[FPU2019] Imagen médica mediante tomografía por emisión de positrones(PET)

El objetivo de la tomografía por emisión de positrones (PET) es generar imágenes de la distribución de un radiofármaco emisor de positrones en vivo. El radio-trazador está constituido por un emisor de partículas ß+ (positrones), que al aniquilarse con electrones (e-) del medio producen dos rayos gamma de 511keV, paralelos y opuestos, que se detectan en coincidencia en un escáner PET. A partir de dos detecciones en coincidencia se traza una Línea de Respuesta (LORs), donde se puede afirmar que en uno de sus puntos se produjo la aniquilación. Dichas LORs constituyen los datos de entrada de un escáner PET, que, tras el proceso de reconstrucción nos proporcionarán imágenes tomográficas. A fin de aplicar los algoritmos de reconstrucción, las imágenes se discretizan, frecuentemente en vóxeles (píxeles en 3D), siendo éstos las mínimas unidades posibles de emisión. Gracias a esta técnica podemos obtener imágenes con información metabólica y funcional de los tejidos de una forma no invasiva.

Actualmente, la imagen tomográfica es una herramienta fundamental para la diagnosis temprana del cáncer y de enfermedades cardiovasculares, así como para la evaluación de las terapias aplicadas y el estudio de nuevos fármacos.

El grupo donde se va a desarrollar este trabajo, el grupo de detectores para imagen molecular del i3m, https://www.i3m-detectors.i3m.upv.es/, en el Instituto de Instrumentación para la Imagen Molecular (i3m, centro mixto Universitat Politècnica de València-Consejo Superior de Investigaciones Científicas CSIC), investiga tanto el desarrollo de nuevos escáneres, como el software asociado para tener una mayor calidad de imagen. En la actualidad, este grupo está desarrollando un nuevo prototipo para un escáner  PET que permitirá la exploración PET aumentando la sensibilidad y la resolución espacial del escáner.  Esperamos que este nuevo prototipo tenga una resolución espacial del 0.5mm y a diferencia de otros escáneres existentes, esperamos mantener la resolución a lo largo del todo el volumen del campo de visión (FOV, Field Of View).

Por otra parte, las técnicas de deep-learning están demostrando tener un gran potencial en todos los campos de la imagen médica, en restauración de imagen, segmentación y análisis de imagen, y en especial en el campo de la imagen PET. En la mayoría de los casos, incluyendo el grupo donde se va a desarrollar este trabajo, hasta ahora, las técnicas de deep-learning se aplican solo en imágenes médicas ya reconstruidas y mediante estas técnicas  se mejora la calidad final de la imagen, pero muy pocos utilizan los métodos de deep-learning como método de reconstrucción por sí mismo .
En este trabajo pretendemos utilizar estas técnicas  en todo el proceso de reconstrucción de imagen, así como la comparación de los resultados obtenidos con los algoritmos utilizados hoy en día de forma rutinaria en la reconstrucción tomográfica de imágenes (FBP, MLEM, OSEM...).