Hacia imágenes de tomografía por emisión de positrones de dosis reducida por medio de muestreo disperso y aprendizaje automático.

Abstract

En esta tesis se explora la reducción de la dosis de radiación en estudios de Tomografía por Emisión de Positrones (PET). Debido a su costo y riesgo de radiación inherente, normalmente, el estudio PET es solamente utilizado en pacientes con cáncer diagnosticado o sospechado. Sin embargo gran parte de la dosis de radiación absorbida por el paciente puede ser reducida si los métodos de adquisición y reconstrucción de imágenes son optimizados. Esta tesis analiza tres aspectos del estudio PET que pueden reducir la dosis absorbida por el paciente: la adquisición de datos, la reconstrucción de imágenes y la generación de mapas de atenuación. La primera parte de la tesis es dedicada a la tecnología del escáner PET. Dos técnicas son desarrolladas para un prototipo de escáner de bajo costo y baja dosis, el escáner AR-PET. Primero se crea una estrategia de selección y posicionamiento de fotomultiplicadores, incrementando la resolución energética en un 5%. El segundo trabajo se concentra en la localización de eventos gamma en cristales de centelleo sólidos. Dicho método, basado en redes neuronales y una única adquisición de campo inundado, resulta en un incremento del 23% del área sensible de los detectores del AR-PET y posibilita la detección de profundidad de interacción. En la segunda parte se estudian los métodos de reconstrucción de imagen PET sobre mallas. Los métodos de mallas permiten reducir la cantidad de puntos de muestreo requeridos para describir una imagen o volumen, lo cual se traduce en una reducción de la dimensionalidad del problema de reconstrucción. Un algoritmo de reconstrucción basado en mallas es propuesto, el cual usa una serie de mallas 2D que describen la distribución 3D del radiotrazador. Se demuestra que con dicha reconstrucción el numero de puntos de muestreo se puede reducir en un orden de magnitud, sin perder exactitud y posibilitando la optimización de las mallas de manera paralela. Finalmente se explora la generación de imágenes de atenuación usando redes neuronales profundas. Se entrena una red neuronal para aprender el mapeo desde una imagen PET 18F − FDG, sin corrección de atenuación, a una imagen de Tomografía Computada sintética. El mapa de atenuación generado es probado sobre 133 muestras, obteniendo un error medio absoluto de 103 ± 18 HU. La corrección de atenuación es medida por medio de sinogramas de atenuación, alcanzando un error medio absoluto del 1% con un desvío estándar de 8%. Estos valores son logrados con datos de múltiples fuentes y modalidades. Con estos enfoques, esta tesis pone una base para un sistema PET de bajo costo y baja dosis que puede reducir la dosis de radiación sobre el paciente hasta un 40%, reemplazando la necesidad de una tomografía computada por un mapa de atenuación artificial.

In this thesis the reduction of the patient radiation dose in screening Positron Emission Tomography (PET) studies is explored. Due to its inherent radiation risk and cost, PET imaging is normally used only on patients with diagnosticated or suspected cancer. However much of the radiation dose absorbed by patient can be reduced if the acquisition and image reconstruction methods are improved. This thesis analyses three aspects of PET imaging, which can reduce the patient dose: the data acquisition, the image reconstruction and the attenuation map generation. The first part of the thesis is dedicated to the PET scanner technology. Two optimization techniques are developed for a novel low-cost and low-dose scanner, the AR-PET scanner. First a photomultiplier selection and placement strategy is created, improving the energy resolution by 5%. The second work focuses on the localization of gamma events on solid scintillation crystals. The method, based on neural networks and a single flood acquisition, results in an increase of 23% of the AR-PET detector’s sensitivity area and enabling depth estimation. In the second part, the PET image reconstruction on mesh support is studied. Mesh methods can reduce the amount of sample points required to describe an image or volume, which is translated in the reduction of the dimensionality of the reconstruction problem. A mesh-based reconstruction algorithm is proposed which uses a series of 2D meshes to describe the 3D radiotracer distribution. It is shown that with this reconstruction strategy the number of sample points can be reduced by one order of magnitude without loosing accuracy and enabling parallel mesh optimization. Finally the attenuation map generation using deep neural networks is explored. A neural network is trained to learn the mapping from non attenuation corrected 18F − FDG PET images to a synthetic Computerized Tomography. The attenuation map generation is tested on 133 samples, achieving a mean absolute error of 103±18 HU. The attenuation correction is measured by means of attenuation sinograms, obtaining a mean absolute error of 1% with a standard deviation below 8%. Moreover, these values are obtained in the presence of data form multiple sources and modalities. With these approaches, this thesis lays a base for a low-cost and low-dose PET screening system that can reduce the absorbed patient dose by up to 40%, dispensing the need of a computed tomography image in exchange of an artificial attenuation map.