Simulazione MC di TC a fascio conico usando il fantoccio ICRP 110: esempio del complesso testa-collo.

This thesis explores the use of Monte Carlo (MC) simulation to generate Computed Tomography (CT) images using the ICRP110 phantom, with a focus on the head-neck region. Studying and reproducing volumetric data in this region is useful in the context of Boron Neutron Capture Therapy (BNCT), as one of the main therapeutic targets of BNCT are head-neck tumours. BNCT represents a promising alternative to conventional therapies for head and neck cancers due to its ability to significantly damage tumour cells while reducing damage to surrounding healthy tissue. The generation of in-silico CT images from humanoid phantoms is of particular interest in the context of artificial intelligence. Generally, the datasets available to train deep learning models are composed of few data that rarely contain healthy patients. Having a system that enables the generation of volumetric diagnostic images would allow us not only to expand the datasets but also to improve the training of the algorithms. In this context, the AI_MIGHT project was developed in Pavia, which aims to train deep learning models to contour tumour volumes automatically. In this thesis, a first MC simulation approach for the generation of in-silico CT images is developed. In order to achieve this goal, GATE and Geant4 codes has been used, attempting to reproduce the acquisition of a diagnostic Cone Beam image (Cone Beam CT (CBCT)). The work describes the process of volumetric reconstruction of a CBCT, obtained by simulating the interaction of a cone beam of photons with the ICRP 110 phantom, and the subsequent image processing using the OSCaR software. The results obtained demonstrate that it is possible to create CBCT images generated by the ICRP110 phantom through MC methods. However, these images cannot be used to train artificial intelligence systems. Nevertheless, the Geant4 simulation was set up in this work. By refining this, it will be possible to implement sources and detectors to generate the data required for the reconstruction of a CT image. Future perspectives include the optimisation of the simulation, starting with the definition of the source and ending with the implementation of more complex detectors. In addition to simulation, it will be necessary to implement alternative image reconstruction techniques. For example, having a helical movement of the source to improve the quality of the reconstructed image. Furthermore, to increase the number of images to be included in the dataset for training artificial intelligence algorithms, other types of phantom can be used and modelled as required. This work is part of the AI_MIGHT project dedicated to the implementation of software for the automatic segmentation of medical images for the optimisation of BNCT treatment.

Questa tesi esplora l’uso della simulazione Monte Carlo (MC) per generare immagini di Tomografia Computerizzata (CT) utilizzando il fantoccio ICRP110, con particolare attenzione alla regione testa-collo. Studiare e riprodurre dati volumetrici in questa regione è utile nel contesto della Boron Neutron Capture Therapy (BNCT), poichè uno dei principali target terapeutici della BNCT sono i tumori testa collo. La BNCT rappresenta una promettente alternativa alle terapie convenzionali per i tumori della testa e del collo, grazie alla sua capacità di danneggiare in maniera importante le cellule tumorali riducendo il danno ai tessuti sani circostanti. La generazione di immagini CT in-silico da fantocci umanoidi è di particolare interesse nel contesto dell’intelligenza artificiale. Generalmente i dataset disponibili per allenare modelli di deep learning sono composti da pochi dati che raramente contengono pazienti sani. Avere un sistema che permetta di generare immagini diagnostiche volumetriche ci permetterebbe non solo di ampliare i dataset ma anche di migliorare l’allenamento degli algoritmi. In questo contesto, a Pavia è stato sviluppato il progetto AI_MIGHT il quale ha come fine allenare modelli di deep learning per contornare volumi tumorali in modo automatico. In questa tesi viene sviluppato un primo approccio di simulazione MC per la generazione di immagini CT in-silico. Per poter raggiungere questo obiettivo abbiamo utilizzando i codici GATE e Geant4, cercando di riprodurre l’acquisizione di un immagine diagnostica da fascio conico (Cone Beam CT (CBCT)). Il lavoro descrive il processo di ricostruzione volumetrica di un CBCT, ottenuto simulando l’interazione di un fascio conico di fotoni con il fantoccio ICRP 110, e la successiva elaborazione delle immagini tramite il programma OSCaR. I risultati ottenuti dimostrano come sia possibile creare immagini CBCT generate dal fantoccio ICRP110 attraverso metodi MC. Tuttavia, queste immagini non possono essere utilizzate per addestrare sistemi di intelligenza artificiale. Ciò nonostante in questo lavoro è stata impostata la simulazione Geant4. Affinando questa, sarà possibile implementare sorgenti e rivelatori per generare i dati necessari alla ricostruzione di una immagine CT. Le prospettive future includono l’ottimizzazione della simulazione, a partire dalla definizione della sorgente arrivando all’implementazione di rivelatori più complessi. Oltre alla simulazione sarà necessario implementare tecniche di ricostruzione dell’immagine alternative. Ad esempio avere un movimento ad elica della sorgente per migliorare la qualità dell’immagine ricostruita. Inoltre, per aumentare il numero di immagini da inserire nel dataset per allenare algoritmi di intelligenza artificiale si possono usare altri tipi di fantoccio e modellarli a seconda delle necessità. Questo lavoro fa parte del progetto AI_MIGHT dedicato all’implementazione di software per la segmentazione automatica di immagini mediche per l’ottimizzazione del trattamento BNCT.