WIDMApp

Tesi di Francesca Nicolanti:

• Geometria

  

  • 6 organi emittenti 131I come nel caso di carcinoma tiroideo:
    1. Tiroide
    2. Fegato
    3. Vescica
    4. Rene dx
    5. Rene sn
    6. Milza
  • Un detector per organo (2 per la tioride)
    • Per il momento assunta efficienza 1: fattorizzeremo il problema

• Simulazione Monte Carlo

  • Acceso un organo per volta

  • Simulati direttamente i fotoni da 360keV (i beta non escono)

  • Per ogni simulazione si contano le tracce che entrano in ciascun detector

  • Risultato: "matrice di probabilità"

    • È la probabilità che un primario nato nell'organo i rilasci un segnale nell'organo j

• Costruzione Data Set "realistico":

  • "i conteggi che avremmo con un rivelatore per organo dopo un trattamento con I131"

    • Unendo la matrice di probabilità ad ipotesi di lavoro:

      • Accumulazione istantanea

• Andamento a singolo esponenziale - Valori di Attività iniziale e tau di questo esponenziale da letteratura

• Si ottengono cosi le 7 Time Counts Curves:

• Algoritmo:

  • Si definisce un Chi2 globale e si cerca la combinazione delle 6 coppie di parametri (A0 e tau per ciascun organo attivo) che lo minimizza

  • Minimizzazione non banale a causa delle forti correlazioni

    • Migliori risultati trovati con algoritmo di Nelder Mead

• Risultati:

  • Un detector per organo basta ad ottenere le Time Activity Curve ("TAC") di ogni organo
  • La matrice di probabilità almeno in questo setup semplificato è sostanzialmente diagonale
    • Notevole eccezione è la milza, perche ....
  • Abbiamo trovato una relazione fra l'errore sulla conoscenza delle prior e l'errore sul risultato dei fit
    • "Dimostrata accuratezza del 5% sull'attività totale cumulativa anche con un errore del 20% sui punti sperimentali delle TCC e una variazione del 50% rispetto alle prior del fit"
  • Effetto dello Spostamenti dei rivelatori:
    • La "verità scientifica" è che
      • "se a media nulla non cambia niente"
      • Ben più preoccupante sono casomai gli spostamenti relativi fra rivelatore e sorgente, che sono dovuti ai movimenti del paziente o proprio al cambiamento della posizione degli organi
    • Il problema è che sono a media nulla per definizione se li hai messi in origine nella posizione migliore
      • Che per definizione non sapremo mai
    • Allo stato attuale "il sensore che si muove è l'ultimo dei nostri problemi"
    • In ogni caso
      • Nella simulazione del toy-model abbiamo implementato la possibilità di simulare uno spostamento random dei rivelatori e vedere come varia cosi la matrice di probabilità
      • La vera nostra ancora di salvezza è l'abbondante ridondanza intrinseca alla metodica
        • Acquisendo in continuazione possiamo permetterci di buttare i dati di cui non ci fidiamo, magari per fluttuazioni segnalate da sensori di temperatura o di movimento

• Limiti principali:

  • Mancanza fondo sistemico ("comparto ematico")
    • Potrebbe fornire un "fondo aspecifico" ad ogni singolo rivelatore, rendendo più difficile la deconvoluione delle TACs
    • Rimandiamo il problema ad un fantoccio più elaborato
  • Mancanza fluttuazioni sulla matrice stessa
    • Utilizzata la stessa sia per produrre il dataset che per risolverlo col fit

  ---

Test su NEMA (dec 2020):

• Provato ad effettuare test sperimentale su fantoccio NEMA:

  • Geometria:

    • Tre sorgenti con tau diversi

  • Simulazione Monte Carlo

    • Provato ad usare vera CT in Gamos, ma molto lenta e scomoda

    • Tentata strada di "approccio semplificato", sfruttando la stessa simulazione Geant usata per l'Olmio

    • Risultato simulazione:

    

  • Il nelder mead che avevamo usato per francesca dava risultati non fisici

  • Passo successivo è stato passare ad un NM con limiti sui boundary, beccando almeno l'ordine di grandezza

  • Conclusioni:

    • La matrice era stata troppo accrocchiata
    • Lo studio può essere molto utile, ma va fatto
      • In setup ben controllato e riproducibile
      • Con simualazione più accurata

  ---

Cose capite

• Un rivelatore per organo attivo basta per invertire il problema ed ottenere le TAC dalle TCC

• Rispetto allo standard:

  • Se gia siamo in grado di ricostruire picco e coda a tempi lunghi stiamo messi molto meglio

Cose da capire

• Monte Carlo:
  • Effetto fondo sistemico da comparto ematico
  • Rifare lo studio toy-model con fantoccio ICRP 110, recentemente introdotto in Geant:
    • Provare NM con limiti o "simulated anneahling"
    • Introdurre il comparto ematico
• Rivelatori:
  • Capire le efficienze dei rivelatori sui singoli spettri dei diversi isotopi che useremo (I, Lu)
    • Mettere su un protocollo di misura per stimarla in maniera "facile"
• Elettronica:
  • Ipotesi di lavoro sulla waveboard di Ameli se c'è una persona sul topic (Lorenzo?)
  • Non perché sarà questa la tipologia finale di elettronica, ma perche ci permette di fare test multi sensore nell'imediato e ci dà hint necessari verso l'elettronica finale
• Acquisti:
  • Per ora non abbiamo piazzato alcun ordine
  • Abbiamo però intanto ricevuto i PTER per WIDMApp (ordine fatto con soldi avanzati di Ric)
  • Insieme ai SiPM che Silvio aveva già possiamo produrre la seconda generazione di rivelatori
    • Bisogna trovare il tempo per disegnare la board e mandarla in produzione

Prossimi passi

• Francesco comincia a guardare l'esempio di Geant con il fantoccio ICRP 110
• Riccardo e Silvio pensano alle misure per le efficienze dei rivelatori
• Accordo di Ricerca Collaborativa con IFO e Umberto Primo
  • Necessario per permettere a Riccardo di andare a fare le misure in sicurezza
  • Scrittura accordo in corso