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

Autores
Rodriguez Colmeiro, Ramiro Germán
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Minsky, Daniel
Grosges, Thomas
Descripción
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.
Fil: Rodriguez Colmeiro, Ramiro Germán. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires; Argentina.
Materia
Imágenes médicas
Tomografía por emisión de positrones
Aprendizaje automático
Redes neuronales generativas adversarias
Mallas adaptadas
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2022-04-22T16:04:32Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/6164
Acceder
id RIAUTN_6bf2e1fcf094f7859596fed21c502cfa
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/6164
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Hacia imágenes de tomografía por emisión de positrones de dosis reducida por medio de muestreo disperso y aprendizaje automático.Rodriguez Colmeiro, Ramiro GermánImágenes médicasTomografía por emisión de positronesAprendizaje automáticoRedes neuronales generativas adversariasMallas adaptadasEn 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.Fil: Rodriguez Colmeiro, Ramiro Germán. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires; Argentina.Minsky, DanielGrosges, Thomas2022-04-22T16:04:32Z2022-04-22T16:04:32Z2021-05-18info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralplainapplication/pdfhttp://hdl.handle.net/20.500.12272/6164spainfo:eu-repo/semantics/openAccess2022-04-22T16:04:32Zhttp://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 InternacionalFacultad Regional Buenos Aires. Universidad Tecnológica NacionalAtribución – No Comercial – Compartir Igual (by-nc-sa): No se permite un uso comercial de la obra original ni de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:48:13Zoai:ria.utn.edu.ar:20.500.12272/6164instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:48:14.524Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Hacia imágenes de tomografía por emisión de positrones de dosis reducida por medio de muestreo disperso y aprendizaje automático.
title Hacia imágenes de tomografía por emisión de positrones de dosis reducida por medio de muestreo disperso y aprendizaje automático.
spellingShingle Hacia imágenes de tomografía por emisión de positrones de dosis reducida por medio de muestreo disperso y aprendizaje automático.
Rodriguez Colmeiro, Ramiro Germán
Imágenes médicas
Tomografía por emisión de positrones
Aprendizaje automático
Redes neuronales generativas adversarias
Mallas adaptadas
title_short Hacia imágenes de tomografía por emisión de positrones de dosis reducida por medio de muestreo disperso y aprendizaje automático.
title_full Hacia imágenes de tomografía por emisión de positrones de dosis reducida por medio de muestreo disperso y aprendizaje automático.
title_fullStr Hacia imágenes de tomografía por emisión de positrones de dosis reducida por medio de muestreo disperso y aprendizaje automático.
title_full_unstemmed Hacia imágenes de tomografía por emisión de positrones de dosis reducida por medio de muestreo disperso y aprendizaje automático.
title_sort Hacia imágenes de tomografía por emisión de positrones de dosis reducida por medio de muestreo disperso y aprendizaje automático.
dc.creator.none.fl_str_mv Rodriguez Colmeiro, Ramiro Germán
author Rodriguez Colmeiro, Ramiro Germán
author_facet Rodriguez Colmeiro, Ramiro Germán
author_role author
dc.contributor.none.fl_str_mv Minsky, Daniel
Grosges, Thomas
dc.subject.none.fl_str_mv Imágenes médicas
Tomografía por emisión de positrones
Aprendizaje automático
Redes neuronales generativas adversarias
Mallas adaptadas
topic Imágenes médicas
Tomografía por emisión de positrones
Aprendizaje automático
Redes neuronales generativas adversarias
Mallas adaptadas
dc.description.none.fl_txt_mv 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.
Fil: Rodriguez Colmeiro, Ramiro Germán. Universidad Tecnológica Nacional. Facultad Regional Buenos Aires; Argentina.
description 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.
publishDate 2021
dc.date.none.fl_str_mv 2021-05-18
2022-04-22T16:04:32Z
2022-04-22T16:04:32Z
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12272/6164
url http://hdl.handle.net/20.500.12272/6164
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2022-04-22T16:04:32Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Facultad Regional Buenos Aires. Universidad Tecnológica Nacional
Atribución – No Comercial – Compartir Igual (by-nc-sa): No se permite un uso comercial de la obra original ni de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
eu_rights_str_mv openAccess
rights_invalid_str_mv 2022-04-22T16:04:32Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Facultad Regional Buenos Aires. Universidad Tecnológica Nacional
Atribución – No Comercial – Compartir Igual (by-nc-sa): No se permite un uso comercial de la obra original ni de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
dc.format.none.fl_str_mv plain
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230954958815232
score 13.24418

Publicaciones similares