شبیه سازی مونت کارلو در تصویربرداری پزشکی
شبیه سازی مونت کارلو در تصویربرداری پزشکی – ایران ترجمه – Irantarjomeh
مقالات ترجمه شده آماده گروه پزشکی
مقالات ترجمه شده آماده کل گروه های دانشگاهی
مقالات
قیمت
قیمت این مقاله: 25000 تومان (ایران ترجمه - irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
شماره | ۵۸ |
کد مقاله | MDSN58 |
مترجم | گروه مترجمین ایران ترجمه – irantarjomeh |
نام فارسی | شبیه سازی مونت کارلو در تصویربرداری پزشکی |
نام انگلیسی | MONTE CARLO SIMULATIONS IN MEDICAL IMAGING |
تعداد صفحه به فارسی | ۱۸ |
تعداد صفحه به انگلیسی | ۷ |
کلمات کلیدی به فارسی | فرمول بندی ژن, ژن درمانی |
کلمات کلیدی به انگلیسی | siRNA, Gene Formulation, Gene Therapy |
مرجع به فارسی | شبیه سازی مونت کارلو, تصویربرداری پزشکی |
مرجع به انگلیسی | MONTE CARLO SIMULATIONS, MEDICAL IMAGING |
کشور | یونان |
شبیه سازی مونت کارلو در تصویربرداری پزشکی
چکیده
طی پنجاه سال گذشته تکنیک های مونت کارلو در عرصه های مختلف فیزیک پزشکی رایج گردیده اند. از جمله عواملی که در استفاده گسترده تر از این تکنیک ها نقش داشته اند عبارتند از توصیف بهتر انتقال تابش و نیز بهینه سازی سیستم های محاسباتی. مزیت اصلی روش مونت کارلو در شبیه سازی فرایندهای تصادفی شامل رفتارهای تصادفی و تعیین کمیت پارامترهای فیزیکی، که محاسبه آنها از طریق روشهای اندازه گیری تجربی دشوار یا حتی غیرممکن است، می باشد. به دلایل فوق، مقالات متعددی بر اساس روش مونت کارلو منتشر شده اند، که اغلب آنها بر برهم کنش های فوتون- الکترون با ماده تأکید دارند. مدلسازی مونت کارلو با برنامه های شبیه سازی متعددی ( از جمله PENELOPE , EGS, GEANT4,…) انجام شده است که با موفقیت در عرصه های مختلف پزشکی ( از جمله ماموگرافی، پزشکی هسته ای، رادیوتراپی و . . . ) به کار گرفته شده است.
شبیه سازی مونت کارلو در تصویربرداری پزشکی
۱- مقدمه
یکی از اهداف مورد نظر در بررسی های تصویربرداری پزشکی بهینه سازی کیفیت تصویر پزشکی می باشد. کیفیت بالای تصویر از طریق طراحی سیستم های تصویربرداری پزشکی با خصوصیات پیشرفته تصویر برداری حاصل می شود. بازدهی کلی یک سیستم پزشکی را می توان با ارزیابی یک سری از عوامل که در کارایی تصویربرداری هرکدام از اجزاء به طور جداگانه نقش اساس ایفا می کنند (مثلاً خواص فیزیکی و هندسی آشکارساز) بررسی کرد. اخیراً، پیشرفتهای جدیدی در ابزار تصویربرداری پزشکی صورت گرفته که ممکن است کارایی سیستم را افزایش دهد. به همین علت به مطالعات و فرآیندهای متعاقب بیشتری نیاز است. برای ارزیابی پارامترهای مختلف در سیستم های تصویربرداری پزشکی اعمال مدلسازی تحلیلی ضروری است. در این راستا می توان از روش مونت کارلو برای حل مسائلی که شامل فرایندهای آماری می باشند استفاده کرد. این روش به خاطر ماهیت تصادفی انتشار نور، همراه با فرآیندهای انتقال و تشخیص، در فیزیک پزشکی بسیار سودمند و مفید می باشد.
روش مونت کارلو به خاطر شباهتی که شبیه سازی آماری با بازیهای شانسی دارد و به خاطر نام شهری در قلمرو موناکو[۱] که مرکز شرط بندی و امور مشابه است، توسط فن نیومن[۲] بدین نام خوانده شد. بنابراین، این روش توسط فیزیکدانان معروفی نظیر فن نیومن، اولام[۳] و فرمی[۴] برای مسائل توزیع نوترون به کار گرفته شد. هرچند پیشرفت سیستماتیک این روش در خلال ۵۰ سال اخیر و از طریق مطالعات، گزارشات و مقالات مروری مختلف که اصول روش مونت کارلو و کاربردهای آن در فیزیک پزشکی را توصیف می کردند، حاصل شده است. افزایش و علاقه چشم گیری در استفاده از تکنیک های مونت کارلو در تمامی عرصه های تصویربرداری پزشکی؛ از جمله ماموگرافی، رادیوگرافی، توموگرافی CT، توموگرافی محاسباتی انتشار تک فوتون SPECT، توموگرافی نشر پوزیترون PET و تصویربرداری داخلی در رادیوتراپی بوجود آمده است. این روش به خاطر محدودیت های کامپیوتری هنوز کاملاً به پتانسیل مطلوب خود نرسیده است. با این حال، با توجه به پیشرفت سوپر کامپیوترهای پرسرعت، مخصوصا با ارائه الگوریتم های موازی که نرخ اجرایی بالاتری دارند، این رشته توجهات بسیاری را به خود جلب نموده است.
هدف این مقاله ارائه تکنیک مونت کارلو و نیز تأکید بر عناصر اصلی این روش می باشد. بر پکیج ها یا بسته های ارائه شده مونت کارلو از جمله ویژگی های مرتبط با کد نویسی آنها (یعنی فیزیک انتقال ذره در ماده) تأکید خواهد شد. کدهای مونت کارلو، که در ارتباط با تسهیلات محاسباتی و اجرای موازی به طور گسترده به کار می روند، نیز توصیف خواهند شد. در نهایت، جنبه های اصلی کاربردهای مونت کارلو در تصویربرداری پزشکی ارائه خواهد شد و در ادامه نقش بالقوه روشهای مونت کارلو ( از جمله گزارشات، مطالعات و مقالات مروری) در عرصه های مختلف پیشرفت در تصویربرداری پزشکی ارائه خواهد شد. این موارد شامل راهکارها، مدلسازی هندسی پیچیده و طراحی کلی سیستم خواهد بود. در رابطه با تحقیقات آینده در رشته فیزیک پزشکی، این مقاله روشهای علمی کامپیوتر – مبنا برای حل مسائل و حل آن دسته از مشکلاتی که بصورت تحلیلی قابلیت حل آنها وجود ندارد، ارائه می شوند.
شبیه سازی مونت کارلو در تصویربرداری پزشکی
۲- روش مونت کارلو و اجزای آن
روشهای مونت کارلو از جمله روشهای عددی هستند که به عنوان روشهای شبیه سازی آماری توصیف می شوند. این روشها عمدتاً برای شبیه سازی فرایندهایی که رفتارهای تصادفی دارند و نیز برای تعیین کمّی پارامترهای فیزیکی که محاسبه آنها از طریق روشهای اندازه گیری تجربی دشوار یا حتی غیرممکن است بکار می روند. اخیراً روشهای مونت کارلو بواسطه پارامترهای تصادفی بودن نشر نور، انتقال و فرایندهای آشکارسازی آنها در بسیاری از امور فیزیک پزشکی بسیار رایج شده اند. لذا یکی از اهداف محققان در تحقیقات مربوط به تصویربرداری پزشکی بهینه سازی طراحی سیستم های تصویربرداری و نیز افزایش کیفیت تصاویر پزشکی می باشد. از چنین روشهایی می توان به منظور حصول اطلاعات با ارزش در مورد ساختار هندسی و مشخص سازی مولفه های متعددی که بر تصویر پزشکی تأثیر می گذارند استفاده نمود. به دلایل فوق، شبیه سازی مونت کارلو بر اثربخشی و پاسخ سیستم تصویربرداری، بعنوان یکی از مباحث مهم، متمرکز است؛ چرا که روشهای مونت کارلو را می توان برای حل مسایل پیچیده ای که نمی توان با استفاده از روشهای جبری و از طریق کدهای کامپیوتری آنها را مدلسازی کرد، بصورت بسیار کارآمد و سودمند بکار گرفت.
اجزای اولیه روش شبیه سازی مونت کارلو عبارتند از:
توابع چگالی احتمال (pdf): سیستم فیزیکی که باید توسط مجموعه ای از pdf ها توصیف شود.
مبدل عدد تصادفی: منبعی از اعداد تصادفی که به صورت یکنواخت در فاصله واحد توزیع شده اند باید وجود داشته باشد.
قانون نمونه برداری: نسخه ای برای نمونه برداری از یک پارامتر خاص مورد نظر
امتیازدهی: نتایج باید به صورت امتیاز یا نمره کلی برای هر کمیت جمع بندی شوند.
برآورد خطا: برآوردی از واریانس خطای آماری باید به صورت تابعی از تعداد آزمایشات و سایر کمیت ها تعیین شود.
تکنیک کاهش واریانس: روشی برای کاهش واریانس در حل برآوردشده جهت کاهش زمان محاسبات برای شبیه سازی مونت کارلو.
الگوریتم های موازی سازی و برداری سازی برای کاربرد مؤثر روش مونت کارلو در ساختارهای کامپیوتری پیشرفته.
برای مسائل انتقال تابش مدل محاسباتی شامل مشخصات هندسی و مشخصات ماده می باشد. هر کد یا برنامه کامپیوتری از یک پایگاه داده متشکل از کمیت های تجربی برخوردار می باشد که تحت هنوان سطح مقطع خوانده شده و احتمال تعامل هر ذره در حین انتقال با رسانه را تعیین می کند. مدلی بر اساس تکنیک مونت کارلو طراحی شده باشد ممکن است مطالعه انتقال سیگنال را تسهیل کند، چرا که ذرات ( فوتون ها، الکترونها، کوانتای نور ) به طور مجزا ردیابی می شوند. در کل، اطلاعاتی را که تنها از طریق روشهای مونت کارلو می توان تعیین کرد عبارتند از:
اثر تابش ( مثلاً اینکه پراکنش چه تأثیری بر انحطاط تصویر پزشکی دارد)؛
اثر انتقال الکترون (یعنی دامنه الکترون بر رزولوشن سیستم تصویر برداری تأثیر می گذارد)؛
اثر انتقال k اشعه ایکس (مثلاً در مورد فرار k اشعه ایکس، کسری از انرژی اشعه ایکس جذب شده از دست می رود و باعث کاهش حساسیت سیستم می شود، در حالیکه در مورد بازجذب k– فلوئورسانس تاری تصویر بوجود می آید که منجر به انحطاط عمقی وضوح تصویر و . . . خواهد شد.
۲-۱- روش مستقیم
این روش را درصورتی می توان استفاده کرد که معکوس تابع توزیع تجمعی / انباشته F-1(x) را بتوان به راحتی بدست آورد. از آنجا که F(x) به طور یکنواخت در فاصله [۰،۱] توزیع شده است، مقدار نمونه برداری شده x را می توان با جایگذاری F(x) در معادله (۱) و عدد تصادفی R بدست آورد، به طوریکه x= F-1(x) . یک مثال عملی از استفاده از این تکنیک محاسبه فاصله تا محل برهم کنش بعدی میباشد. معکوس پذیری همیشه امکان پذیر نیست، اما در بسیاری از موارد مهم معکوس به راحتی بدست می آید.
که تابع توزیع تجمعی F(x) تابع فراوانی f(x) احتمال اینکه متغیر تصادفی کمتر یا مساوی x باشد را نشان می دهد.
شبیه سازی مونت کارلو در تصویربرداری پزشکی
۲-۲- روش رد
وقتی بدست آوردن معکوس تابع توزیع بسیار پیچیده باشد، روش دیگر انجام این کار استفاده از تکنیک رد می باشد که از مراحل زیر پیروی میکند:
یک تابع نرمال معادل زیر تعریف کنید:
که fmax(x)ماکزیمم مقدار f(x) می باشد.
دو عدد توزیع تصادفی یکنواخت را نمونه برداری کنید؛ R1، R2.
X را با استفاده از معادله زیر محاسبه کنید:
اگر R2 کمتر یا مساوی بود، آنگاه x را به عنوان مقدار نمونه برداری شده بپذیرد، در غیر اینصورت یک مقدار جدید از x را نمونه برداری کنید. پس ار تعداد زیادی نمونه این روش یک مجموعه از مقادیر x درون توزیع مورد نظر ارائه خواهد داد. هرچند، انجام این کار مستلزم استفاده از دو عدد تصادفی در هر دور آزمایش می باشد و بسته به سطح زیر نمودار f(x) آزمایشهای بسیاری باید انجام شود. یک مثال نوعی از استفاده از این روش انرژی فوتون و زاویه پراکنش ناشی از پراکندگی گسسته می باشد.
شبیه سازی مونت کارلو در تصویربرداری پزشکی
۳- کدهای مونت کارلو
در زمینه کاربردهای فیزیک پزشکی مجموعه ای از کدهای مونت کارلو توسعه یافته است. رایج ترین پکیج های مونت کارلو پرکاربرد عبارتند از: سیستم کدهای مونت کارلو برای الکترون و فوتون در رسانه توسعه یافته (ETRAN)، کد رگباری گامای الکترون (EGS) ، کد انتقال N ذره ای مونت کارلوی عمودی (MCNP)، جعبه ابزار شبیه سازی بر هم کنش ذره با ماده (GEANT4)،کد انتقال مونت کارلوی الکترون/ اشعه ایکس ( MANTIS). اکثر پکیج های مونت کارلو نرم افزارهای رایگان در دسترس و نیز روشهای مستندسازی گسترده ای در کد منبع دارند. علاوه بر این، عملکرد پکیج های مونت کارلو با جزئیات در دوره های آمورزشی مختلف در کارگاههای آموزشی که اخیراً توسط دانشگاه کویمبرا[۵] در سپتامبر ۲۰۰۶ برگزار شده است ارائه گردیده و در دهمین کنفرانس بین المللی فیزیک تابش منتشر شده است.
کد ETRAN که توسط برگر و سلتزر[۶] توسعه یافته است، را می توان یکی از اولین کدهای مونت کارلو و کد EGS را یکی از قدرتمندترین کدها در فیزیک انرژی در نظر گرفت. سیستم MCNP توسط گروه بزرگی در آزمایشگاه ملی لوس آلوماس[۷] نگهداری می شود و خارج از فیزیک پزشکی کاربردهای متعددی دارد؛ چرا که اصولاً یک کد انتقال فوتون- نوترون بوده که برای محاسبات راکتور استفاده شده است. پکیج کد PENELOPE دارای فرآوری تفصیلی سطوح مقطع برای انتقال کم انرژی و یک پکیج هندسی انعطاف پذیر می باشد که امکان شبیه سازی پرتوهای شتاب دهنده را فراهم می کند. این کد یک پکیج هندسی بسیار توانمند دارد و برای انجام انتقال الکترون با سیستم کد ETRAN ادغام شده است. کد GEANT4 یک کد عام است که برای کاربرد فیزیک ذرات توسعه یافته است. این کد می تواند انتقال بسیاری از انواع ذرات ( پروتون، نوترون، پیون و . . .) را شبیه سازی کند.
شبیه سازی مونت کارلو در تصویربرداری پزشکی
