A Novel Differential Pathlength Factor Model for Near-Infrared Diffuse Optical Imaging

Sintesi Tecnica: Un Nuovo Modello del Fattore di Lunghezza del Percorso Differenziale per l'Imaging Ottico Diffuso nel Vicino Infrarosso

Definizione del Problema
L'imaging ottico diffuso a onda continua (CW-NIR) nel vicino infrarosso è una modalità ampiamente utilizzata, dal costo contenuto, per il monitoraggio dell'ossigenazione tissutale ed emodinamica. Tuttavia, la sua accuratezza quantitativa dipende fortemente dalla Legge di Beer–Lambert Modificata (MBLL), che richiede un Fattore di Lunghezza del Percorso Differenziale (DPF) accurato per convertire l'attenuazione ottica misurata nelle concentrazioni di cromofori. Le definizioni esistenti del DPF soffrono di limitazioni dipendenti dalla formulazione che introducono errori significativi, particolarmente in modalità di riflessione a piccole separazioni sorgente-rilevatore.

Gli approcci attuali includono:

1. DPF della lunghezza media del percorso: Definito come il rapporto tra la lunghezza media del percorso dei fotoni e la separazione sorgente-rilevatore. Esso trascura la statistica dei fotoni pesata per l'assorbimento, portando a una sovrastima nei tessuti altamente assorbenti.
2. DPF basato sulla pendenza: Definito come la pendenza delle variazioni di densità ottica rispetto al coefficiente di assorbimento. Sebbene sia teoricamente fondato, si concentra ancora sulle traiettorie medie piuttosto che sull'obiettivo specifico della stima della concentrazione.
3. DPF costante/semi-infinito: Spesso approssimato come un valore costante per separazioni superiori a 2,5 cm in base alla teoria della diffusione asintotica. Questa ipotesi ignora la dipendenza della DPF dalla distanza e la variabilità delle proprietà ottiche del tessuto, risultando frequentemente in errori di stima superiori al 100% in scenari pratici.

Queste imprecisioni limitano l'applicabilità dell'imaging CW-NIR in situazioni che richiedono un rilevamento ad ampia area o dove la profondità del segnale varia, poiché gli errori sono più pronunciati alle separazioni più brevi, dove la forza del segnale è massima.

Metodologia
Gli autori hanno impiegato un approccio duplice combinando simulazioni computazionali ed esperimenti fisici per valutare i modelli esistenti e proporne di nuovi.

• Framework Computazionale: Sono state eseguite simulazioni di trasporto fotonico Monte Carlo utilizzando MCmatlab su una geometria a lastra di tessuto omogeneo (29 × 29 × 5 cm³). Lo studio ha coperto un ampio intervallo di proprietà ottiche: coefficienti di assorbimento ($\mu_a$) da 0 a 0,5 cm⁻¹ e coefficienti di scattering ($\mu_s$) da 0 a 500 cm⁻¹. Per ogni condizione, la densità ottica "reale" è stata calcolata e sei diverse formulazioni di DPF sono state applicate per stimare il coefficiente di assorbimento. L'errore relativo tra il coefficiente di assorbimento stimato e quello reale è stato utilizzato come metrica primaria di prestazione.
• Validazione Sperimentale: Esperimenti su phantom controllati sono stati condotti utilizzando un setup CW-NIR con un LED a 7:{0} nm e un fotodiodo al silicio. Due phantom che simulano il tessuto omogeneo sono stati fabbricati utilizzando una matrice di idrogel super-assorbente drogata con Biossido di Titanio (TiO₂) a concentrazioni di 0,25 mg/mL e 1,00 mg/mL per creare regimi di scattering distinti. Le misurazioni sono state effettuate in una geometria di riflessione diffusa con separazioni sorgente-rilevatore comprese tra 1 cm e 8,5 cm.

Contributi Chiave: Nuovi Modelli DPF
Il documento introduce due nuovi modelli DPF derivati dai dati di simulazione:

1. True DPF ($DPF_{true}$): Definito direttamente dalla MBLL riorganizzando l'equazione per risolvere la DPF utilizzando il coefficiente di assorbimento reale noto e la densità ottica simulata. Questo modello funge da standard teorico di riferimento, catturando la piena natura statistica del trasporto fotonico, inclusa la ponderazione esponenziale per l'assorbimento.
2. Inverse-Distance DPF ($DPF_{inv}$): Un modello analitico pratico proposto per approssimare il True DPF. Basandosi sull'osservazione che la densità ottica può essere modellata accuratamente come una combinazione lineare della separazione sorgente-rilevatore ($d$) e di $\log_{10}(d)$ con un intercetta non nulla, gli autori hanno derivato la seguente formulazione:
   $$DPF_{inv}(d) = A + \frac{B}{d} + \frac{C\log_{10}(d)}{d}$$
   dove $A$, $B$ e $C$ sono coefficienti di regressione dipendenti dalle proprietà di assorbimento e scattering del tessuto. Gli autori hanno inoltre fornito relazioni empiriche per questi coefficienti come funzioni di $\mu_a$ e $\mu_s$, consentendo un'implementazione completamente empirica senza richiedere nuove simulazioni per ogni misurazione.

Risultati

• Prestazioni della Simulazione: Il True DPF ha prodotto un errore trascurabile in tutte le condizioni testate. Il proposto Inverse-Distance DPF ha raggiunto errori relativi inferiori al 10% nella maggior parte dello spazio delle proprietà ottiche e dell'intervallo di separazione. Al contrario, i modelli convenzionali (Costante, Lunghezza media del percorso, Basato sulla pendenza e Semi-infinito) hanno prodotto costantemente errori superiori al 100%, particolarmente a separazioni sorgente-rilevatore inferiori a 8 cm.
• Validazione Sperimentale: Gli esperimenti su phantom hanno confermato le tendenze della simulazione. Le misurazioni della densità ottica corrispondevano alle previsioni Monte Carlo, validando il setup. Quando si stimavano i coefficienti di assorbimento dai dati sperimentali, i modelli True e Inverse-Distance hanno mantenuto errori relativi inferiori al 20% attraverso le separazioni misurate. Viceversa, i modelli convenzionali hanno mostrato errori che spesso superavano il 100%, specialmente alle separazioni più brevi.
• Comportamento dei Parametri: I coefficienti ($A, B, C$) del modello Inverse-Distance sono risultati variare in modo fluido e prevedibile con le proprietà ottiche, permettendo una calibrazione empirica robusta.

Significato e Rivendicazioni
Il documento afferma che il modello Inverse-Distance DPF offre un equilibrio ottimale tra rigore fisico ed efficienza computazionale. Allontanandosi dall'ipotesi di una DPF costante o di semplici rapporti di lunghezza media del percorso, il nuovo modello migliora significativamente l'accuratezza quantitativa dell'imaging CW-NIR, in particolare nei regimi a breve separazione dove i modelli convenzionali falliscono.

Gli autori sottolineano che, mentre il True DPF rappresenta il limite teorico di accuratezza, l'Inverse-Distance DPF è un'alternativa pratica adatta ad applicazioni cliniche e di ricerca di routine. Lo studio dimostra che una modellazione accurata della DPF è critica per una stima affidabile della concentrazione di cromofori, specialmente in modalità di riflessione. I risultati suggeriscono che l'adozione di questi modelli raffinati può colmare il divario tra la semplicità dei sistemi CW-NIR e il rigore quantitativo richiesto per applicazioni funzionali e cliniche robuste. Il documento conclude con modestia, osservando che il lavoro futuro dovrà affrontare strutture tissutali eterogenee ed estendere queste strategie di modellazione alle modalità nel dominio del tempo e della frequenza.