Microwave imaging algorithms for biomedical applications

La tecnica di imaging che utilizza le microonde (MWI) ha l’obiettivo di ricostruire l’interno di un corpo opaco, sfruttando il contrasto delle proprietà dielettriche nei diversi materiali. In questa tesi, la tecnica MWI è usata per monitorare l’evoluzione dello stato del paziente, in seguito all’insorgenza di un ictus. Fino a oggi, le tecniche più utilizzate a tale scopo sono i Raggi X e la risonanza magnetica (MRI). La prima tecnica sfrutta radiazioni ionizzanti e la seconda è molto costosa, quindi risultano inadatte per un monitoraggio continuativo. La tecnica MWI può essere un’alternativa interessante, infatti il dispositivo ha piccole dimensioni, bassi costi, radiazioni non ionizzanti e a bassa intensità. Essa sfrutta algoritmi di ricostruzione dell’immagine che risolvono problemi inversi. Gli algoritmi sono suddivisi in due classi: metodi di inversione lineare e metodi non lineari iterativi. In questa tesi, due algoritmi non lineari iterativi sono implementati e comparati: il Distorted Born Iterative Method (DBIM) e il Contrast Source (CS). Nel DBIM, le equazioni di Maxwell sono discretizzate nel tempo e nello spazio con il metodo Finite Difference Time Domain (FDTD). In questo algoritmo, il Two-step Iterative Shrinkage/Thresholding (TwIST) è usato per risolvere il sistema di equazioni lineari. Questo metodo calcola l’iterazione corrente usando le due precedenti, in questo modo raggiunge una convergenza più veloce e una ricostruzione più accurata rispetto ai metodi iterativi a singolo step. Invece, l’algoritmo CS costruisce la distribuzione delle proprietà elettriche minimizzando un funzionale di costo. Esso effettua una discretizzazione basata sul Metodo agli Elementi Finiti (FEM) e utilizza una mesh non strutturata, non uniforme e conforme che permette di migliorare la ricostruzione e di avere dei contorni di qualsiasi tipo e forma. Il confronto tra i due algoritmi di imaging è organizzato come segue. Il primo passo è la validazione: i modelli in ingresso sono creati con lo stesso meccanismo di ricostruzione dell’immagine di ognuno dei due algoritmi. Questo step è il più lontano dalla realtà, ma è utile per capire se gli algoritmi lavorano bene con lo scenario più semplice. Il secondo passo è il confronto delle performance degli algoritmi quando i dati di input sono ottenuti con delle simulazioni. Queste ultime sono state realizzate con un programma di elaborazione per simulazioni numeriche e con un in-house FEM. La simulazione è un passaggio intermedio tra il caso ideale e il caso reale. Per questi primi due step, sono stati utilizzati due modelli: il primo è costituito da un target di sangue immerso nel mezzo di accoppiamento e circondato da dodici antenne; il secondo è costituito da un fantoccio che rappresenta il cervello con all’interno un target di sangue, essi sono immersi nel mezzo di accoppiamento e sono circondati da dodici antenne. L’ultimo passo del confronto è l’analisi del comportamento degli algoritmi quando i dati in ingresso sono ottenuti attraverso delle misure in laboratorio. In questa sezione, i modelli usati sono tre e in tutti è presente un fantoccio che rappresenta il cervello (con all’interno un target di sangue), immerso nel mezzo di accoppiamento e circondato da dodici antenne. Nell’ultima parte, è riportata un’analisi dettagliata sui risultati ottenuti e i possibili sviluppi futuri per entrambi gli algoritmi.