Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO POSGRADO EN CIENCIAS FÍSICAS INSTITUTO DE FÍSICA FÍSICA MÉDICA MÉTODOS ITERATIVOS PARA RECONSTRUCCIÓN DE IMÁGENES EN LA EVALUACIÓN DE UN PROTOTIPO DE MICROTOMOGRAFÍA POR EMISIÓN DE POSITRONES TESIS QUE PARA OPTAR POR EL GRADO DE: MAESTRO EN CIENCIAS (FÍSICA MÉDICA) PRESENTA: ALAN PATRICIO MIRANDA MENCHACA DIRECTORA DE TESIS: DRA. MERCEDES RODRÍGUEZ VILLAFUERTE INSTITUTO DE FÍSICA MIEMBROS DEL COMITÉ TUTORAL: DR. ARNULFO MARTÍNEZ DÁVALOS INSTITUTO DE FÍSICA DR. LUIS ALBERTO MEDINA VELÁZQUEZ INSTITUTO DE FÍSICA MÉXICO, D. F. SEPTIEMBRE 2013. UNAM – Dirección General de Bibliotecas Tesis Digitales Restricciones de uso DERECHOS RESERVADOS © PROHIBIDA SU REPRODUCCIÓN TOTAL O PARCIAL Todo el material contenido en esta tesis esta protegido por la Ley Federal del Derecho de Autor (LFDA) de los Estados Unidos Mexicanos (México). El uso de imágenes, fragmentos de videos, y demás material que sea objeto de protección de los derechos de autor, será exclusivamente para fines educativos e informativos y deberá citar la fuente donde la obtuvo mencionando el autor o autores. Cualquier uso distinto como el lucro, reproducción, edición o modificación, será perseguido y sancionado por el respectivo titular de los Derechos de Autor. Agradecimientos Institucionales Por el apoyo para la adquisición de equipo y materiales a las siguientes entidades: • Instituto de F́ısica, UNAM • Facultad de Medicina, UNAM Por las becas recibidas durante el desarrollo de este proyecto a: • CONACyT a través del programa de becas para estudios de pos- grado nacionales, en el periodo agosto 2011 – julio 2013 Al Programa de Apoyo de Estudios de Posgrado, UNAM, por el apoyo otorgado para la asistencia a diferentes congresos nacionales e inter- nacionales. Investigación realizada gracias al Programa de Apoyo a Proyectos de Investigación e Innovación Tecnológica (PAPIIT) de la UNAM IN105913, Estudio de la Profundidad de Interacción en Detectores para Tomograf́ıa por Emisión de Positrones. Agradecimientos A la Dra. Mercedes Rodŕıguez Villafuerte por la constante dirección durante todo el proceso de la tesis, por todo el conocimiento, por permitirme trabajar en un proyecto tan interesante y sobre todo por el tiempo y ayuda que siempre me ofreció. Al Dr. Arnulfo Mart́ınez Dávalos por las explicaciones y discusiones que siempre me ayudaban a entender mejor y al Dr. Luis Alberto Medina por el seguimiento de la tesis. Al M. en C. Tirso Murrieta por toda la ayuda durante los experimen- tos y durante toda mi estancia en el laboratorio y junto con Nini por sus pláticas y discusiones, y por el té de los recesos. Al Ing. Marco Antonio Veytia y su equipo del taller mecánico del Instituto de F́ısica, UNAM, por la asistencia en la elaboración y con- strucción de los maniqúıs y piezas para el microPET HR8. A Dr. Miguel Ángel Ávila por su apoyo durante los experimentos del equipo microPET, y junto con los sinodales Dr. Jorge Márquez, M. en C. José Manuel Lárraga y Dr. Héctor Alva por sus observaciones tan acertadas para mejorar la tesis. A los profesores de la maestŕıa y a los f́ısicos médicos que nos asistieron en las residencias. A mis compañeros y amigos de la maestŕıa: Alexis, Francisco, Gis- selle, Iván, Jonathan, José, Juan Carlos, y Lucero, y a los que conoćı durante la maestŕıa: Cristina, Javier y Yair, por los buenos ratos. Finalmente agradezco a mi hermana y a mi hermano por entenderme siempre y a mis padres por el apoyo que siempre me han dado sin importar que decisiones tome. Resumen En esta tesis se desarrolló un proyecto para evaluar y optimizar el prototipo de un tomógrafo por emisión de positrones para animales pequeños, el cual se encuentra en desarrollo en el Instituto de F́ısica de la UNAM. Este prototipo consta de cuatro módulos de detección colocados sobre un anillo, en cuyo centro se colocan las muestras sobre una plataforma giratoria. Los detectores están formados por un ar- reglo de 16 x 16 cristales de oxiortosilicato de lutécio dopado con itrio (LYSO) acoplados a tubos fotomultiplicadores sensibles a la posición. El desarrollo de la tesis se dividió en dos partes: 1. El pre-procesamiento de los datos y la implementación de algorit- mos iterativos de reconstrucción tomográfica. 2. La caracterización del prototipo mediante las medidas de resolución en enerǵıa, sensibilidad, resolución espacial y desempeño en tasa de conteo. Para la primera parte, se trabajó con datos de los eventos de ani- quilación obtenidos en modo de lista. A partir de éstos se obtu- vieron sinogramas con tres métodos de remuestreo: Single Slice Rebin- ning (SSRB), Multiple Slice Rebinning (MSRB) y Fourier Rebinning (FORE). Se comparó el desempeño de los tres métodos en términos de la calidad de las imágenes tomográficas que se obteńıan a partir de los sinogramas. Dentro de los algoritmos de reconstrucción tomográfica se utilizó retro- proyección filtrada (FBP) y se estudiaron los métodos de reconstruc- ción iterativos y el cálculo de la matriz del sistema que éstos requieren. La matriz del sistema se obtuvo de dos formas: mediante el cálculo de la geometŕıa del sistema y mediante simulaciones Monte Carlo. Los métodos de reconstrucción iterativos programados fueron: Maximum Likelihood - Expectation Maximization (ML-EM), Ordered Subsets Expectation Maximization (OSEM) y Maximum a Posteriori (MAP). Una comparación entre FBP y el método OSEM, éste último usando las dos matrices del sistema calculadas, se realizó para comprobar el desempeño de los algoritmos y de las matrices del sistema. Por último se compararon los métodos OSEM y MAP para observar las mejoras que presenta este último método. En la segunda parte (caracterización del prototipo), el cálculo de la sensibilidad y el desempeño en tasa de conteo se realizó siguiendo el protocolo NEMA NU 4-2008. La resolución espacial se obtuvo en el plano transaxial utilizando una fuente lineal y se evaluó a lo largo del eje axial con ayuda de un maniqúı microDefrise. La resolución en enerǵıa se obtuvo para cada cristal de los cuatro detectores utilizando el estudio de un maniqúı de normalización. El algoritmo de remuestreo que mejores resultados arrojó para obtener sinogramas fue FORE. La reconstrucción a partir de sinogramas mos- tró mejores resultados utilizando OSEM, en comparación con FBP. Por otro lado, los métodos de reconstrucción iterativos obtuvieron mejores resultados utilizando la matriz del sistema calculada mediante simulaciones Monte Carlo. De la caracterización del prototipo, la resolución en enerǵıa promedio fue del 24 % y la sensibilidad absoluta del 0.24 %. La mejor resolución espacial en el plano transaxial fue de 0.87 mm (FWHM) utilizando FORE en combinación con OSEM y la matriz del sistema calculada mediante simulaciones Monte Carlo. La fracción de dispersión del sistema resulto ser del 4.8 %. Abstract In this thesis a project was developed to evaluate and optimize a positron emission tomograph prototype for small animals, which is under development at Instituto de F́ısica, UNAM. This prototype has four detection modules placed on a ring, and in the center the samples are placed on a rotatory platform. The detectors consist of an array of 16 x 16 Lutetium Yttrium Orthosilicate (LYSO) scintillation crystals coupled to position sensitive photomultiplier tubes. The development of the thesis was divided in two parts: 1. The pre-processing of the data and the implementation of tomo- graphic iterative reconstruction algorithms. 2. The characterization of the prototype in terms of energy resolution, sensitivity, spatial resolution and count rate performance. For the first part, data of the annihilation events were used in list mode. From these data sinograms wereobtained using three rebinning methods: Single Slice Rebinning (SSRB), Multiple Slice Rebinning (MSRB) and Fourier Rebinning (FORE). The three methods were compared in terms of the tomographic image quality obtained from the sinograms. Both analytic (Filtered Backprojection, FBP) and iterative recon- struction methods were implemented together with the system ma- trix required. The system matrix was obtained in two ways: us- ing the geometry of the data acquisition system and with Monte Carlo simulations. The iterative reconstruction methods programmed were: Maximum Likelihood – Expectation Maximization (ML-EM), Ordered Subsets Expectation Maximization (OSEM) and Maximum a Posteriori (MAP). A comparison between FBP and OSEM, the latter using the two system matrixes calculated, was made to assess the per- formance of the algorithms and system matrixes. Finally, the methods OSEM and MAP were compared to observe the improvements of the latter. In the second part (characterization of the prototype), the calculation of the sensitivity and count rate performance was made following the NEMA NU 4-2008 protocol. The spatial resolution was obtained in the transaxial plane using a linear source,while along the axial axis the evaluation was performed with a microDefrise phantom. The energy resolution was obtained for each crystal of the four detector modules using a normalization phantom study. Among the tested rebinning algorithms, FORE presented the best performance, while OSEM produced the best reconstructed images. On the other hand, the iterative reconstruction methods had better results using the system matrix calculated with Monte Carlo simula- tions. Regarding the prototype characterization, the mean energy resolution was 24 % and the absolute sensitivity 0.24 %. The best spatial reso- lution in the transaxial plane was 0.87 mm (FWHM) using FORE fol- lowed by OSEM and the system matrix calculated with Monte Carlo. The scatter fraction of the system was 4.8 %. Contenido Contenido viii Lista de figuras xi 1 Introducción 1 1.1 Tomograf́ıa por emisión de positrones . . . . . . . . . . . . . . . . 1 1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.3 Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.4 Organización de la tesis . . . . . . . . . . . . . . . . . . . . . . . 3 2 Antecedentes y conceptos básicos 5 2.1 Componentes básicos de un equipo de PET . . . . . . . . . . . . . 5 2.2 Parámetros que influyen en el desempeño de los equipos PET . . 8 2.3 Equipos de PET para animales pequeños . . . . . . . . . . . . . . 10 2.4 Caracteŕısticas de equipos microPET . . . . . . . . . . . . . . . . 11 2.4.1 MicroPET R4 . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.4.2 MicroPET Focus-F120 . . . . . . . . . . . . . . . . . . . . 12 2.4.3 Escáner A-PET . . . . . . . . . . . . . . . . . . . . . . . . 13 2.4.4 MicroPET II . . . . . . . . . . . . . . . . . . . . . . . . . 13 3 Pre-procesamiento de datos y reconstrucción de imágenes to- mográficas 15 3.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3.2 Organización de los datos . . . . . . . . . . . . . . . . . . . . . . 17 3.2.1 Corrección por distorsión geométrica . . . . . . . . . . . . 17 viii CONTENIDO 3.2.2 Sinogramas . . . . . . . . . . . . . . . . . . . . . . . . . . 18 3.2.2.1 Algoritmos de remuestreo . . . . . . . . . . . . . 19 3.2.3 Correcciones aplicadas al sinograma . . . . . . . . . . . . . 26 3.2.4 Proyecciones . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.2.5 Modo de lista . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.3 Métodos de reconstrucción anaĺıticos . . . . . . . . . . . . . . . . 30 3.3.1 Retroproyección filtrada . . . . . . . . . . . . . . . . . . . 30 3.4 Métodos de reconstrucción iterativos . . . . . . . . . . . . . . . . 31 3.4.1 Maximum Likelihood Expectation Maximization . . . . . . 33 3.4.2 OSEM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4.3 Regularización . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.4.4 Cálculos de la matriz del sistema por geometŕıa . . . . . . 36 3.4.5 Cálculo de la matriz mediante simulaciones Monte Carlo . 37 3.5 Proceso total para la formación de imágenes . . . . . . . . . . . . 39 4 Caracterización del prototipo microPET 44 4.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2 Caracteŕısticas del prototipo microPET . . . . . . . . . . . . . . . 44 4.3 Resolución en enerǵıa . . . . . . . . . . . . . . . . . . . . . . . . . 45 4.4 Sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.5 Resolución espacial . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4.6 Fracción de dispersión, tasa de eventos aleatorios y NEC . . . . . 54 4.7 Maniqúıs de prueba y parámetros de adquisición de datos experi- mentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.7.1 Fuente calibrada en forma de disco (CERCA-LEA) . . . . 57 4.7.2 Tres fuentes lineales . . . . . . . . . . . . . . . . . . . . . . 57 4.7.3 Maniqúı de normalización . . . . . . . . . . . . . . . . . . 60 4.7.4 Sección de un maniqúı microDerenzo . . . . . . . . . . . . 60 4.7.5 Maniqúı ultra-microDefrise . . . . . . . . . . . . . . . . . . 62 4.7.6 Maniqúı de dispersión de ratón . . . . . . . . . . . . . . . 62 5 Resultados 68 5.1 Reconstrucción de imágenes . . . . . . . . . . . . . . . . . . . . . 68 ix CONTENIDO 5.1.1 Corrección por distorsión . . . . . . . . . . . . . . . . . . . 68 5.1.2 Normalización . . . . . . . . . . . . . . . . . . . . . . . . . 68 5.1.3 Corrección por centro de rotación . . . . . . . . . . . . . . 71 5.1.4 Métodos de remuestreo . . . . . . . . . . . . . . . . . . . . 71 5.1.5 Métodos de reconstrucción anaĺıticos e iterativos . . . . . . 74 5.2 Caracterización del equipo . . . . . . . . . . . . . . . . . . . . . . 79 5.2.1 Resolución en enerǵıa . . . . . . . . . . . . . . . . . . . . . 79 5.2.2 Sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . 79 5.2.3 Resolución espacial . . . . . . . . . . . . . . . . . . . . . . 82 5.2.4 Fracción de dispersión, tasa de eventos aleatorios y NEC . 86 5.3 Comparación entre prototipos microPET . . . . . . . . . . . . . . 86 6 Conclusiones 90 Bibliograf́ıa 94 x Lista de figuras 1.1 Aniquilación del positrón . . . . . . . . . . . . . . . . . . . . . . . 2 2.1 Módulos de detección . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.2 Ĺıneas de respuesta . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.3 Espectro de enerǵıa . . . . . . . . . . . . . . . . . . . . . . . . . . 9 3.1 Tubo de respuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.2 Corrección por distorsión . . . . . . . . . . . . . . . . . . . . . . . 18 3.3 Ĺınea de respuesta . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.4 Sinograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 3.5 Single Slice Rebinning . . . . . . . . . . . . . . . . . . . . . . . . 21 3.6 Multiple Slice Rebinning . . . . . . . . . . . . . . . . . . . . . . . 21 3.7 Plano ω, k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.8 Interpretación geométrica de Fourier Rebinning . . . . . . . . . . 23 3.9 Variables del sinograma oblicuo . . . . . . . . . . . . . . . . . . . 24 3.10 Regiones de Fourier Rebinning . . . . . . . . . . . . . . . . . . . . 25 3.11 Algoritmo Fourier Rebinning . . . . . . . . . . . . . . . . . . . . . 26 3.12 Corrección por centro de rotación . . . . . . . . . . . . . . . . . . 27 3.13 Normalización del sinograma . . . . . . . . . . . . . . . . . . . . . 29 3.14 Retroproyección filtrada . . . . . . . . . . . . . . . . . . . . . . . 31 3.15 Métodos de reconstrucción iterativos . . . . . . . . . . . . . . . . 32 3.16 Calculo de la probabilidadp(b, d) . . . . . . . . . . . . . . . . . . 34 3.17 Calculo de la probabilidad p(b, d) con largo de ĺınea . . . . . . . . 37 3.18 Calculo de la probabilidad p(b, d) con ancho de ĺınea . . . . . . . . 38 3.19 Calculo de la probabilidad p(b, d) mediante simulaciones MC . . . 39 xi LISTA DE FIGURAS 3.20 Diagrama de flujo para SSRB y MSRB . . . . . . . . . . . . . . . 41 3.21 Diagrama de flujo para FORE . . . . . . . . . . . . . . . . . . . . 42 4.1 Sistema de detección . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.2 Arreglo de 4 detectores . . . . . . . . . . . . . . . . . . . . . . . . 47 4.3 Función gaussiana del fotopico . . . . . . . . . . . . . . . . . . . . 48 4.4 Arreglo para cálculo de sensibilidad . . . . . . . . . . . . . . . . . 51 4.5 Resolución espacial por ancho de detector . . . . . . . . . . . . . 52 4.6 Acolinealidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.7 Maniqúı ultra microDefrise . . . . . . . . . . . . . . . . . . . . . . 54 4.8 Arreglo para cálculo de tasa de conteo . . . . . . . . . . . . . . . 55 4.9 Perfil para cálculo de tasa de conteo . . . . . . . . . . . . . . . . . 56 4.10 Fuente CERCA-LEA calibrada de 22Na. La parte activa en forma de disco está encapsulada al centro y tiene un diámetro de 3 mm. 59 4.11 Maniqúı de tres fuentes lineales . . . . . . . . . . . . . . . . . . . 59 4.12 Maniqúı de normalización . . . . . . . . . . . . . . . . . . . . . . 61 4.13 Maniqúı microDerenzo . . . . . . . . . . . . . . . . . . . . . . . . 63 4.14 Maniqúı ultra microDefrise . . . . . . . . . . . . . . . . . . . . . . 64 4.15 Maniqúı ciĺındrico con capilar en el medio . . . . . . . . . . . . . 66 5.1 Mapas de cristales y regiones de Voronoi . . . . . . . . . . . . . . 69 5.2 Sinograma de maniqúı ciĺındrico hueco . . . . . . . . . . . . . . . 70 5.3 Comparación de sinogramas por normalización . . . . . . . . . . . 70 5.4 Corrección por centro de rotación . . . . . . . . . . . . . . . . . . 71 5.5 Comparación de los métodos de remuestreo . . . . . . . . . . . . . 73 5.6 Comparación de las fuentes lineales reconstruidas con métodos de remuestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 5.7 Comparación de los distintos métodos de reconstrucción . . . . . 76 5.8 Comparación de los distintos métodos de reconstrucción 2 . . . . 77 5.9 Comparación de las reconstrucciones aplicando factor de regulari- zación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 5.10 Espectros de enerǵıa en Z1 y Z2 . . . . . . . . . . . . . . . . . . . 80 5.11 Espectros de enerǵıa en Z5 y Z6 . . . . . . . . . . . . . . . . . . . 81 5.12 Perfil de sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . 82 xii LISTA DE FIGURAS 5.13 Resolución espacial en el eje transaxial . . . . . . . . . . . . . . . 84 5.14 Proyección del maniqúı ultra microDefrise . . . . . . . . . . . . . 85 5.15 Perfil del maniqúı ultra microDefrise . . . . . . . . . . . . . . . . 85 5.16 Perfil para el cálculo de tasa de conteo . . . . . . . . . . . . . . . 87 5.17 Gráfica de tasa de conteo vs actividad promedio . . . . . . . . . . 87 xiii Caṕıtulo 1 Introducción 1.1 Tomograf́ıa por emisión de positrones La tomograf́ıa por emisión de positrones (PET) es un estudio médico que aporta información funcional sobre procesos biológicos. Los estudios se realizan con ayuda de un radiofármaco, el cual se conforma de una molécula de interés biológico marcada con un radionúclido emisor de radiación beta positivo. La molécula de interés biológico sigue una cierta ruta metabólica, la cual es útil para el médico para poder realizar un diagnóstico. Esta ruta metabólica es rastreable gracias al radionúclido emisor de part́ıculas beta positivas, que al emitir un positrón éste se aniquila con algún electrón del medio y se crean dos fotones de 511 keV que se emiten de forma antiparalela (figura 1.1). Los equipos de PET detectan los dos fotones de aniquilación y a partir de esta información pueden determinar la distribución espacio-temporal de la concentración de actividad, que a su vez es proporcional a la concentración del radiofármaco. Los radiofármacos son moléculas marcadas con radionúclidos mediante reac- ciones qúımicas, en las que un elemento de la molécula es reemplazado por otro radioactivo. En ocasiones el elemento reemplazado es un isótopo del elemento original, mientras que en otras se sustituye con un elemento diferente pero que no afecta o afecta poco la funcionalidad de la molécula. Existen diferentes radiofármacos que proporcionan distinta información de- pendiendo de la ruta metabólica que sigan en el organismo. Uno de los más 1 Figura 1.1: Un núcleo radioactivo emite un positrón el cual se aniquila con un electrón del medio produciendo dos fotones que se emiten de forma antiparalela. Estos fotones son los que se detectan en el estudio de PET. utilizados es la fluorodesoxiglucosa (FDG), molécula marcada con Fluor-18, que proporciona información del metabolismo de la glucosa en los distintos tejidos. En ocasiones se pueden visualizar tumores con este radiofármaco a causa del alto consumo de glucosa de las células cancerosas que se encuentran en constante reproducción. Los radiofármacos que se utilizan en los estudios de PET deben ser probados previamente en animales para probar su funcionalidad y verificar que no provo- carán efectos adversos en el ser humano. Estas pruebas se realizan con equipos microPET que tienen el mismo principio de funcionamiento que los equipos para seres humanos, pero construidos con componentes de menor escala para trabajar con animales pequeños. Además de utilizarse para estas pruebas, estos equipos también se utilizan para investigación en ramas como la cardioloǵıa, oncoloǵıa y la neuroloǵıa, en donde los radiofármacos son administrados a animales pequeños. 2 1.2 Objetivos La tesis cuenta con dos objetivos principales: 1. La implementación de nuevos algoritmos de remuestreo de datos y métodos de reconstrucción iterativos de imágenes tomográficas. 2. La caracterización del prototipo microPET en términos de la resolución en enerǵıa, sensibilidad, resolución espacial y desempeño en tasa de conteo. 1.3 Justificación En el proyecto del desarrollo de un equipo microPET que se realizó anteriormente en el Instituto de F́ısica (Alva, 2009), la reconstrucción de las imágenes se haćıa utilizando geometŕıa de haz paralelo. Este método de reconstrucción no utiliza la totalidad de las ĺıneas de respuesta que se obtienen de un estudio, por lo que la estad́ıstica se ve reducida, provocando disminución en la calidad de las imágenes. Utilizando nuevos métodos de remuestreo se usan todas las ĺıneas de respuesta del estudio, mejorando la estad́ıstica y la calidad de las imágenes. El algoritmo utilizado para la reconstrucción de imágenes tomográficas en el proyecto microPET anterior era FBP (Alva, 2009). Debido a que se ha de- mostrado que la implementación de métodos de reconstrucción iterativos arroja mejores resultados que FBP en la reconstrucción de imágenes tomográficas (en es- tudios de PET) (Wieczorek, 2010; Cherry y Dahlbom, 2006), su implementación representa una mejora en el desempeño del prototipo microPET. Por otra parte, la caracterización del prototipo microPET es necesaria para conocer el desempeño del equipo y de esta manera poder planear y optimizar los estudios que se realicen con él. 1.4 Organización de la tesis La tesis se divide en seis caṕıtulos. El segundo caṕıtulo trata de antecedentes y conceptos básicos sobre los tomógrafos PET. El tercer caṕıtulo detalla el proce- samiento de los datos y los algoritmos de reconstrucción de imágenes que se utilizaron. El caṕıtulo cuatro profundiza sobre los parámetros de caracterización 3 del prototipo microPET y su medición.El quinto caṕıtulo presenta resultados y el sexto la discusión y conclusiones. Toda la programación desarrollada en esta tesis se realizó en Matlab. 4 Caṕıtulo 2 Antecedentes y conceptos básicos 2.1 Componentes básicos de un equipo de PET Los detectores de los tomógrafos por emisión de positrones deben tener carac- teŕısticas tales que permitan detectar con gran eficiencia fotones de 511 keV. En la mayoŕıa de los equipos los detectores son arreglos de cristales centelladores acoplados a tubos fotomultiplicadores. Los fotones de aniquilación de 511 keV interaccionan en el cristal centellador, lo que produce luz en el espectro visi- ble. Ya que esta luz es de muy baja intensidad la señal eléctrica de salida que podŕıa generarse por si misma es muy pequeña. Para generar una señal apropiada para su posterior digitalización, esta debe amplificarse con los tubos fotomulti- plicadores. El tubo fotomultiplicador está formado de un fotocátodo, en el cual interacciona el fotón que proviene del cristal centellador para emitir un electrón debido al efecto fotoeléctrico. Enseguida se encuentran una serie de electrodos llamados d́ınodos, cada uno con una diferencia de potencial mayor al anterior. Al interaccionar los electrones con cada d́ınodo estos se van multiplicando, lo que al final produce una corriente eléctrica suficientemente grande como para poder ser medida. La amplificación de los tubos fotomultiplicadores es t́ıpicamente de un factor de alrededor de 106. Debido a que lo que se desea es detectar eventos en coincidencia ocurridos en los cristales centelladores, el tiempo de decaimiento (tiempo durante el cual se emite la luz visible) de estos cristales debe ser suficientemente corto como para 5 Composición Densidad Salida de luz Tiempo de Coeficiente del cristal (g/cc) (Fotones por decaimiento de atenuación lineal cada 511 keV) (ns) a 511 keV (cm−1) Yoduro de sodio 3.67 19400 230 0.34 [NaI(Tl)] Germanato de bismuto 7.13 4200 300 0.96 (BGO) Oxiortosilicato de lutecio 7.40 ∼13000 ∼47 0.88 (LSO:Ce) Oxiortosilicato de lutecio dopado 7.30 ∼14500 50 0.87 con itrio (LYSO) Oxiortosilicato de gadolinio 6.71 ∼4600 ∼56 0.70 (GSO:Ce) Fluoruro de bario 4.89 700, 4900 0.6, 630 0.45 (BaF2) Perovskita de itrio aluminio 5.37 ∼9200 ∼27 0.46 (YAP:Ce) Tabla 2.1: Caracteŕısticas de algunos cristales centelladores útiles para la de- tección de fotones de 511 keV. determinar la ocurrencia de dos eventos dentro de una ventana temporal suficien- temente corta. Esta ventana temporal es ajustada en la electrónica de adquisición y suele ser de algunos cuantos nanosegundos. En la tabla 2.1 (Cherry y Dahlbom, 2006) se muestran las caracteŕısticas de algunos cristales centelladores. Los cristales centelladores se suelen usar en arreglos pixelizados acoplados a tubos fotomultiplicadores sensibles a la posición (figura 2.1), que presentan una estructura con funcionalidad de múltiples tubos fotomultiplicadores (Cherry y Dahlbom, 2006). De esta manera se puede saber en qué cristal del arreglo ocurrió 6 PS-PMT Número Área efectiva Intervalo Respuesta máxima (Hamamatsu) de ánodos (mm) de respuesta (en longitud espectral (nm) de onda, nm) H9500 256 (16 × 16) 49 × 49 300 - 650 400 H8500 64 (8 × 8) 49 × 49 300 -650 400 H7546 64 (8 × 8) 18.1 × 18.1 300 - 650 420 Tabla 2.2: Caracteŕısticas de algunos tubos fotomultiplicadores sensibles a la posición. una interacción. En la tabla 2.2 se muestran las caracteŕısticas de algunos tubos fotomultiplicadores sensibles a la posición utilizados comúnmente en imagenoloǵıa para animales pequeños. Figura 2.1: Módulos de detección más comúnmente utilizados en PET. La señal que proviene de los tubos fotomultiplicadores es amplificada para poder ser procesada por el convertidor analógico digital que finalmente transferirá los datos a la computadora. El desempeño del sistema, que se traduce en la calidad de las imágenes que obtienen, depende tanto de la parte f́ısica (cristales centelladores, tubos fotomul- tiplicadores, electrónica, etc.) como del procesamiento que se haga con los datos obtenidos en la computadora. 7 2.2 Parámetros que influyen en el desempeño de los equipos PET La información que se utiliza para reconstruir las imágenes tomográficas es la posición de los distintos eventos de aniquilación que se determina mediante la detección de dos fotones de 511 keV de forma antiparalela dentro de cierta ven- tana temporal. Los dos eventos detectados forman lo que se llama una ĺınea de respuesta (figura 2.2). Con una cantidad suficiente de estas ĺıneas de respuesta se pueden reconstruir distintas proyecciones que proporcionen información de la concentración de actividad. Figura 2.2: Ĺıneas de respuesta determinadas mediante la detección de fotones de aniquilación provenientes de una muestra radioactiva. Los datos crudos que se obtienen de las ĺıneas de respuesta se guardan en modo de lista e incluyen para cada evento y cada par de detectores, la posición de interacción, enerǵıa y una etiqueta de tiempo. Estos datos son procesados posteriormente para formar las imágenes tomográficas, tal como se describirá en el caṕıtulo 3. La ventana temporal dentro de la cual se determina si dos eventos correspon- den a una aniquilación ayuda a disminuir el número de eventos aleatorios que se podŕıan detectar. Sin embargo, qué tanto se puede reducir la ventana temporal depende de las caracteŕısticas de los detectores y de la electrónica de adquisición. La enerǵıa de los eventos detectados se utiliza para poder discriminar fotones 8 de aniquilación de 511 keV de aquellos fotones dispersados que se caracterizan por tener menor enerǵıa. Estableciendo una ventana de enerǵıa centrada alrededor del fotopico del espectro de enerǵıa (figura 2.3) se descartan los eventos que tienen enerǵıa fuera de esta ventana. Figura 2.3: Espectro de enerǵıa t́ıpico producido en la detección de fotones con cristales centelladores. La ventana en enerǵıa se establece alrededor del fotopico, formado principalmente por eventos no dispersados. La resolución espacial que se puede obtener en las imágenes de un sistema PET depende de la f́ısica en el decaimiento beta y del diseño y propiedades de los detectores usados en el escáner (Cherry y Dahlbom, 2006). Dentro de las caracteŕısticas estructurales el diámetro del anillo de detectores y el ancho de los cristales centelladores se consideran para calcular la resolución espacial del sistema. En cuanto al fenómeno de aniquilación, el alcance del positrón y la no colinealidad en la emisión de los fotones afectan la resolución espacial del sistema. Para pares de detectores discretos la resolución espacial en el punto medio entre los dos detectores se puede aproximar mediante una función triangular donde el ancho de pulso a media altura (FWHM) es igual a la mitad del ancho del detector. Antes de ocurrir la aniquilación del positrón, éste tiene cierto alcance depen- 9 diendo de su enerǵıa cinética y del material del medio en el que se encuentra. Lo que se desea detectar es la posición del núcleo emisor del positrón y no donde se aniquila este último, por lo que su alcance afecta la resolución espacial del sistema. Con ayuda de programas de simulación Monte Carlo de transporte de radiación en materia se puede estimar el FWHM que se obtiene en la resolución espacial debido al alcance del positrón. Para el caso de positrones de 18F interac- cionando en agua se ha encontrado un FWHM de 0.102 mm (Cherry y Dahlbom, 2006). Por otro lado, los fotones de aniquilación se emiten con un ángulo de 180 ◦ ± 0.25 ◦. Esta desviación en el ángulo de emisión ocurre debido a que el momento que tienen el positrón y el electrón al aniquilarse no es completamente cero. Ya que la aniquilación ocurre cuando el positrón ha perdido prácticamente toda su enerǵıa cinética, la desviaciónangular no depende de la enerǵıa cinética inicial. Tomando en cuenta 0.25 ◦ de desviación en la emisión antiparalela, el FWHM que se obtiene en la resolución espacial debido a este efecto se puede calcular como FWHM = .0044R, donde R es el radio del diámetro de los detectores. Sumando en cuadratura (valor RMS) todas las componentes que afectan la resolución espacial se obtiene la resolución espacial total del sistema. 2.3 Equipos de PET para animales pequeños Debido a que los equipos microPET se diseñan para el estudio de animales pequeños, éstos deben tener ciertas caracteŕısticas distintas a los equipos para seres humanos. El tamaño del escáner es menor y por lo tanto también el campo de vista. El número de elementos de detección puede ser prácticamente el mismo, aunque los elementos individuales que los componen deben ser de menor tamaño. El cambio en el tamaño de los detectores igualmente conlleva cambios en los datos que se adquieren y en las imágenes que se procesan posteriormente. Al cambiar el tamaño de los cristales también se modifica la resolución espacial del sistema. Ya que en animales pequeños se desean observar estructuras de menor tamaño que en los escáneres para seres humanos también se requiere de una mejor resolución espacial. La resolución espacial de los equipos PET cĺınicos suele ser de alrededor de 5 mm (FWHM), mientras que en los equipos microPET comerciales 10 PET Siemens microPET Siemens Biograph 64 Focus 220 Diámetro (mm) 842 260 Campo de vista Axial (mm) 162 76 Campo de vista Transaxial (mm) 605 190 Cristales LSO LSO Bloques de detección 144 168 Número total de cristales 24336 24192 Dimensiones del cristal (mm3) 4× 4× 20 1.51× 1.51× 10 Resolución en enerǵıa (%) 14 18 Resolución espacial (mm) ∼5 1.5 Tabla 2.3: Comparación entre el escáner PET cĺınico Biograph Siemens y el equipo microPET Focus Siemens. puede llegar a ser de 1 a 2 mm (FWHM). En la tabla 2.3 se muestra una comparación entre las caracteŕısticas de un equipo PET para seres humanos y uno utilizado para estudios con animales pequeños. 2.4 Caracteŕısticas de equipos microPET En la actualidad existe una gran variedad de equipos microPET con diversas ca- racteŕısticas tanto en los componentes f́ısicos del sistema como en el procesamiento de los datos. Se pueden encontrar tanto equipos comerciales como prototipos de- sarrollados por centros de investigación. Estos centros de investigación se enfocan principalmente en mejorar los estudios PET para animales pequeños (resolución espacial, resolución en enerǵıa, sensibilidad, etc.) ya sea mediante el manejo del hardware o mediante el procesamiento de los datos. A continuación se detallan las caracteŕısticas de algunos equipos microPET. 11 2.4.1 MicroPET R4 Este sistema fue desarrollado por la compañ́ıa Concorde Microsystems (Knoess et al., 2003). El sistema de detección de los fotones de 511 keV utiliza cristales centelladores de oxiortosilicato de lutecio (LSO) acoplados a tubos fotomultipli- cadores sensibles a la posición (Hamamatsu R5900-C8). Cada bloque de cristales centelladores mide 19 × 19 × 10 mm3, los cuales están cortados en arreglos de 8× 8 cristales dejando 1 mm al final del bloque donde se unen todos los cristales. Cada cristal individual mide 2.1 × 2.1 × 10 mm3 con una distancia de centro a centro (pitch) de 2.4 mm. Los bloques de cristales centelladores se acoplan a tubos fotomultiplicadores (PMTs) por medio de una fibra óptica de 100 mm de largo. El campo de vista que se logra obtener es de 78 mm en la dirección axial y de 100 mm de diámetro en dirección transaxial. En la dirección axial al centro del escáner se llega a obtener una resolución espacial de 1.84 mm FWHM, en dirección radial de 1.65 mm y en dirección tangencial de 1.66 mm. La mejor resolución en enerǵıa obtenida es del 17% y la peor del 36% con un promedio del 23%. La sensibilidad medida con una fuente puntual de Ge-68 con una ventana en enerǵıa de 410-613 keV es de 18.60 cps/kBq. 2.4.2 MicroPET Focus-F120 Este sistema fue desarrollado por Concorde Microsystems y está basado en el modelo R4 de la misma compañ́ıa (Laforest et al., 2007). Cada detector del sistema está conformado por un arreglo de 12 × 12 cristales centelladores de 1.52×1.52×10 mm3 de LSO acoplados a tubos fotomultiplicadores sensibles a la posición con un paquete de fibras ópticas cuadradas de 8× 8 elementos. El pitch es de 1.59 mm y existe material reflector entre las fibras ópticas. El diametro del campo de vista (FOV) es de 14.7 cm con una extensión en el eje axial de 7.6 cm. La resolución espacial del escáner al centro es de 1.36 mm en dirección tangencial, 1.32 mm en dirección radial y 1.32 mm en dirección axial. La sensibilidad máxima del equipo es del 7.1 % al centro del escáner. La resolución en enerǵıa promedio es del 18 %. 12 2.4.3 Escáner A-PET Este sistema fue desarrollado en la Universidad de Pensilvania con la ayuda de la compañ́ıa Philips Medical Systems (Surti et al., 2003). Utiliza cristales centel- ladores de oxiortosilicato de gadolinio (GSO). Cada cristal mide 2× 2× 10 mm3 y se encuentran acoplados a una gúıa óptica que dirige la luz a tubos fotomulti- plicadores de 19 mm de diámetro colocados en un arreglo hexagonal. El campo de vista transaxial del escáner es de 12.8 cm y en el eje axial de 11.6 cm. La resolución espacial cerca del centro de campo de vista es de 2.26 mm utilizando F-18 como radionúclido. La resolución en enerǵıa es del 17 % y la sensibilidad absoluta es del 1.4%. 2.4.4 MicroPET II Este sistema fue desarrollado en la Universidad de California y es el segundo microPET desarrollado en esa universidad (Yang et al., 2007). Cuenta con 17640 cristales centelladores de LSO que miden 0.975× 0.975× 12.5 mm3, acomodados en 42 anillos contiguos con 420 cristales por anillo con un campo de vista axial de 4.9 cm y transaxial de 8.5 cm. Los cristales centelladores están acoplados a tubos fotomultiplicadores sensibles a la posición, Hamamatsu H7546 utilizando fibras ópticas. La resolución en enerǵıa para un arreglo de detectores t́ıpico va del 28% al 75% con un promedio de 42%. La resolución espacial de las imágenes reconstruidas en dirección tangencial es de 1.07 mm FWHM cerca del centro del campo de vista (CFOV) y en la dirección radial de 1.13 mm. La sensibilidad máxima es de 2.26 % en el CFOV. Estos datos son los reportados por Yang et al. (2007), donde se indica que se harán mejoras al sistema para obtener mejores caracteŕısticas. 13 14 Caṕıtulo 3 Pre-procesamiento de datos y reconstrucción de imágenes tomográficas 3.1 Introducción Para extraer la información de los estudios de PET a partir de los datos registra- dos en un equipo de cómputo es necesario realizar un procesamiento de los datos que permita visualizar la distribución espacio-temporal del radionúclido dentro del sujeto de la manera más cercana a la realidad. Si representamos la distribución del radionúclido en el espacio en tres di- mensiones como f(~x), el número de eventos detectados entre dos detectores es proporcional a la concentración de actividad que se encuentra dentro del volumen V definido por el tubo de detección entre los detectores, como se muestra en la figura 3.1 (Torres, 2009). El número de fotones detectados también depende de otros factores como la sensibilidad de detección, la atenuación y la dispersión en el medio. Tomando sólo en cuenta la sensibilidad de los detectores, el número esperado de fotones detectados por unidad de tiempo se define como E{fotones} = ∫ V f(~x)s(~x)d~x (3.1) 15 donde s(~x) es la sensibilidad de detección y la integral es sobre el volumen V del tubo de detección. Figura 3.1: El número de fotones detectado en un determinado tubo de detección (en este caso de sección cuadrada) es proporcional a la concentración de actividad dentro del volumenque atraviesa el tubo. Existen distintos métodos de reconstrucción de imágenes tomográficas a partir de los datos de eventos registrados, los cuales se dividen en métodos anaĺıticos y métodos algebraicos. Entre los métodos anaĺıticos se suele utilizar la retro- proyección filtrada (FBP) que hace uso de la transformada de Radón para obtener imágenes tomográficas a partir de los datos organizados en sinogramas. Entre los métodos algebraicos más populares se encuentran el algoritmo ML-EM (Maxi- mum Likelihood Expectation Maximization) y OSEM (Ordered Subsets Expec- tation Maximization) con los cuales se obtienen mejores resultados comparados con FBP (Reader y Zaidi, 2007). La desventaja de estos últimos algoritmos es que requieren mayores recursos computacionales para su funcionamiento, sin embargo, gracias al avance tecnológico su uso es cada vez más común. 16 3.2 Organización de los datos Como se mencionó en la sección 2.2, los datos de los eventos en coincidencia registrados se representan mediante ĺıneas de respuesta (LOR) que son ĺıneas rectas cuyos extremos son las coordenadas en los detectores donde se registraron los fotones de aniquilación. Estas LOR pueden ser ordenadas de distinta formas, siendo el sinogramas una de las formas más comunes para hacerlo, ya que a partir de éstos se pueden aplicar distintos algoritmos de reconstrucción. Otra manera de ordenar los datos es mediante la obtención de las imágenes de proyecciones planas a distintos ángulos o el almacenamiento de los datos ordenados en forma de lista. La forma de organizar los datos dependerá de los algoritmos de reconstrucción que se deseen utilizar. El modo de adquisición, ya sea en 2D o 3D, también influye en la elección del algoritmo de reconstrucción. En la actualidad la gran mayoŕıa de los escáneres para PET realizan adquisición en 3D, por lo que han surgido distintas técnicas de reconstrucción para trabajar con datos adquiridos en esta configuración. 3.2.1 Corrección por distorsión geométrica Parte de la información que se adquiere del estudio son las coordenadas de los eventos en coincidencia que ocurrieron en los cristales centelladores. Estas coor- denadas están distribuidas en algún plano de los cristales centelladores (al frente o a una profundidad constante) y se debe determinar a qué cristal centellador corresponde cada evento detectado. Esto debido a que existe cierta discrepancia entre la posición ideal del evento y las coordenadas registradas en la computa- dora, las cuales presentan distorsiones debido a la no-uniformidad de la respuesta de los detectores. El proceso de corrección por distorsión consiste en la determinación de los centroides de cada cristal centellador y en la asignación a un cristal especifico de cada evento a partir de estos centroides. Para la determinación de los centroides de cada cristal se obtiene un mapa de cristales con una gran cantidad de eventos y se divide en regiones de Voronoi (Alva et al., 2008). Las regiones de Voronoi son áreas en las que cualquier punto dentro de la misma se encuentra más cercano al centroide de dicha área que al centroide de cualquier otra región vecina. 17 Figura 3.2: El mapa de cristales obtenido de los datos crudos se corrige definiendo regiones de Voronoi y asignando los eventos detectados al cristal correspondiente. Con las regiones de Voronoi determinadas para cada arreglo de cristales cen- telladores se puede etiquetar cada evento con el cristal centellador en el que ocurrió su detección y después mapearlo a un arreglo de cristales centelladores sin distorsión geométrica. La figura 3.2 muestra gráficamente este proceso. 3.2.2 Sinogramas Los sinogramas son histogramas en dos dimensiones que organizan las ĺıneas de respuesta (figura 3.3) que se registraron en el estudio. En el eje horizontal se suele representar la distancia r con respecto al origen de la ĺınea de respuesta y en el eje vertical el ángulo de la ĺınea de respuesta con respecto a un eje de coordenadas de referencia de laboratorio (figura 3.4). Este tipo de representación organiza ĺıneas de respuesta que se encuentran contenidas en un solo plano, por ejemplo en un corte tomográfico. Debido a esto, si se desean utilizar ĺıneas de respuesta oblicuas (fuera del plano) éstas deben organizarse de tal forma que sean asignadas a un plano determinado. Se han de- sarrollado distintos algoritmos para realizar esta asignación llamados algoritmos 18 Figura 3.3: Las variables que definen una ĺınea de respuesta en un plano son la distancia r con respecto al origen del eje de coordenadas de laboratorio y el ángulo θ con respecto a un eje coordenado. de remuestreo. 3.2.2.1 Algoritmos de remuestreo Con la aparición de escáneres que realizaban adquisición en 3D se comenzaron a desarrollar algoritmos para reconstruir a partir de la información que entregaban estos equipos. El principal problema que se teńıa era la carga computacional que demandaban los algoritmos de reconstrucción. Debido a esto, un acercamiento al problema fue el desarrollo de algoritmos que ayudaran a obtener información en 2D a partir de las adquisiciones en 3D para después aplicar los algoritmos de reconstrucción en 2D. El problema a resolver es cómo asignar las ĺıneas de respuesta oblicuas a planos en 2D de manera que contribuyan al plano que les corresponde, es decir, al plano en el que es más probable que haya ocurrido la aniquilación. Single Slice Rebinning El método de Single Slice Rebinning (SSRB) asigna las ĺıneas de respuesta oblicuas al plano transaxial que se encuentra en el punto 19 Figura 3.4: Sinograma de una fuente puntual fuera de eje donde las variables r y θ de las ĺıneas de respuesta provenientes de la fuente son organizadas en un histograma en dos dimensiones. medio de la ĺınea de respuesta (Erlandsson et al., 1994). Esta aproximación asume que la aniquilación ocurrió en el punto medio de la ĺınea respuesta (figura 3.5), por lo que se obtienen buenos resultados cuando la distribución de actividad del sujeto en estudio se encuentra concentrada en el centro del campo de vista. En los extremos del eje axial la imagen se deteriora haciendo este método poco recomendable para escáneres de eje axial corto. La ventaja que presenta este algoritmo es su fácil implementación y baja carga computacional. Multiple Slice Rebinning Esta aproximación asigna las ĺıneas de respuesta oblicuas a todos los planos transaxiales por los que cruzan, asignándole un peso a la ĺınea de respuesta para cada plano (figura 3.6). Este factor de peso depende del número de cortes por los que cruce (Lewitt et al., 1994). Este método produce mejores resultados que el SSRB, sin embargo se observa distorsión en los planos cercanos al extremo del eje axial además de ser inestable en la presencia de ruido. 20 Figura 3.5: En el método SSRB, una ĺınea de respuesta oblicua es asignada al plano transaxial que yace en el punto medio de la misma sobre el eje axial. Figura 3.6: En el método MSRB la ĺınea de respuesta es asignada a múltiples planos transaxiales intersectados por la ĺınea de respuesta con una contribución distribuida dependiendo del número planos. 21 Fourier Rebinning El método de Fourier Rebinning (FORE) hace uso de las propiedades de los sinogramas en el espacio de frecuencias para asignar las ĺıneas de respuesta oblicuas a planos transaxiales (Defrise et al., 1997). Realizando la transformada de Fourier en dos dimensiones de los sinogramas se obtiene una imagen donde en un eje se representa la transformada discreta de Fourier de la distancia radial y en el otro los coeficientes de la expansión en series de Fourier con respecto al ángulo θ, quedando la transformada de Fourier del sinograma en función de ω y k (figura 3.7). La relación frecuencia distancia de los coeficientes de Fourier implica que la contribuciónmás significativa que tiene un punto arbitrario en el plano (ω, k) ocurre a un valor de θ tal que la distancia t del punto a lo largo de la LOR es −k/ω, es decir, t = −k/ω (Edholm et al., 1986). De esta manera se pueden asignar los coeficientes de Fourier a los planos a los que contribuyen en mayor medida. Figura 3.7: Plano para representar la transformada de Fourier de un sinograma en el espacio de frecuencias (ω, k). 22 La interpretación geométrica de la relación frecuencia distancia se puede ob- servar en la figura 3.8. Conociendo el ángulo φ entre la ĺınea de respuesta y el plano transaxial y determinando la distancia t mediante la relación frecuencia distancia se puede conocer el punto z′ en el que se encuentra el plano transaxial al que contribuye más el punto (ω, k) de la transformada de Fourier del sinograma oblicuo. tan(φ) = z′ − z t (3.2) z′ = z + t tan(φ) (3.3) z′ = z + tδ (3.4) Figura 3.8: Determinando la distancia t con los valores de los elementos (ω, k) de un sinograma oblicuo se puede conocer el punto z′ sobre el eje axial que corresponde al plano al que contribuye en mayor medida la frecuencia del punto (ω, k). 23 La implementación de este algoritmo requiere una parametrización de los sino- gramas mediante las variables r, θ, z y δ. La variable z se define como el punto medio de la ĺınea de respuesta sobre el eje axial y δ es la tangente del ángulo φ entre la ĺınea de respuesta y el plano transaxial (figura 3.9). Cada par (z, δ) define un sinograma oblicuo. Las variables r y θ son las usuales del sinograma. z = za + zb 2 (3.5) δ = tan(φ) (3.6) Figura 3.9: Un sinograma oblicuo definido entre dos anillos de detección distintos se parametriza con las variables δ = tan(φ) y z. Para un escáner con N anillos se tienen N sinogramas directos (δ = 0) y N(N − 1) sinogramas oblicuos, con un total de N2 sinogramas. Una vez que se 24 obtiene la transformada de Fourier de los N2 sinogramas se divide el plano (ω, k) en tres regiones. Figura 3.10: El plano de la transformada de Fourier del sinograma se divide en tres zonas para aplicar los distintos pasos del algoritmo de Fourier Rebinning en cada región. Los ĺımites que delimitan las tres regiones son klim, ωlim y la recta definida por k = ωR, donde R es el radio del campo de vista, como se muestra en la figura 3.10. En la región 2 se encuentran los coeficientes que no contribuyen al sinograma por lo que esta región se desprecia y en la región 3 de bajas frecuencias se promedian las contribuciones de los sinogramas oblicuos que tienen un valor de δ pequeño. El algoritmo de Fourier Rebinning se aplica en la región 1 de altas frecuencias. El algoritmo consiste en el cálculo de z′ para cada muestra dentro de la región 1 de la transformada de Fourier de los sinogramas oblicuos y asignar la muestra a la transformada de Fourier del sinograma en el corte z′ (figura 3.11). En caso de no tener un sinograma exactamente en z′ se interpola para los cortes que se hayan definido. 25 Figura 3.11: Con los valores (ω, k) de cada muestra de la transformada de Fourier del sinograma se calcula el valor z′ que corresponde al plano perpendicular al eje axial al que se le asignará la muestra situada en (ω, k). Los sinogramas que se obtienen a partir del remuestreo (independientemente del método utilizado) se pueden reconstruir con cualquier método de reconstruc- ción como retroproyección filtrada o con métodos iterativos. 3.2.3 Correcciones aplicadas al sinograma Antes de aplicar los algoritmos de reconstrucción a los sinogramas se les deben aplicar ciertas correcciones para obtener una imagen tomográfica que represente la concentración de actividad más fiel a la realidad. Corrección por centro de rotación Cuando el escáner con el que se realiza el estudio consta de varios módulos de detección y éstos deben rotar puede existir una desalineación entre los centros de rotación (COR) de los distintos módulos. Esta discrepancia provoca que las distintas regiones del sinograma, cada una con contribuciones de diferentes módulos de detección, se encuentren desalineadas. Al aplicar los algoritmos de reconstrucción esta desalineación provoca distorsión en la imagen final. 26 La corrección consiste en la determinación del centro de rotación de cada módulo de detección y en el traslado de la parte del sinograma correspondiente a cada módulo de detección al centro de rotación del sinograma (figura 3.12). Figura 3.12: El desplazamiento observado en el sinograma por diferencias en el centro de rotación se corrige mediante un corrimiento de las partes del sinograma. Normalización La sensibilidad de los distintos elementos de detección vaŕıa dependiendo de factores geométricos y f́ısicos. La diferencia en la sensibilidad provoca que algunas regiones del sinograma detecten menos ĺıneas de respuesta que otras. La corrección por normalización consiste en homogeneizar la eficiencia de detección aplicando un factor de corrección al número de eventos registrados en cada elemento de detección. Al trabajar con sinogramas la corrección se realiza multiplicando cada sinograma por otro sinograma que contiene los factores de corrección para cada elemento. De manera experimental los factores de corrección se determinan realizando una adquisición en coincidencia de una fuente de actividad uniforme, como podŕıa ser una fuente plana en distintas rotaciones o un cilindro. Con este tipo de fuentes se sabe que si la eficiencia de detección de cada elemento de detección fuera uniforme el sinograma obtenido también seŕıa uniforme. Con base en esto, 27 se obtiene un promedio de las cuentas en el sinograma y se le multiplica el inverso del sinograma para obtener los factores de corrección que harán que la eficiencia de detección sea homogénea (figura 3.13). El factor de normalización para una ĺınea de respuesta j se calcula como (Cherry et al., 2003): Normj = Nj < N > (3.7) donde Nj es el número de cuentas en la ĺınea de respuesta j y < N > es el promedio de número de cuentas para todas las ĺıneas de respuesta. De esta forma el número de cuentas de una ĺınea de respuesta en un sinograma se corrige por normalización siguiendo la ecuación CNormj = Cj Normj (3.8) donde CNormj es el número de cuentas de la ĺınea de respuesta j corregido por normalización y Cj es el número de cuentas de la ĺınea de respuesta j sin corrección. Para obtener una buena determinación del sinograma de normalización se debe realizar un estudio de la fuente con suficientes cuentas para tener una buena estad́ıstica. Con alrededor de 400 coincidencias por ĺınea de respuesta se deter- minan los factores de corrección con una precisión del 5% (Defrise et al., 1991). Corrección por decaimiento Cuando se realizan estudios con radionúclidos con vida media comparable al tiempo en el que se realiza el estudio, el número de cuentas registrado en cierto intervalo de tiempo debe corregirse por el decaimiento radioactivo del radionúclido. Aśı, el número de cuentas registrado en las últimas adquisiciones del estudio serán multiplicadas por un factor mayor que las cuentas de las primeras adquisiciones. El factor de corrección por decaimiento para una adquisición ocurrida en el tiempo t y con intervalo de duración ∆t se calcula siguiendo la siguiente ecuación (Cherry et al., 2003): 28 Figura 3.13: El sinograma de una fuente uniforme se observa con variaciones en el número de cuentas debido a la diferencia en la eficiencia de detección. Corrigiendo por normalización el sinograma se homogeniza. DFeff (t,∆t) = exp(− ln(2)× t/T1/2)× [(1− exp(−x))/x] (3.9) donde T1/2 es la vida media del radionúclido con el que se realizó el estudio y x = ln 2×∆t/T1/2. 3.2.4 Proyecciones Usando solo ĺıneas de respuesta que cumplan con geometŕıa de haz paralelo se pueden obtener proyecciones en un plano de la distribución delradionúclido a distintos ángulos. Estas proyecciones se pueden utilizar para realizar la recons- trucción tomográfica. Esta forma de almacenamiento de los datos (imágenes de proyecciones) es conveniente cuando se realiza adquisición en 2D, ya que si se utilizara modo de adquisición en 3D se tendŕıan que despreciar muchas ĺıneas de respuesta oblicuas para obtener las proyecciones. La geometŕıa de haz paralelo 29 es útil para vigilar prácticamente en tiempo real si la adquisición de datos en coincidencia se ésta realizando correctamente. 3.2.5 Modo de lista En esta forma de almacenamiento de datos todas las ĺıneas de respuesta se van registrando tomando en cuenta el par de detectores donde se registraron los dos eventos en coincidencia. Una de las ventajas de esta forma de registrar los datos es la ausencia de un muestreo en el que la información puede ser alterada. Este modo de almacenamiento de datos requiere del uso de métodos de reconstrucción itera- tivos, que aunque requieren de mucho proceso de cómputo, son los que mejores resultados arrojan. 3.3 Métodos de reconstrucción anaĺıticos Los métodos anaĺıticos requieren de la información organizada en sinogramas o proyecciones ya que operan sobre la intensidad de las ĺıneas de respuesta que matemáticamente representan la integral de ĺınea de la actividad de las muestras. Muchos de estos métodos hacen uso de la transformada de Fourier y del teorema de corte central (Natterer, 1986) para reconstruir las imágenes. 3.3.1 Retroproyección filtrada La retroproyección filtrada hace uso de los sinogramas para reconstruir la imagen tomográfica. Las imágenes reconstruidas de esta manera presentan artefactos que se pueden corregir utilizando filtros que toman en cuenta el proceso de retro- proyección. Las proyecciones obtenidas a distintos ángulos son retroproyectadas sobre un plano para obtener la imagen (figura 3.14). Al realizar la operación de retro- proyección se obtiene la imagen a través de una convolución con la función 1/r por lo que se observan artefactos en la imagen reconstruida que provocan bor- rosidad. Una convolución en el espacio de coordenadas se transforma en una multiplicación en el dominio de las frecuencias, por lo que al realizar la transfor- 30 mada de Fourier de la retroproyección se puede multiplicar por el filtro necesario para obtener la imagen con un mı́nimo de artefactos. Figura 3.14: La retroproyección de las proyecciones a distintos ángulos recons- truye la imagen. La calidad de la imagen mejora usando mayor cantidad de proyecciones. Este método de reconstrucción es más adecuado para estudios de tomograf́ıa computarizada (tomograf́ıa de transmisión) debido a la f́ısica del proceso de de- tección. En el caso de tomograf́ıa por emisión (PET, SPECT) los métodos itera- tivos arrojan mejores resultados. 3.4 Métodos de reconstrucción iterativos Los métodos de reconstrucción iterativos comienzan con una estimación inicial de la imagen y la proyectan para comparar esta proyección con los datos de proyección medidos. Con base en la diferencia entre lo estimado y lo medido se aplican factores de corrección a la imagen y se vuelve a calcular un estimado. Este proceso se realiza de forma iterativa hasta obtener un buen estimado de la imagen. En la figura 3.15 se muestra una iteración del método iterativo más simple. La información que se obtiene del estudio experimental son las proyecciones a distintos ángulos. De la imagen estimada inicial se obtienen las proyecciones a los mismos ángulos usados en el estudio y se calcula el error de la proyección 31 estimada con respecto a la proyección medida. Con base en este error se calcula un factor de corrección que se aplica a la imagen. En el ejemplo mostrado el factor de corrección se suma a los elementos de la imagen. Los distintos algoritmos desarrollados cambian la forma en que el factor de corrección es calculado y aplicado a la imagen. Algunos métodos utilizan factores multiplicativos en lugar de la suma, pero todos los métodos operan básicamente proyectando y retroproyectando para corregir. Figura 3.15: Las proyecciones que se obtienen del sujeto bajo estudio se comparan con las proyecciones de la imagen estimada y mediante una resta se calcula un factor de corrección. El factor de corrección se distribuye entre el número de pixeles sobre los que se obtiene la proyección. 32 3.4.1 Maximum Likelihood Expectation Maximization Entre los algoritmos iterativos existentes, el más utilizado en PET es el algo- ritmo Ordered Subsets for Expectation Maximization (OSEM), que es una va- riante del algoritmo Maximum Likelihood Expectation Maximization (ML-EM), ya que este algoritmo toma en cuenta que el proceso de emisión y detección sigue una estad́ıstica de Poisson lo que arroja mejores resultados en presencia de ruido y las imágenes obtenidas son de mejor calidad que las obtenidas con otros métodos (Shepp y Vardi, 1982). Este tipo de estad́ıstica se introduce en el modelo matemático del algoritmo para estimar la imagen. Debido a que la distribución de actividad λ̂ se representa mediante pixeles, o voxeles en el caso tridimensional, se definen los pixeles con los que se reconstruirá la imagen como b = 1, ..., B, donde B es el número total de pixeles (se expresa la imagen como un vector). Los pares de detectores con los que se obtienen las cuentas por ĺınea de respuesta se definen como d = 1, ..., D (figura 3.16), donde D es el número total de pares de detección. Dadas estas dos variables se necesita conocer la probabilidad p(b, d) de que un evento emitido en el pixel b sea detectado en el par de detección d. Esta probabilidad depende de la geometŕıa del sistema y de la f́ısica del proceso de emisión y detección de fotones. Todos los elementos de probabilidad p(b, d) se suelen representar de forma matricial y en conjunto forman lo que se conoce como la matriz del sistema. El tamaño de esta matriz es de D × B, por lo que puede llegar a ser muy grande aunque con muchos elementos iguales a cero. El cálculo de esta matriz se puede hacer de distintas formas. De forma experimental se colocan fuentes puntuales en la posición de cada uno de los voxeles y se mide la respuesta de los detectores (Tohme y Qi, 2009). Este método es muy tardado aunque con él se puede obtener información que con otros métodos no es posible obtener, como los efectos f́ısicos del proceso de detección. Otra manera de calcular la matriz del sistema es me- diante simulaciones Monte Carlo modelando la geometŕıa del sistema y utilizando de igual forma fuentes puntuales en distintas posiciones o fuentes extendidas cubriendo todo el campo de vista. La matriz del sistema, además de contener información sobre la probabilidad de detección debido a la geometŕıa, puede incorporar información sobre la f́ısica 33 Figura 3.16: De la imagen reconstruida mediante pixeles se debe conocer la pro- babilidad de que un par de fotones emitidos en dicho pixel sea detectado por cada uno de los pares de detectores. 34 del proceso de emisión y detección, como el efecto del alcance del positrón, la no colinealidad en la emisión de los fotones y la eficiencia de detección debido a la composición de los detectores. Dependiendo del método utilizado para calcular la matriz del sistema ésta incorporará los distintos procesos involucrados en el estudio PET y la calidad de la reconstrucción variará en función de los procesos considerados en el algoritmo iterativo. La ecuación que utiliza el algoritmo ML-EM se obtiene del estimado de la máxima probabilidad de la distribución de actividad λ̂ dado el número de cuentas n∗ que se detectan en los módulos de detección. λ̂new(b) = λ̂old(b) D∑ d=1 n∗(d)p(b, d) B∑ b′=1 λ̂old(b′)p(b′, d) (3.10) donde λ̂old es la distribución en la iteración anterior. Este algoritmo puede utilizarsetanto con los datos en forma de sinogramas como en forma de modo de lista. 3.4.2 OSEM Una variante del método ML-EM es OSEM (Ordered Subsets for Expectation Maximization), en el cual se aplica el mismo algoritmo de reconstrucción que en ML-EM pero sólo utilizando un subconjunto (subset) de los datos en cada iteración (Hudson y Larkin, 1994). De esta manera se acelera el proceso de reconstrucción obteniendo los mismos resultados del algoritmo ML-EM. El grado de aceleración depende del número de subsets utilizados. Por ejemplo, al utilizar 16 subsets de datos se reconstruye 16 veces más rápido ya que se obtiene la misma reconstrucción que la obtenida con 16 iteraciones de ML-EM. 3.4.3 Regularización Una desventaja del método ML-EM es el deterioro de la imagen después de de- terminado número de iteraciones a causa del ruido. Para corregir esto, se han 35 desarrollado distintos métodos que logran una convergencia en la imagen después de cierto número de iteraciones. Estos métodos se basan en la estimación llamada ”maximum a posteriori” (MAP) de la imagen. Uno de estos métodos hace uso de filtros espaciales para evitar el deterioro de la imagen con sucesivas iteraciones (Alenius et al., 1998). El estimado λ̂new(b) se obtiene multiplicando el estimado obtenido del algoritmo ML-EM por el factor de corrección d(b) d(b) = ( 1 + βr λ̂old(b)− f(λ̂old(b)) f(λ̂old(b)) )−1 (3.11) donde βr es un factor de peso y f(·) es un filtro que puede ser de mediana o de tipo Gaussiano. De esta manera el algoritmo ML-EM regularizado resulta λ̂new(b) = λ̂old(b) D∑ d=1 n∗(d)p(b, d) B∑ b′=1 λ̂old(b′)p(b′, d) d(b) (3.12) La aplicación del término de regularización asegura una convergencia en la estimación de la imagen. La desventaja del método es que se pierde un poco de resolución espacial debido al suavizado del filtro. 3.4.4 Cálculos de la matriz del sistema por geometŕıa La probabilidad de que una ĺınea de respuesta emitida en cierta región espacial sea detectada por un determinado par de detectores depende en gran medida de la posición de los mismos alrededor de la muestra, por lo que el cálculo de la matriz del sistema con base sólo en consideraciones geométricas arroja buenos resultados. Uno de los métodos más sencillos para calcular los elementos de la matriz del sistema con base en la geometŕıa del sistema considera ĺıneas de detección entre cada par de detectores (centro a centro) y asigna una probabilidad a cada pixel de- pendiendo del segmento de la ĺınea que lo cruza (figura 3.17). Esta aproximación 36 es poco realista ya que no considera el ancho de los detectores. Figura 3.17: La probabilidad de que un par de fotones emitidos en b sean detec- tados en el par de detección d se considera proporcional al largo del segmento de ĺınea que cruza el pixel b. Un segundo método toma en cuenta el ancho de los detectores, definiendo de esta forma tiras de detección (figura 3.18), o tubos de detección en el caso tridimensional, entre cada par de detectores. En este caso la probabilidad se asigna dependiendo del área de la tira de detección que cruza el pixel, como se muestra en la figura 3.18. Este método fue el utilizado en esta tesis. El cálculo de la matriz del sistema tomando en cuenta sólo consideraciones geométricas se puede realizar mediante programación y es el método más rápido en comparación con el cálculo experimental y con simulaciones Monte Carlo. 3.4.5 Cálculo de la matriz mediante simulaciones Monte Carlo Existen distintas formas para el cálculo de los elementos de la matriz del sistema mediante simulaciones Monte Carlo (Gimenez et al., 2006). Una manera consiste en la simulación de distintas fuentes puntuales colocadas en la posición de los 37 Figura 3.18: La probabilidad de que un par de fotones emitidos en el pixel b sean detectados por el par de detección d se considera proporcional al área de la tira que cubre el pixel b. 38 pixeles o voxeles en el campo de vista del escáner PET y observar la respuesta de los detectores del sistema, análogo al caso experimental. Otra manera consiste en la simulación de una fuente uniforme que cubra el campo de vista dividiéndola en los voxeles o pixeles que se utilizarán en la reconstrucción y midiendo la respuesta de los detectores debida a la emisión en cada pixel o voxel (figura 3.19). Figura 3.19: Para calcular los elementos de la matriz del sistema mediante simu- laciones Monte Carlo se mide la respuesta en cada uno de los detectores debida a cada voxel o pixel. Una de las desventajas de las simulaciones Monte Carlo es que se requiere de mucho tiempo de procesamiento, aún con computadoras modernas, ya que se necesita realizar la simulación de una cantidad de eventos suficientes como para tener una buena estad́ıstica en la determinación de los elementos de la matriz del sistema. El espacio de almacenamiento de los datos también puede llegar a ser considerable. La ventaja de las simulaciones Monte Carlo es que se pueden incorporar los efectos debidos a la f́ısica de emisión y detección en la matriz del sistema. 3.5 Proceso total para la formación de imágenes Realizando todo el procesamiento que se ha detallado en las secciones anteriores, se obtienen las imágenes tomográficas de un estudio PET. Dependiendo del algo- ritmo de remuestreo que se desee usar, los procesos se deben realizar en distinto 39 orden. En la figura 3.20 se muestra un diagrama de flujo del procedimiento que se debe realizar al utilizar SSRB y MSRB y en la figura 3.21 para FORE. 40 Figura 3.20: Diagrama de flujo para el procesamiento de los datos al utilizar SSRB y MSRB. Este procedimiento se aplica para cada intervalo angular de adquisición de datos. 41 Obtención de los datos en los sistemas de coordenadas de los detectores individu ales (x, y, E) l Asignación de cada evento a los cristales ordenados (corrección por distorsión geométrica ) ~ ~ Remu estreo siguiendo Remu estreo siguiendo SS RB MSRB I ~ Cálculo de (r; e) para cada evento en coincidencia con respecto al sistema de coordenadas de laboratorio 1 Cálculo del sinograma y corrección por: L Decaimiento 2. Centro de Rotación 3. Norm alización Reconstru cción con FBP Reconstru cción con métodos iterativos Figura 3.21: Diagrama de flujo para el procesamiento de los datos al utilizar FORE. Este procedimiento se aplica para cada intervalo angular de adquisición de datos. TF y TIF se refiere a transformada de Fourier y Transformada Inversa de Fourier, respectivamente 42 Obtención de los datos en los sistemas de coordenadas de los detectores individu ales (x, y, E) Asignación de cada evento a los cristales ordenados (corrección por distorsión geométrica) + Cálculo de (1;8) para obtener los sinogramas oblicu os y ordenarlos por su valor (z,6 ) (ecuaciones 3.5 y 3.6) + I Correcciones por: 1. Decaimiento 1. Centro de Rotación 3. Norm alización I Dominio I InicializarTF de sinogramas en planos Zd I de + frecuencia Cálculo de la TF de los sinogramas oblicu os + Delimitarlas 3 regiones de la TF de los sinogramas oblicu os (fig.3.10 ) Para cada elemento (w, k) de la TF de los sinogramas oblicu os, calcular z' =z-6k/ w (fig. 3.11 ) Para los sinogramas oblicu os con + (z,6=0) asignar cada elemento (w, k) a los sinogramas en los planos Asignar dicho elemento (w, k) a zdmas cercanos a Z interpolando los sinogramas en los planos Zd mas cercanos a z' interpolando I Unir región 1 y 3 de los sinogramas Zd J I Aplicar la TIF de los sinogramas I Reconstru cción con FBP Reconstru cción con métodos iterativos 43 Caṕıtulo 4 Caracterización del prototipo microPET 4.1 Introducción Para determinar el desempeño de un escáner PET se realizan una serie de pruebas que arrojan información sobre sus caracteŕısticas, como son la resolución espa- cial, la resolución en enerǵıa y la sensibilidad. Estas pruebaspueden realizarse siguiendo protocolos que describen los materiales y métodos que se deben usar (e.g. NEMA NU 4-2008). 4.2 Caracteŕısticas del prototipo microPET El sistema consta de 4 módulos de detección. Cada módulo está formado de un arreglo de cristales centelladores LYSO de 16 × 16 elementos de 1 × 1 × 10 mm3 cada uno, con un pitch de 1.075 mm (material reflejante entre cristales de 0.075 mm). Cada arreglo de cristales centelladores está acoplado a un tubo fotomultiplicador sensible a la posición (PS-PMT) Hamamatsu H7546 con 64 señales de salida y una señal de disparo (d́ınodo 12). Se usaron dos tipos de electrónica en la elaboración de esta tesis para el proce- samiento de estas señales. Un primer diseño usaba la implementación de cadenas resistivas con las que se redućıa el número de señales de 64 a 4. Estas señales se 44 amplificaban posteriormente en módulos preamplificadores lineales de 16 canales Philips Scientific modelo 776, cada canal con una ganancia de 2. Las señales del d́ınodo 12 se invert́ıan con módulos NIM, ya que las tarjetas digitalizadoras (zawarzin) trabajan con señales negativas. Debido a que no se contaban con los suficientes módulos NIM para amplificar e invertir las señales, se diseñó una nueva electrónica. El segundo diseño de la electrónica usa de igual manera cadenas resistivas para reducir el número de señales de 64 a 4. A estas cadenas se agregó una etapa de amplificación e inversión utilizando amplificadores operacionales de alta velocidad y alto desempeño AD8002AR de Analog Devices, con un valor de ganancia 2. De esta manera las señales pueden entrar a las tarjetas digitalizadoras sin pasar por los módulos NIM. Todos los componentes de este último diseño son de montaje superficial, a excepción del conector de las señales y del d́ınodo, para reducir al máximo el tamaño del circuito impreso. Las señales se digitalizan con una resolución de 12 bits y son transferidas v́ıa Ethernet a la computadora. A diferencia del prototipo microPET desarrollado con anterioridad en el IF- UNAM (Alva, 2009), que contaba con PS-PMTs Hamamatsu H8500, nuestro prototipo tiene una campo de vista más reducido, de alrededor de 16× 16 mm2. Los 4 módulos de detección se encuentran montados en un anillo con una distancia entre detectores opuestos de 102 mm, como se muestra en la figura 4.2. El campo de vista que se obtiene es de 17.2 mm en el plano transaxial. Las muestras son colocadas en el centro del anillo y en el caso de las adquisiciones tomográficas éstas son rotadas por un motor que se controla automáticamente en sincronización con la adquisición de datos. Una adquisición t́ıpica requiere el uso de 30 proyecciones de 0◦ a 90◦ durante tiempos de 3 a 4 minutos cada una. La ventana de coincidencia siempre se mantuvo en 12 ns, y el tiempo de integración 240 ns. 4.3 Resolución en enerǵıa La habilidad de un detector para determinar la enerǵıa de un fotón que interac- ciona en él se conoce como resolución en enerǵıa (Cherry y Dahlbom, 2006). La incertidumbre en la determinación de la enerǵıa del fotón se debe principalmente a 45 Figura 4.1: a) Módulos NIM para el procesamiento de las señales, b) Arreglo de cristales centelladores LYSO y PMT sensible a la posición Hamamatsu H7546, c) Tarjeta DAQ96, d) Cristales centelladores acoplados al PS-PMT y a la cadena resistiva 46 Figura 4.2: Disposición de los 4 módulos de detección etiquetados como Z1, Z2, Z5 y Z6. Z1 funciona en coincidencia con Z5, mientras que Z2 lo hace con Z6 47 la naturaleza del proceso de detección que sigue una estad́ıstica de Poisson (Knoll, 2000). Los espectros t́ıpicos que se obtienen de fotones monoenergéticos presentan una forma gaussiana con el pico centrado en la enerǵıa del fotón primario. El valor σ de la gaussiana se calcula a partir del FWHM como σ ≈ FWHM/2.35. La resolución en enerǵıa se calcula como RE(%) = FWHM E0 × 100 (4.1) donde el FWHM se calcula sobre la gaussiana y E0 es el valor de la enerǵıa a la que se localiza el pico, como se muestra en la figura 4.3. Figura 4.3: Espectro que muestra el fotopico sobre el que se calcula la resolución en enerǵıa. 4.4 Sensibilidad La sensibilidad del sistema se define como el número de eventos (en cuentas por segundo) detectados por unidad de concentración de actividad (cps/Bq/ml) en un 48 maniqúı especifico (Cherry y Dahlbom, 2006). También se suele expresar como la fracción de actividad que produce una detección en coincidencia. La sensibilidad de un equipo PET depende de diversos factores, como la efi- ciencia de detección para fotones de 511 keV, el ángulo sólido que cubren los detectores y la ventana en enerǵıa empleada para la discriminación de eventos. Una mayor sensibilidad ayuda a obtener imágenes de mejor calidad y a realizar estudios en menor tiempo con menor cantidad de actividad inyectada al sujeto en estudio. Es por esto que siempre se busca maximizar la sensibilidad del equipo. La eficiencia de detección � depende de la composición f́ısica de los elementos de detección que determina la probabilidad de interacción de los fotones. Si se considera una ventana de enerǵıa en la detección de los fotones, entonces la eficiencia de detección está dada por ε = Φ(1− e−µd) (4.2) Donde Φ es la cantidad de eventos que caen dentro de la ventana de enerǵıa, µ es el coeficiente de atenuación lineal del cristal centellador y d es el espesor. Debido a que un evento en coincidencia requiere de la detección de dos fotones, la eficiencia de detección en coincidencia está dada por el cuadrado de la ecuación 4.2. La eficiencia geométrica Ω depende del ángulo sólido con que cubren los de- tectores a la fuente y de la fracción de empacamiento ϕ. Este último parámetro se determina a partir del espaciamiento que existe entre los cristales discretos de- bido al material reflector que se coloca entre ellos. La fracción de empacamiento es el cociente entre el área del elemento de detección y el área de la superficie total, incluyendo el espacio muerto. ϕ = ancho× alto (ancho+ espaciamiento)× (alto+ espaciamiento) (4.3) Para una fuente puntual la sensibilidad, η, es el producto del cuadrado de la eficiencia � y la eficiencia geométrica Ω × ϕ. Expresada como porcentaje la 49 eficiencia resulta η = 100× ε 2ϕΩ 4π (4.4) Para una fuente distribuida la expresión resulta más compleja debido a las diferencias en las eficiencias geométricas y de detección a lo largo del campo de vista. La medida de la sensibilidad se realizó utilizando una fuente puntual de 22Na colocada en el centro del campo de vista y en distintas posiciones sobre el eje axial (figura 4.4). A partir de los eventos detectados y de la actividad de la fuente utilizada la sensibilidad absoluta se calcula como SA = ( R−Rb Acal ) 1 0.9060 (4.5) donde R es la tasa de conteo medida, Rb es la tasa de conteo del fondo, Acal es la actividad de la fuente utilizada en Bq y el factor 0.9060 se utiliza al emplear una fuente de 22Na y se debe a la fracción del decaimiento debida a emisión de positrón. 4.5 Resolución espacial La resolución espacial de un sistema determina la posibilidad de poder resolver en- tre dos objetos “pequeños” distintos que se encuentran a una distancia “pequeña”. En la tomograf́ıa por emisión de positrones el tamaño de los detectores es el parámetro dominante en la determinación de la resolución espacial. La no coli- nealidad de la emisión de los fotones de aniquilación, el alcance del positrón, la penetración en el anillo de detección y los errores de decodificación en los módulos de detección también contribuyen a la resolución espacial del sistema. Con estos parámetros se puede calcular la resolución espacial Γ para una fuente puntual a una distancia radial r del centro como (Moses, 2011): 50 Figura 4.4: Arreglo para cálculo de sensibilidad.
Compartir