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

Questo articolo presenta un quadro teorico completo e un'implementazione Monte Carlo open-source per il calcolo delle jacobiane nei domini della frequenza e del tempo nella tomografia ottica, dimostrando la loro necessità per una modellazione accurata nei regimi a bassa diffusione e i vantaggi di una modellazione realistica dei rivelatori per brevi separazioni sorgente-rivelatore.

L'essenziale

Il quadro generale: Mappare il cervello con la luce

Immagina di cercare di vedere all'interno di una foresta densa e nebbiosa (il tuo cervello) usando solo una torcia. Non riesci a vedere chiaramente gli alberi perché la nebbia disperde la luce in ogni direzione. È esattamente ciò che accade quando gli scienziati cercano di visualizzare il cervello umano utilizzando luce nel vicino infrarosso. Il cervello è pieno di "nebbia" (tessuto) che rimbalza la luce in tutte le direzioni.

Per capire cosa sta accadendo all'interno – ad esempio se una parte del cervello è attiva o se c'è un tumore – gli scienziati utilizzano una tecnica chiamata Tomografia Ottica. Essi inviano luce in un punto e misurano quanta luce esce da un altro punto. Ripetendo questo processo molte volte, cercano di costruire una mappa 3D degli interni del cervello.

Il problema: Lo "standard aureo" è lento e incompleto

Per rendere questa mappa accurata, gli scienziati hanno bisogno di una guida matematica chiamata Jacobiano. Pensa a un Jacobiano come a una "mappa di sensibilità". Risponde alla domanda: "Se cambio la densità della nebbia in questo minuscolo punto, quanto cambierà la luce che esce al rilevatore?"

Per molto tempo, il modo più accurato per calcolare queste mappe è stato l'uso di simulazioni Monte Carlo (MC). È come eseguire un massiccio videogioco in cui si simulano miliardi di singoli fotoni (particelle di luce) che rimbalzano intorno al cervello per vedere dove finiscono. È lo "standard aureo" perché è incredibilmente preciso.

Tuttavia, c'erano due grandi lacune in questo metodo:

1. Strumenti mancanti: Sebbene gli scienziati potessero simulare misurazioni luminose semplici, non potevano facilmente simulare misurazioni più avanzate (come luce che oscilla a una specifica frequenza radio o luce che arriva in momenti diversi) utilizzando questo metodo standard aureo.
2. La scorciatoia "nebbiosa": Poiché simulare miliardi di fotoni richiede a un supercomputer molto tempo, molti scienziati usano una scorciatoia chiamata Approssimazione di Diffusione (DA). È come assumere che la nebbia sia perfettamente uniforme e liscia. È veloce, ma crolla in punti "chiari" del cervello (come gli spazi pieni di liquido intorno al cervello) dove la luce non si comporta come una nebbia liscia.

Cosa ha fatto questo documento

Gli autori, lavorando con un potente software chiamato MCX (Monte Carlo eXtreme), hanno fatto tre cose principali:

1. Hanno costruito nuovi strumenti per la simulazione

Hanno scritto nuove formule matematiche per permettere alla simulazione di calcolare Jacobiani per misurazioni nel Dominio della Frequenza (luce che oscilla come un'onda radio) e nel Dominio del Tempo (luce che arriva in una sequenza temporale specifica).

• L'analogia: Immagina di essere stato in grado solo di contare quanti gocce di pioggia colpiscono un secchio. Ora, ti hanno fornito strumenti per misurare anche la velocità delle gocce di pioggia e il tono del suono che fanno quando colpiscono. Questo ti dà molte più informazioni sulla tempesta.

2. Hanno creato un rilevatore "realistico"

In molte simulazioni, il rilevatore è trattato come un buco nero magico che cattura qualsiasi luce colpisca un cerchio specifico sulla pelle. Nella realtà, i rilevatori sono cavi in fibra ottica con prismi di vetro che catturano solo la luce che proviene da angoli specifici.

• L'analogia: Immagina di cercare di catturare la pioggia con un secchio.
  • Vecchio modello: Il secchio è un imbuto gigante e largo che cattura la pioggia da qualsiasi angolo.
  • Nuovo modello: Il secchio è una cannuccia stretta. Cattura solo la pioggia che cade dritta.
  • Il risultato: Gli autori hanno aggiunto un passaggio di "post-elaborazione" alla loro simulazione. Dopo che la luce colpisce la pelle, controllano: "Questo fotone ha colpito la cannuccia all'angolo giusto?" Se no, lo scartano. Hanno scoperto che questo cambia la mappa di sensibilità, specialmente per le brevi distanze tra la sorgente luminosa e il rilevatore.

3. Hanno dimostrato che la scorciatoia è difettosa nelle aree "chiare"

Hanno confrontato le loro nuove mappe Monte Carlo super-accurate con le mappe della "scorciatoia" (Approssimazione di Diffusione) utilizzando modelli di teste di neonati.

• La scoperta: In aree dove il cervello è molto "nebbioso" (alta diffusione), la scorciatoia funziona benissimo. Ma in aree con Liquido Cefalorachidiano (CSF) – che è come acqua limpida rispetto alla nebbia – la scorciatoia fallisce. Prevede che la luce sia molto più sensibile ai cambiamenti di quanto non sia in realtà.
• La conclusione: Se stai studiando il cervello, non puoi fidarti della scorciatoia vicino agli spazi pieni di liquido. Hai bisogno della simulazione Monte Carlo pesante per ottenere la risposta giusta.

Perché questo è importante (secondo il documento)

• Mappe migliori: Usando queste nuove formule, gli scienziati possono ora costruire mappe 3D più accurate del cervello, specialmente per i neonati che hanno strutture cerebrali diverse dagli adulti.
• Brevi distanze: Per le misurazioni prese molto vicine tra loro (brevi distanze), il modello di rilevatore realistico (la "cannuccia" rispetto all'"imbuto") conta. Riduce la sensibilità alla superficie stessa della pelle e aumenta leggermente la sensibilità al tessuto cerebrale più profondo.
• Validazione: Il documento dimostra che quando si rimuove il "liquido chiaro" dal modello, la rapida scorciatoia corrisponde alla simulazione lenta e accurata. Questo conferma che la differenza osservata in precedenza era effettivamente causata dal liquido, non da un errore nei loro calcoli.

Riassunto

Gli autori hanno aggiornato il software di simulazione "standard aureo" per gestire tipi più complessi di misurazioni della luce e hanno aggiunto un modello realistico per come il rilevatore "vede" la luce. Hanno dimostrato che mentre le rapide scorciatoie funzionano bene nella nebbia fitta, falliscono nel liquido chiaro, e che i modelli di rilevatori realistici sono cruciali per ottenere letture accurate, specialmente quando la sorgente luminosa e il rilevatore sono vicini tra loro.

Sommario tecnico

1. Enunciato del Problema

La Tomografia Ottica (OT) è una tecnica di imaging non invasiva utilizzata per ricostruire la distribuzione spaziale delle proprietà ottiche (assorbimento $\mu_a$ e scattering $\mu_s$) nei tessuti biologici. Una ricostruzione accurata delle immagini si basa sulla risoluzione di un problema inverso mal posto, che richiede un modello diretto e una matrice Jacobiana (profilo di sensibilità) che descriva come le misurazioni variano in funzione dei parametri tissutali.

Sebbene le simulazioni Monte Carlo (MC) siano lo "standard aureo" per la modellazione del trasporto della luce (risolvendo l'Equazione del Trasporto Radiativo, RTE) grazie alla loro accuratezza in geometrie complesse e mezzi eterogenei, la metodologia per il calcolo degli Jacobiani nelle modalità Dominio della Frequenza (FD) e Dominio del Tempo (TD) è risultata incompleta. Nello specifico:

• I metodi MC esistenti spesso mancano di formulazioni dirette per gli Jacobiani di scattering FD e per gli Jacobiani TD (intensità e tempo medio di volo).
• L'Approssimazione di Diffusione (DA), comunemente utilizzata per la velocità, fallisce nelle regioni a basso scattering (ad esempio, il liquido cerebrospinale nelle teste neonatali) e vicino alle sorgenti/rivelatori.
• I modelli standard dei rivelatori MC spesso assumono una ricezione isotropa, ignorando i vincoli fisici delle sonde reali (ad esempio, fibre ottiche terminate da prismi e limitazioni dell'Apertura Numerica), portando a imprecisioni in brevi separazioni sorgente-rivelatore (SDS).

2. Metodologia

Gli autori hanno sviluppato un quadro teorico completo e lo hanno implementato nel simulatore Monte Carlo eXtreme (MCX), ad alte prestazioni e accelerato da GPU.

A. Derivazioni Teoriche (MC di Perturbazione)

Utilizzando la Legge Microscopica di Beer–Lambert (mBLL) e la modalità "replay" del Perturbation Monte Carlo (pMC), gli autori hanno derivato formule analitiche per gli Jacobiani:

• Dominio della Frequenza (FD): Formule derivate per l'intensità complessa ($I_{FD}$), l'ampiezza logaritmica e lo sfasamento rispetto sia a $\mu_a$ che a $\mu_s$. Ciò comporta la ponderazione dei percorsi dei fotoni tramite $e^{i\omega t}$.
• Dominio del Tempo (TD): Formule derivate per l'intensità integrata nel tempo e il Tempo Medio di Volo (TOF) rispetto a $\mu_a$ e $\mu_s$. Ciò utilizza il primo momento temporale della Funzione di Risposta Temporale al Punto (TPSF).
• Generalizzazione: Le formule sono state generalizzate per gestire modelli a voxel divisi (mesh-voxel ibridi) per modellare accuratamente i confini curvi e i terminali a prisma.

B. Implementazione in MCX

I nuovi tipi di Jacobiani sono stati implementati nell'ambiente MCXLAB (v2025.10). Il calcolo segue un approccio "replay" in due fasi:

1. Simulazione Diretta: Una simulazione di base registra le traiettorie dei fotoni che raggiungono il rivelatore.
2. Simulazione Replay: Le stesse traiettorie vengono riprodotte per accumulare metriche di sensibilità (lunghezze di percorso, conteggi di collisioni, TOF) senza ricampionare i numeri casuali.

• Nuove Metriche di Output: Gli autori hanno introdotto tre nuovi tipi di output replay per supportare questi calcoli:
  • rfmus: Conteggi di scattering ponderati.
  • wltof: Lunghezze di percorso ponderate per il TOF.
  • wptof: Conteggi di scattering ponderati per il TOF.

C. Modellazione Realistica dei Rivelatori

È stata sviluppata una funzione di post-elaborazione per modellare i rivelatori a fibra ottica terminata da prisma (comuni negli strumenti FD dell'Università di Aalto).

• Criteri: I pacchetti di fotoni sono accettati solo se escono dal tessuto all'interno di un'area specifica, rifrangono attraverso un prisma di vetro ed entrano nel fascio di fibre entro i limiti dell'Apertura Numerica (NA).
• Confine a Voxel Divisi (SVMC): Per gestire la curvatura della superficie della testa sotto il prisma, gli autori hanno utilizzato l'approccio SVMC, in cui i voxel di confine sono suddivisi in sottovolumi con piani inclinati, consentendo una modellazione più accurata degli angoli di uscita dei fotoni.

D. Validazione

• Coerenza Interna: Validata contro la linearizzazione analitica delle relazioni FD e TD (ad esempio, fase $\approx$ TOF medio $\times$ frequenza).
• Validazione Esterna: Confronto degli Jacobiani derivati da MC con un solver al Metodo degli Elementi Finiti (FEM) che utilizza l'Approssimazione di Diffusione (DA) in modelli di testa neonatale.
• Casi di Test: Le simulazioni sono state eseguite su modelli di teste neonatali a termine e pretermine (segmentate in cuoio capelluto/cranio, CSF, materia grigia, materia bianca) a 798 nm.

3. Contributi Chiave

1. Quadro Jacobiano Completo: Fornita la prima derivazione teorica completa e implementazione MC per gli Jacobiani di scattering FD e gli Jacobiani del TOF medio TD (sia assorbimento che scattering).
2. Modellazione Realistica dei Rivelatori: Introdotto un metodo rigoroso di post-elaborazione per simulare rivelatori a fibra terminata da prisma con limitazioni NA, superando i semplici modelli di ricezione isotropa.
3. Jacobiani a Voxel Divisi: Estesa la modalità "replay" pMC per funzionare con il Monte Carlo a Voxel Divisi (SVMC) per profili di sensibilità accurati su superfici curve.
4. Software Open-Source: Integrate queste capacità nel simulatore open-source MCX, rendendole disponibili alla comunità della biofotonica.

4. Risultati

• Accordo MC vs DA:
  • Nei regimi ad alto scattering (ad esempio, materia grigia/bianca), gli Jacobiani MC e DA hanno mostrato un eccellente accordo.
  • Nei regimi a basso scattering (specificamente lo strato CSF), la DA ha sovrastimato significativamente la sensibilità rispetto a MC. Ciò conferma che la DA è invalida per le regioni ricche di CSF (comuni nei neonati), rendendo necessario l'MC per una ricostruzione accurata.
• Coerenza FD vs TD: Gli Jacobiani di sfasamento FD e gli Jacobiani del TOF medio TD hanno mostrato un'alta coerenza, validando il legame teorico tra le due modalità alle tipiche frequenze di modulazione (100 MHz).
• Impatto della Modellazione del Rivelatore:
  • Il modello realistico prisma/NA ha rifiutato circa il 98% dei pacchetti di fotoni che sarebbero stati accettati da un semplice modello isotropo.
  • Spostamento della Sensibilità: Il modello realistico ha ridotto la sensibilità ai tessuti più superficiali (cuoio capelluto) e ha leggermente aumentato la sensibilità ai tessuti cerebrali più profondi a brevi separazioni sorgente-rivelatore (< 2 cm). Ciò è cruciale per separare il rumore extracerebrale dai segnali cerebrali.
• Convergenza: Gli Jacobiani di scattering hanno richiesto un numero significativamente maggiore di pacchetti di fotoni ($10^{12}$–$10^{13}$) rispetto agli Jacobiani di assorbimento per raggiungere una regolarità visiva, a causa della sottrazione di termini di grandezza simile nella formula della derivata.

5. Significato

• Migliorata Accuratezza della Ricostruzione: Fornendo Jacobiani accurati per dati FD/TD e modelli di rivelatori realistici, questo lavoro consente una ricostruzione delle immagini più precisa, in particolare per l'imaging cerebrale neonatale dove gli strati di CSF sono prominenti e la DA fallisce.
• Ottimizzazione dei Canali Brevi: Lo studio evidenzia che la modellazione realistica dei rivelatori è essenziale per i canali a breve separazione (< 2 cm), che sono critici per la rimozione del rumore fisiologico superficiale nell'imaging funzionale del cervello.
• Versatilità: Il quadro supporta geometrie complesse e tessuti eterogenei, rendendolo applicabile a vari contesti biomedici (ad esempio, imaging del seno, imaging muscolare) e mezzi torbidi non biologici.
• Direzioni Future: Gli autori suggeriscono l'uso della DA per stime iniziali rapide e dell'MC per il raffinamento, in particolare per i canali brevi e le regioni non diffusive. La disponibilità degli Jacobiani di scattering apre nuove vie per la ricostruzione delle variazioni di scattering (ad esempio, correlate all'attivazione neuronale o al rigonfiamento cellulare) insieme alle variazioni di assorbimento.

In sintesi, questo documento colma un divario critico nella tomografia ottica fornendo uno strumento computazionale robusto e ad alte prestazioni per generare profili di sensibilità accurati attraverso tutte le principali modalità di misurazione (CW, FD, TD), tenendo conto delle realtà fisiche delle sonde di imaging moderne.