Breast cancer is leading cancer among females across the globe. Currently available imaging modalities suffer from low specificity and sensitivity especially for women with radiographically dense breasts. In recent years, the diffuse optical tomography (DOT) that utilized NIR light has emerged as a promising modality for breast cancer screening and diagnosis. Yet, the DOT is not fully exploiting its clinical utility because of unavailability of the reliable and efficient imaging system and also the relatively slow and imprecise image reconstruction process.
In this work, firstly we developed a state-of-the-art clinical diffuse optical tomography (DOT) imaging system which collects multichannel, multispectral, frequency-domain breast data under mammographically compressed geometry. The instrument utilizes APD detectors under homodyne detection scheme to measure the amplitude and phase of the diffuse photon density wave (DPDW). The novel features of the DOT system are (1) concurrent data acquisition under same geometry with digital breast tomosynthesis (DBT), which can be used for volume segmentation for DOT image reconstruction without doing image registration, (2) design of source and detection paddle which permits us to design patient-specific source-detector arrangements, (3) and rapid data acquisition. We validated the DOT system using a number of tissue simulating phantoms.
Secondly, we presented an innovative methodology for optimization of sampling schemes in diffuse optical tomography (DOT). The proposed method exploits singular value decomposition (SVD) of the sensitivity matrix, or weight matrix, in DOT. Two mathematical metrics are introduced to assess and determine the optimum source-detector measurement configuration in terms of data correlation and image space resolution. The key idea of the work is to weight each data measurement or rows in the sensitivity matrix, and similarly to weight each unknown image basis, or columns in the sensitivity matrix, according to their contribution to the rank of the sensitivity matrix, respectively. The proposed metrics offer a new perspective on the data sampling and provide an efficient way of optimizing the sampling schemes in DOT. We evaluated various acquisition geometries often used in DOT by use of the proposed metrics. By iteratively selecting an optimal sparse set of data measurements, we showed that one can design a DOT scanning protocol that provides essentially the same image quality at much-reduced sampling.
Thirdly, we presented a novel convolutional neural network (CNN) based approach to learn the bulk optical parameters of a highly scattering medium for instance biological tissue from the DOT boundary measurements. We validated the proposed method against simulation as well as experimental data. We compared the results of the proposed method with existing approaches for evaluating its effectiveness. The encouraging results demonstrate that our proposed CNN based approach for bulk optical property estimation is not only taken lesser time but also outperform the existing methods in terms of accuracy.
Finally, we presented a new data specific mask guided reconstruction algorithm for diffuse optical tomography (DOT). To address the ill-posedness of the inverse problem, conventional image reconstruction approaches employed regularization with a constant penalty parameter, which uniformly smoothes out the solution. We proposed two methods in this work. The first method exploits a data specific prior mask to design a spatially varying regularization. While the second method imposes a region of interest constraints using the prior mask. Moreover, the algorithm in the second method iterates between the discrete and continuous step to update the mask and the optical parameters, respectively. The prior mask is created from the DOT data itself by exploiting the multi-measurement vector formulation. The results of the study indicate the enhancement in accuracy of optical contrast, better spatial resolution and reduction in noise compared with conventional method.
유방암의 조기 검진은 암 사망률을 낮추는 데 매우 중요하며 마모그라피 혹은 토모합성과 같은 X선 기반의 영상 진단이 큰 도움이 되지만 아직 민감도와 특이도 면에서 한계가 있다. 본 연구에서는 유방 암의 광학적 대조도를 이용한 광확산 토모그라피에 필요한 영상 재구성 방법 등에 관한 새로운 기법들을 개발하고 검증하는 것을 목표로 하였다.
X선 유방 단층촬영 장치와 융합한 광확산 토모그라피 장치를 개발하고, 멀티 채널, 멀티 스펙트럼, 주파수 도메인 촬영 기능을 갖도록 하였으며 이 장치를 기반으로 얻은 데이터를 통해 3D 광학 흡수 및 산란계수 영상을 복원하기 위한 새로운 기법들을 개발하였다. 먼저 광학 스캔 시간 단축을 위해 데이터 샘플링을 효과적으로 할 수 있는 기술을 개발하였다. 시스템 행렬의 고유치 분석을 보다 분석적으로 해석하여 측정 데이터를 영상 재구성에 기여하는 수준으로 랭킹화하여 상위 랭킹인 데이터를 줄 수 있는 광원-검출기 짝을 남기는 방법을 고안하였다. 다양한 스캔 구조에 대해서, 예컨대 원형 배열 혹은 평행판 배열 등, 제안 방법을 적용하여 임의로 배열된 N개 짝에 대해 얻을 수 있는 영상 품질 수준을 N/2개 짝에 대해서도 얻을 수 있음을 보였다.
광확산 토모그라피의 영상 품질에 지대한 영향을 미치는 인자 중의 하나가 타겟을 제외한 배경 영상의 광학 계수를 추출하는 부분이며, 이를 위해 본 연구에서는 딥러닝 기법을 이용하여 컨볼루션 신경망을 설계하고 적용하여 기존 계수 추정 방법들 보다 더 정확한 결과를 얻어냈다.
끝으로, 일반적으로 광확산 토모그라피와 같이 역변환이 불안정한 문제를 풀 때 사용하는 정형화 (regularization)를 적용함에 있어서 공간적으로 균일하지 않은 정형화를 사용하거나 특수한 상황으로는 관심영역에 국한하여 정형화를 사용함으로써 전체적인 영상의 품질을 향상할 수 있음을 보였다. 이때 사용한 마스크는 다중 측정 벡터 관점에서 유도하였다.
