Image reconstruction algorithm implementation for the easyPET: a didactic and pre-clinical PET system

Tese de mestrado integrado em Engenharia Biomédica e Biofísica , apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2017Tomografia por Emissão de Positrões (PET) é uma técnica de imagiologia funcional, utilizada para observar processos biológicos. O conceito de tomografia por emissão foi introduzido durante a década de 1950, sendo que foi apenas com o desenvolvimento de radiofármacos na década de 1970, que esta técnica começou a ser utilizada em medicina. Nos últimos 20 anos, o avanço tecnológico tornou os sistemas PET numa ferramenta altamente qualificada para imagiologia funcional. Neste período, o aparecimento de sistemas PET-CT veio colmatar as deficiências produzidas pela PET ao nível de imagem estrutural, com a combinação desta técnica funcional com a de Tomografia Computadorizada (CT). A evolução da tecnologia PET foi também acompanhada pela evolução da tecnologia para produção de radiofármacos, incluindo os radionuclídeos, bem como do conhecimento médico relativo aos processos biológicos humanos. Aliando esta tecnologia e conhecimento, tornou-se possível traçar moléculas com funções metabólicas nos diversos sistemas do corpo humano e, assim, produzir uma variedade de imagens funcionais. Dado o tipo de imagem produzida pela técnica PET, é bastante comum associar-lhe o diagnóstico de doenças cancerígenas, cuja principal característica é a desregulação metabólica celular no organismo. Tendo em vista o aumento esperado da incidência de cancro em Portugal e na Europa, tendo já sido atingida uma incidência nacional, em 2010, de 444,50 pessoas em cada 100.000 (números avançados pela DGS, 2015), a utilização de técnicas que permitam o diagnóstico precoce destas doenças é de elevada importância. Posto isto, e apesar do constante crescimento do gasto público em cuidados médicos relativos ao diagnóstico e tratamento de cancro, estão a ser postos cada vez mais esforços e fundos para que o processo de Investigação e Desenvolvimento (I&D) relacionado com esta doença seja célere. São constantemente desenvolvidas novas e melhores técnicas de imagiologia, que permitem diagnósticos mais precoces e precisos, enquanto ajudam na aplicação de planos de tratamento mais eficazes que, consequentemente, levam a um gasto público mais eficiente. Os sistemas PET inserem-se neste contexto e, uma vez permitindo imagem altamente sensível a processos funcionais, facilmente se generalizaram no meio médico e académico. Os sistemas direcionados a aplicações relacionadas com a medicina humana têm como função observar processos biológicos, com a finalidade de um diagnóstico médico ou estudo. Sistemas pré-clínicos, direcionados a estudos com animais pequenos, têm o propósito de auxiliar a investigação relacionada com os estudos preliminares de doenças que afetem o ser humano. Finalmente, e sendo o grupo com menor oferta comercial, os sistemas PET didáticos possibilitam uma melhor formação de pessoal responsável pelo futuro uso e I&D relacionados com esta tecnologia. No entanto, a tecnologia utilizada nestes três tipos de sistemas encarece consideravelmente o seu valor comercial sendo que, contrariamente ao que seria de esperar, os preços dos sistemas pré-clínicos não se diferenciam consideravelmente dos sistemas para humanos. O encarecimento destes sistemas deve-se ao facto de que toda a tecnologia a eles associada tem características mais dispendiosas de produzir. No caso dos sistemas didáticos, simplesmente não existe o incentivo necessário à sua produção e compra. É neste contexto que surge o easyPET. O design inovador, constituído por apenas duas colunas de detetores opostos, e tirando partido de uma atuação sobre dois eixos de rotação, faz deste sistema ideal para entrar no mercado em duas vertentes. A primeira, constituída apenas por um detetor em cada coluna, está destinada a ter um papel didático. A segunda, tirando partido de colunas com múltiplos detetores, foi desenhada para entrar no mercado de sistemas pré-clínicos. Em ambos os casos, a principal característica do easyPET, e a que o destaca dos restantes sistemas, é o seu reduzido número de detetores, que resulta num reduzido custo de produção. Através da implementação de um número reduzido de detetores e, consequentemente, reduzida eletrónica, é possível obter um custo final da máquina inferior. No entanto, é sempre necessário garantir que os dados obtidos em tal sistema correspondam a imagens com as características necessárias, sendo que o processo de reconstrução de imagem é bastante importante. O trabalho apresentado nesta tese tem como objetivo a implementação de um método de reconstrução de imagem a duas dimensões, dedicado ao sistema easyPET. Para tal, foi considerado um algoritmo estatístico iterativo que se baseia na Maximização da Estimativa da Máxima Verosimilhança (ML-EM), introduzido por Shepp e Vardi em 1982. Desde então, tem sido largamente explorado e, inclusive, dando aso a outras versões bastante comuns em reconstrução de imagem PET, como é caso da Maximização da Espectativa usando Subgrupos Ordenados (OS-EM). A implementação do algoritmo escolhido foi feita no software Matlab. Para computar a unidade básica do algoritmo, a Linha de Resposta (LOR), foi implementado o método ray-driven. Por forma a otimizar a construção da matriz de sistema utilizada neste algoritmo, foram implementadas simetrias de geometria. Esta otimização baseou-se na consideração de que a geometria do sistema easyPET pode ser dividida em quadrantes, sendo que um único quadrante consegue descrever os restantes três. Além disso, foram também implementadas otimizações ao nível estrutural do código escrito em Matlab. Estas foram feitas tendo em conta o aumento na facilidade de acesso à memória através da utilização variáveis para rápido indexamento. Foram também implementados dois métodos de regularização de dados: filtragem gaussiana entre iterações e um root prior baseado na mediana. Por forma a comparar, mais tarde, os resultados obtidos através do algoritmo implementado, foi também implementado o método de reconstrução de Retroprojeção Filtrada (FBP). Por último, foi implementada uma interface para o utilizador, utilizando a aplicação GUIDE do Matlab. Esta interface tem como objetivo servir de ponte entre o sistema didático easyPET e o utilizador, para que a experiência de utilização seja otimizada. Por forma a delinear o teste ao sistema easyPET e ao algoritmo ML-EM implementado, foram seguidas as normas NEMA. Este é um conjunto de normas que tem como objetivo padronizar a análise realizada a sistemas de imagem médica. Para tal, foram adquiridos e simulados ficheiros de dados com uma fonte pontual a 5, 10, 15 e 25 mm do centro do campo de visão do sistema (FOV) e utilizando um par de detetores com 2x2x30 mm3. Para realizar a análise de resultados, os dados foram reconstruídos utilizando a FBP implementada, e foi medida a FWHM e FWTM da fonte reconstruída. O mesmo procedimento foi aplicado, mas reconstruindo os dados através do algoritmo ML-EM, utilizando o filtro gaussiano, o MRP, e não utilizando qualquer método de regularização de dados (nativo). Por forma a comparar os métodos de regularização de dados, foi também realizada uma medição do rácio sinal-ruído (SNR). Os resultados foram obtidos para imagens reconstruídas com um pixel de, aproximadamente, 0.25x0.25 mm2, correspondendo a imagens de 230x230 pixéis. Os primeiros resultados foram obtidos a fim de determinar qual a iteração em que se começaria a observar a estabilização das imagens reconstruídas. Para algoritmo ML-EM implementado e o tipo de dados utilizados, foi observado que a partir da 10a iteração o algoritmo ML-EM converge. Através das medidas para a FWHM e FWTM observou-se, também, que os dados obtidos experimentalmente se diferenciam dos resultados obtidos sobre os dados simulados. Isto levou a que, fora dos objetivos deste trabalho, fossem realizados mais testes utilizando dados experimentais e, que daqui em diante, apenas fossem utilizados dados obtidos através de simulação Monte Carlo, por razões de conveniência na precisão da colocação da fonte pontual. De seguida, comparam-se os dados obtidos através da FBP e o algoritmo ML-EM nativo. Para o primeiro caso foram medidas FWHM de 1.5x1.5 mm2, enquanto que para o segundo foram atingidos valores de 1.2x1.2 mm2. Para os métodos de regularização de dados foram medidos valores de resolução semelhantes ou inferiores, sendo que estes resultaram num aumento da qualidade da reconstrução da fonte, observado através do aumento no valor de SNR medido. O trabalho apresentado nesta tese revela, não só a validação do algoritmo de reconstrução proposto, mas também o bom funcionamento e potencialidades do sistema easyPET. Pelos resultados obtidos através das normas NEMA, é possível observar que este sistema vai ao encontro do estado de arte. Mais ainda, através de um método de reconstrução dedicado ao easyPET é possível otimizar os resultados obtidos. Com o avançar do projeto no qual este trabalho esteve inserido, é de esperar que o modelo a três dimensões pré-clínico easyPET irá produzir melhores resultados. De frisar que o sistema easyPET didático se encontra na sua fase final e que os resultados obtidos são bastante satisfatórios tendo em conta a finalidade deste sistema.The easyPET scanner has an innovative design, comprising only two array columns facing each other, and with an actuation defined by two rotation axes. Using this design, two approaches have been taken. The first concerns to a didactic PET scanner, where the arrays of detectors are comprised of only one detector each, and it is meant to be a simple 2-dimensional PET scanner for educational purposes. The second corresponds to a pre-clinical scanner, with the arrays having multiple detectors, meant to acquire 3-dimensional data. Given the geometry of the system, there is no concern with the effects of not measuring the Depth-of-Interaction (DOI), and a resolution of 1-1.5 mm is expected with the didactic system, improving with the pre-clinical. The work presented in this thesis deals with 2D image reconstruction for the easyPET scanners. The unconventional nature of the acquisition geometry, the large amount of data to be processed, the complexity of implementing a PET image reconstruction algorithm, and the implementation of data regularization methods, gaussian filtering and Median Root Prior (MRP), were addressed in this thesis. For this, the Matlab software was used to implement the ML-EM algorithm. Alongside, several optimizations were also implemented in order to convey a better computational performance to the algorithm. These optimizations refer to using geometry symmetries and fast indexing approaches. Moreover, a user interface was created so as to enhance the user experience for the didactic easyPET system. The validation of the implemented algorithm was performed using Monte Carlo simulated, and acquired data. The first results obtained indicate that the optimizations implemented on the algorithm have successfully reduced the image reconstruction time. On top of that, the system was tested according to the NEMA rules. A comparison was then made between reconstructed images produced by using Filtered Back Projection (FBP), the native ML-EM implementation, the ML-EM algorithm using inter-iteration gaussian filtering, and the ML-EM algorithm implemented with the MRP. This comparison was made through the calculation of FWHM, FWTM, and SNR, at different spatial positions. The results obtained reveal an approximate 1.5x 1.5 mm2 FWHM source resolution in the FOV, when recurring to FBP, and 1.2x 1.2 mm2 for the native ML-EM algorithm. The implemented data regularization methods produced similar or improved spatial resolution results, whilst improving the source’s SNR values. The results obtained show the potential in the easyPET systems. Since the didactic scanner is already on its final stage, the next step will be to further test the pre-clinical system