SVILUPPO DI ALGORITMI PER L'ANALISI TOMOGRAFICA DI IMMAGINI BNCT

Boron Neutron Capture Therapy (BNCT) is an advanced radiotherapy technique based on the neutron capture reaction of boron, which enables a selective release of energy within tumor cells. However, tomographic monitoring of the dose distribution during treatment remains one of the main challenges for the clinical implementation of this methodology. This work is carried out within the framework of the SPOC project, which developed a dedicated SPECT system for the detection of the 478 keV gamma photon, enabling the generation of reference three-dimensional tomographic reconstructions. Starting from the volumes reconstructed in the SPOC study, a computational pipeline was developed to generate an extended dataset in order to improve the statistical robustness of reconstruction models. In the first phase, a three-dimensional data augmentation procedure was applied to the initial volumes, including geometric transformations, elastic deformations, and intensity perturbations, with the aim of realistically simulating morphological variations and different acquisition conditions. Subsequently, starting from the augmented volumes, the corresponding tomographic projections were simulated through forward projection, including the modeling of the Point Spread Function (PSF) to reproduce the physical effects of the SPECT acquisition process. The simulated projections were then used as input for training deep learning models aimed at direct projection-to-volume reconstruction. In particular, three architectures based on three-dimensional convolutional neural networks were compared: 3D U-Net, 3D U-Net Tight Frame, and a three-dimensional variant of SPECTNet. The obtained results demonstrate the feasibility of integrating tomographic reconstruction techniques with deep learning for the optimization of dosimetric monitoring in BNCT applications, highlighting the potential of these approaches for future developments in quantitative medical imaging.

La Boron Neutron Capture Therapy (BNCT) è una tecnica radioterapica avanzata basata sulla reazione di cattura neutronica del boro, che consente un rilascio selettivo di energia all’interno delle cellule tumorali. Il monitoraggio tomografico della distribuzione di dose durante il trattamento rappresenta tuttavia una delle principali sfide per l’implementazione clinica della metodologia. Il presente lavoro si inserisce nel contesto del progetto SPOC, che ha sviluppato un sistema SPECT dedicato alla rivelazione del fotone gamma a 478 keV, consentendo la generazione di ricostruzioni tomografiche tridimensionali di riferimento. A partire dai volumi ricostruiti nello studio SPOC è stata sviluppata una pipeline computazionale per la generazione di un dataset esteso, al fine di migliorare la robustezza statistica dei modelli di ricostruzione. In una prima fase è stata applicata una procedura di data augmentation tridimensionale sui volumi di partenza, includendo trasformazioni geometriche, deformazioni elastiche e perturbazioni dell’intensità, con l’obiettivo di simulare realistiche variazioni morfologiche e diverse condizioni di acquisizione. Successivamente, a partire dai volumi sottoposti a data augmentation, sono state simulate le corrispondenti proiezioni tomografiche mediante forward projection, includendo la modellazione della Point Spread Function (PSF) per riprodurre gli effetti fisici del processo di acquisizione SPECT. Le proiezioni simulate sono state quindi utilizzate come input per l’addestramento di modelli di deep learning finalizzati alla ricostruzione volumetrica diretta projection-to-volume. In particolare, sono state confrontate tre architetture basate su reti neurali convoluzionali tridimensionali: 3D U-Net, 3D U-Net Tight Frame e una variante tridimensionale di SPECTNet. I risultati ottenuti dimostrano la fattibilità dell’integrazione tra tecniche di ricostruzione tomografica e apprendimento profondo per l’ottimizzazione del monitoraggio dosimetrico in applicazioni BNCT, evidenziando il potenziale di tali approcci per futuri sviluppi nel campo dell’imaging medico quantitativo.