Accurate 2D Reconstruction for PET Scanners based on the Analytical White Image Model

Titolo

Ricostruzione 2D accurata per scanner PET basata sul Modello Analitico dell'Immagine Bianca (White Image).

1. Il Problema

La tomografia a emissione di positroni (PET) richiede modelli fisici precisi per una corretta ricostruzione delle immagini. I metodi analitici classici (come la retro-proiezione filtrata) spesso ignorano i dettagli del modello fisico dello scanner, portando a distorsioni. I metodi iterativi avanzati (come MLEM e OSEM) utilizzano una matrice di sistema per mappare lo spazio dell'immagine allo spazio delle proiezioni. Tuttavia, ottenere una matrice di sistema accurata presenta sfide significative:

• Misurazioni con sorgente puntiforme: Sono estremamente accurate ma impraticabili per i tempi di acquisizione necessari (anni).
• Simulazioni Monte Carlo (MC): Forniscono modelli accurati ma sono computazionalmente costose, lente e richiedono un'immensa memoria per memorizzare la matrice (specialmente in 3D, dove può contenere $>10^{12}$ elementi).
• Approcci analitici: Sono veloci ma spesso modellano solo la componente geometrica, trascurando effetti fisici cruciali come la dispersione (scatter) o la risposta reale dei cristalli.

L'obiettivo è sviluppare un modello di compensazione rapido, preciso e facile da implementare che superi queste limitazioni senza richiedere la memorizzazione di una matrice di sistema completa.

2. Metodologia

Gli autori propongono un approccio basato sulla generazione di un'"Immagine Bianca" (White Image), che descrive la probabilità di rilevare una sorgente puntiforme distribuita uniformemente su tutta l'area di misura, considerando la rotazione completa dei cristalli attorno all'oggetto.

A. Modello di Risposta Cristallo-a-Cristallo

• Viene derivato un modello matematico esatto della risposta tra due cristalli scintillatori, definito come una funzione di densità di probabilità (PDF) bidimensionale.
• La PDF ha un supporto rettangolare e viene calcolata analiticamente in coordinate cartesiane.
• Per calcolare l'immagine bianca, è necessario integrare questa risposta mentre la coppia di cristalli ruota di $2\pi$ radianti attorno all'origine.
• La soluzione esatta per la rotazione completa è un'espressione chiusa complessa (Equazione 10 nel paper), che risulta poco pratica per l'implementazione diretta.

B. Approssimazioni Accurate

Per rendere il modello utilizzabile, gli autori sviluppano approssimazioni che mantengono un errore trascurabile rispetto alla soluzione esatta:

1. Linea Dirac: Un'approssimazione di base che modella la risposta come una linea Dirac.
2. Finestra Triangolare (Scelta Ottimale): Viene proposta un'approssimazione utilizzando una funzione di peso triangolare. Questa approssimazione, quando integrata con la rotazione, produce un'espressione chiusa semplice e molto accurata.
3. Finestra Rettangolare: Un'approssimazione alternativa più semplice, ma con errore leggermente superiore.

L'analisi mostra che l'approssimazione triangolare ha un errore quadratico medio (RMSE) estremamente basso, specialmente quando il rapporto tra la lunghezza del cristallo ($L_0$) e il raggio dello scanner ($R_0$) è piccolo.

C. Integrazione nell'Algoritmo MLEM

Il modello dell'immagine bianca viene integrato nell'algoritmo di ricostruzione Maximum Likelihood Expectation Maximization (MLEM):

• Modifica dell'Algoritmo: Invece di utilizzare la matrice di sistema $A$ (che richiede molta memoria), l'algoritmo utilizza operatori di proiezione e retro-proiezione guidati dai raggi (Ray-driven).
• Compensazione: L'immagine bianca ($I_{WI}$) sostituisce il termine di normalizzazione della matrice di sistema ($A^T \cdot 1$) nell'equazione iterativa MLEM.
• Formula Iterativa: La nuova equazione di aggiornamento è:
  $$I^{(n+1)} = I^{(n)} \odot R^* \left( S \oslash R(I^{(n)}) \right) \oslash I_{WI}$$
  Dove $R$ è la trasformata di Radon (proiezione), $R^*$ è la retro-proiezione, $S$ sono i dati del sinogramma e $\oslash$ indica la divisione elemento per elemento.
• Vantaggio: Questo approccio elimina la necessità di memorizzare la matrice di sistema, riducendo i requisiti di memoria a dimensioni paragonabili a quelle dell'immagine ricostruita stessa.

3. Risultati

Gli autori hanno validato il metodo su dati sintetici e reali utilizzando uno scanner Raytest ClearPET per piccoli animali e un fantoccio NEMA NU 4-2008.

• Confronto dei Modelli: L'immagine bianca generata analiticamente è risultata indistinguibile da quella ottenuta tramite simulazione Monte Carlo e da misurazioni reali con un fantoccio di calibrazione.
• Qualità dell'Immagine:
  • Le ricostruzioni senza compensazione (MLEM standard o FBP) mostrano artefatti significativi, in particolare un artefatto centrale (dovuto all'alta probabilità di rilevamento al centro della rotazione) e artefatti ad anello (dovuti agli effetti di quantizzazione).
  • Il metodo proposto, utilizzando l'immagine bianca per la compensazione, elimina efficacemente questi artefatti, producendo immagini nitide e accurate.
• Prestazioni Computazionali:
  • L'algoritmo è estremamente veloce: la ricostruzione di un'immagine $256 \times 256$ con circa 50.000 coincidenze richiede circa 1,3 secondi su un processore Intel i9-11900K.
  • Una ricostruzione completa ad alta qualità (considerando tutte le intersezioni assiali) richiede poco più di un minuto.

4. Contributi Chiave

1. Modello Matematico Esatto: Derivazione di una soluzione in forma chiusa per la risposta cristallo-a-cristallo e la sua rotazione completa, un modello dettagliato non ancora riportato in letteratura.
2. Approssimazione Triangolare: Sviluppo di un'approssimazione semplice ma altamente accurata che permette il calcolo dell'immagine bianca in tempo reale ("on-the-fly").
3. Algoritmo di Ricostruzione Efficiente: Integrazione del modello di compensazione nell'MLEM senza l'uso di matrici di sistema ingombranti, rendendo il metodo scalabile e a basso consumo di memoria.
4. Validazione Sperimentale: Dimostrazione pratica su uno scanner reale per piccoli animali, superando i metodi competitivi non compensati.

5. Significato e Conclusioni

Questo lavoro rappresenta un passo avanti significativo nella ricostruzione PET 2D. Fornisce un modello di compensazione fisico preciso che colma il divario tra la lentezza delle simulazioni Monte Carlo e l'imprecisione dei modelli geometrici semplici.

La capacità di generare un modello di compensazione "on-the-fly" e di integrarlo in algoritmi iterativi senza matrici di sistema apre la strada a:

• Ricostruzioni più veloci e accessibili.
• Estensioni future a schemi di ricostruzione 3D completi, dove il modello di compensazione potrebbe essere generalizzato in un sottospazio 4D.
• Miglioramento della qualità dell'immagine con dosi di traccianti radioattivi più basse, grazie alla riduzione degli artefatti e del rumore strutturale.

Il metodo proposto dimostra che una modellazione fisica accurata, se espressa in forma analitica efficiente, può superare i limiti delle tecniche attuali senza ricorrere a costose risorse computazionali o di memoria.