत्व को रेखांकित करता है, जो कार्यात्मक मस्तिष्क इमेजिंग में सतही शारीरिक शोर को हटाने के लिए महत्वपूर्ण है।
बहुमुखी प्रतिभा: यह ढांचा जटिल ज्यामिति और विषम ऊतकों का समर्थन करता है, जो इसे स्तन इमेजिंग, मांसपेशी इमेजिंग या गैर-जैविक टर्बिड मीडिया जैसे विभिन्न बायोमेडिकल संदर्भों के लिए उपयुक्त बनाता है।
भविष्य की दिशाएं: लेखक प्रारंभिक अनुमानों के लिए DA और परिशोधन (refinement) के लिए MC का उपयोग करने का सुझाव देते हैं, विशेष रूप से शॉर्ट चैनल और गैर-डिफ्यूसिव क्षेत्रों के लिए। प्रकीर्णन जैकोबियन की उपलब्धता अवशोषण परिवर्तनों के साथ-साथ प्रकीर्णन परिवर्तनों (जैसे न्यूरोनल एक्टिवेशन या सेल स्वेलिंग से संबंधित) के पुनर्निर्माण के लिए नए रास्ते खोलती है।

संक्षेप में, यह पेपर एक मजबूत, उच्च-प्रदर्शन वाला कम्प्यूटेशनल टूल प्रदान करके ऑप्टिकल टोमोग्राफी में एक महत्वपूर्ण अंतर को भरता है, जो आधुनिक इमेजिंग प्रोब्स की भौतिक वास्तविकता को ध्यान में रखते हुए सभी प्रमुख माप मोडलिटीज (CW, FD, TD) के लिए सटीक संवेदनशीलता प्रोफाइल उत्पन्न करता है।