Estudio de las interacciones entre la radiación ionizante y la materia a energías relevantes para su aplicación en el ámbito médico

Abstract

Esta tesis doctoral presenta un estudio detallado sobre las interacciones entre la radiación ionizante y la materia, enfocado en optimizar el entendimiento de la reconstrucción de imágenes en Tomografía por Emisión de Positrones. La investigación surge de la necesidad de trascender la opacidad de los algoritmos comerciales, a menudo tratados como "cajas negras", mediante el desarrollo de herramientas de simulación y códigos propios. El trabajo central consistió en la creación de un simulador basado en el método de Monte Carlo para la generación de sinogramas y la implementación de un algoritmo de reconstrucción iterativo de máxima verosimilitud, en inglés Maximum Likelihood Expectation Maximization. Para ello se diseñaron distintas Matrices del Sistema de gran escala, precalculadas en un clúster de alto rendimiento, que permitió evaluar el impacto de la discretización espacial utilizando tamaños de vóxel desde 7.14 mm hasta una ultra-resolución de 0.82 mm. La validación del sistema de simulación se realizó mediante el uso de fantomas digitales basados en estándares internacionales como es el caso de los fantomas NEMA, analizando métricas como el Coeficiente de Recuperación de Contraste y la variabilidad del fondo. Los resultados demuestran que la reducción del tamaño del vóxel mejora significativamente la resolución espacial y mitiga el Efecto de Volumen Parcial, aunque incrementa el costo computacional para la construcción de las matrices y, luego, la reconstrucción de la información en cada iteración. Asimismo, se cuantificó la degradación de la calidad de imagen ante la presencia de ruido casual (coincidencias aleatorias), evidenciando las limitaciones del algoritmo para recuperar el contraste real en escenarios de alta degradación estadística. Finalmente, se realizó el estudio de microesferas que permitió establecer el desempeño del algoritmo y límites de detectabilidad para microlesiones. Este trabajo es un punto de partida para futuras investigaciones en aceleración de algoritmos de reconstrucción e integración de inteligencia artificial en la reconstrucción de imágenes médicas.

This PhD thesis presents a comprehensive study of the interactions between ionizing radiation and matter, focused on improving the understanding of image reconstruction in Positron Emission Tomography. The research arose from the need to move beyond the opacity of commercial reconstruction algorithms, which are often treated as “black boxes,” through the development of dedicated simulation tools and in-house computational codes. The core of this work consisted of the development of a Monte Carlo–based simulator for sinogram generation and the implementation of an iterative reconstruction algorithm, Maximum Likelihood Expectation Maximization method. To achieve this, several large-scale System Matrices were designed and precomputed using a high-performance computing cluster. This approach enabled the evaluation of the impact of spatial discretization by employing voxel sizes ranging from 7.14 mm down to an ultra-high resolution of 0.82 mm. The simulation framework was validated using digital phantoms based on international standards, such as NEMA phantoms, and by analyzing image-quality metrics including the Contrast Recovery Coefficient and background variability. The results demonstrate that reducing voxel size significantly improves spatial resolution and mitigates the Partial Volume Effect. However, this improvement comes at the expense of increased computational cost for both System Matrix generation and iterative image reconstruction. Furthermore, image quality degradation in the presence of random noise (random coincidences) was quantified, revealing the limitations of the reconstruction algorithm in recovering true contrast under conditions of severe statistical degradation. Finally, a microsphere study was conducted to assess the performance of the reconstruction algorithm and to establish detectability limits for small lesions. This work provides a foundation for future research on the acceleration of reconstruction algorithms and the integration of artificial intelligence techniques into medical image reconstruction.