Anales AFA Vol. 35 Nro. 4 (Diciembre 2024 - Marzo 2025) 95-102
METODOLOGÍA DE RECOPILACIÓN DE DATOS EN IRRADIACIONES SIMULADAS
CON TÉCNICAS MONTE CARLO EN IMÁGENES DICOM PARA LOCALIZACIÓN DE
EMISIONES DE FLUORESCENCIA DE RAYOS X EN MATERIALES DE ALTO NÚMERO
ATÓMICO
METHODOLOGY FOR DATA COLLECTION IN SIMULATED IRRADIATIONS USING
MONTE CARLO TECHNIQUES ON DICOM IMAGES FOR X-RAY FLUORESCENCE
EMISSIONS LOCALIZATION IN HIGH ATOMIC NUMBER MATERIALS
Nicolás E. Martín*1,2, Fransisco Malano4, Miguel Sofo Haro** 1,3, and M. Valente*** 1,2,4
1Instituto de Física Enrique Gaviola, CONICET, FAMAF, UNC, Córdoba, 5000, Argentina
2Laboratorio de Investigaciones e Instrumentación en Física Aplicada a la Medicina e Imágenes por Rayos X -LIIFAMIR x
, FAMAF,
Universidad Nacional de Córdoba, Córdoba, 5000, Argentina
3Reactor Nuclear RA0, Comisión Nacional de Energía Atómica.
4Centro de Física e Ingeniería en Salud, CFIS &, Depto. de Ciencias Físicas, Universidad de la Frontera, Temuco, 4780000, Chile.
Recibido: 16/01/2024 ; Aceptado: 01/09/2024
La tomografía computarizada por fluorescencia de rayos X de mesa (XFCT) ha surgido como una modalidad prometedora
gracias a la disponibilidad de fuentes de rayos X policromáticas de alta energía en el laboratorio. En comparación
con otras modalidades, XFCT de mesa ofrece ventajas como fácil acceso, bajo costo de instrumentación y operación
eficiente. Este enfoque permite realizar tomografías computarizadas de transmisión (CT) simultáneamente con XFCT,
proporcionando imágenes in vivo multimodal/multiplexada y ampliando las aplicaciones con sondas metálicas como
nanopartículas de oro (AuNPs). A pesar de sus beneficios, la exploración CT+XFCT plantea desafíos, especialmente
en la minimización de la dosis de rayos X. La investigación en métodos precisos para la estimación de la ubicación de
emisiones de fluorescencia de rayos X ha generado diversas técnicas y desarrollos, aplicados tanto experimental como
simuladamente. Este trabajo presenta una metodología innovadora basada en la espectrometría de dispersión de energía
de rayos X, utilizando imágenes DICOM para crear mapas de probabilidad de ubicación de emisiones de fluorescencia.
Se aplicó esta metodología en la localización de nanopartículas en fantomas creados por computadora, demostrando su
viabilidad y versatilidad mediante simulaciones Monte Carlo y correlación con micro-tomografía. Esta metodología
emerge como una herramienta prometedora para obtener información funcional en entornos biomédicos complejos.
Palabras claves: Monte Carlo, XFCT, Nanopartículas
X-ray Fluorescence Computed Tomography (XFCT) has emerged as a promising modality owing to the availability of
high-energy polychromatic X-ray sources in the laboratory. As compared to other modalities, XFCT offers advantages
such as easy accessibility, low instrumentation costs, and efficient operation. This approach allows for simultaneous
transmission computed tomography (CT) along with XFCT, providing multimodal/multiplexed in vivo images and
expanding applications with metallic probes such as gold nanoparticles (AuNPs). Despite its benefits, CT+XFCT imaging
poses challenges, particularly in minimizing X-ray dose. Research into accurate methods for estimating the location of
X-ray fluorescence emissions has led to various techniques and developments, applied both experimentally and through
simulations.
This work introduces an innovative methodology based on X-ray energy dispersion spectrometry, using DICOM images
to create probability maps of fluorescence emission locations. We applied this methodology to localize nanoparticles
in computer-generated phantoms, demonstrating its feasibility and versatility through Monte Carlo simulations and
correlation with micro-tomography. This methodology emerges as a promising tool for obtaining functional information
in complex biomedical environments.
Keywords: Monte Carlo, XFCT, Nanoparticles
https://doi.org/10.31527/analesafa.2024.35.4.95 ISSN - 1850-1168 (online)
* nmartin@unc.edu.ar
** miguelsofoharo@gmail.com
*** mauro.valente@gmail.com
©2024 Anales AFA 95
I. INTRODUCCIÓN
Figura 1: Esquema de flujo sobre el procesamiento de las imágenes DICOM y de las simulaciones aplicadas para la obtención de datos
para el uso de técnicas de reconstrucción de imágenes 2D y 3D con fluorescencia de rayos X.
En los últimos años, la tomografía computarizada por fluorescencia de rayos X (XFCT), particularmente los dispositivos
compactos denominados XFCT de mesa [1] [2] [3], ha emergido como una modalidad promisoria, basada -principalmente-
en la disponibilidad de fuentes de rayos X policromáticas de alta energía (ortovoltaje) para uso en laboratorios, consolidando
así a la XFCT de mesa como una alternativa ventajosa en comparación, por ejemplo, con versiones iniciales de XFCT
basadas en sincrotrón y otras modalidades de imágenes cuantitativas. Entre los principales beneficios de la técnica XFCT
de mesa, se destacan el fácil acceso, la instrumentación de bajo costo y la operación eficiente derivada de la energía
del haz incidente. La técnica XFCT de mesa ofrece la capacidad única de obtener, de manera simultánea o secuencial,
tomografías computarizadas, o computadas, de transmisión (TC) en un mismo dispositivo [3], facilitando la obtención de
imágenes de muestras in vivo y de carácter multimodal/multiplexado. Además, numerosos estudios [3
-
5] han demostrado
que la incorporación de agentes de sondeo (marcadores), como nanopartículas metálicas -especialmente nanopartículas de
oro (AuNP)- complementa y expande las capacidades operativas de la XFCT de mesa. En este contexto, la integración
de TC con XFCT en un sistema inherentemente dual permite la obtención de imágenes moleculares sin depender de
radiotrazadores, i.e. evitando sumistrar material radiactivo, aspecto que representa un potencial inconmensurable para
aplicaciones biológicas y biomédicas [1,5]. La expectativa para aplicaciones biomédicas se basa, por tanto, en el enfoque
que integra la XFCT de mesa con agentes basados en nanopartículas (NP) funcionalizadas para imágenes moleculares
junto a la información morfológica obtenida por TC proporcionando detalles anatómicos.
Sin embargo, debe contemplarse que junto a las notables potencialidades de la técnica de exploración dual TC y XFCT
infundiendo con NPs, presenta también relevantes desafíos técnicos, especialmente las dificultades de modelamiento
integral de los procesos involucrados y los obstáculos operativos de la integración entre las modalidades XFCT y TC, así
como la necesidad de minimizar la dosis de rayos X. La exploración XFCT suele requerir dosis más altas que la tomografía
computarizada, planteando desafíos técnicos asociados a las diferentes condiciones óptimas de operación. Para el caso
específico de la técnica XFCT de sobremesa basada en la infusión con AuNP, se utilizan fotones de fluorescencia de
rayos X (XRF), principalmente de la capa K de oro, empleando un haz de rayos X con energías generado con tensiones
superiores a 80 kV, de modo que se logre la excitación del borde K del oro, al tiempo que se evite contrastes por asbsorción
deficientes en la TC debido a la alta energía del haz. Por lo expuesto, la técnica de XFCT de mesa demanda estudios de
caracterización para determinar el balance operativo según la naturaleza policromática de la fuente de rayos X, el bajo
flujo de fotones para la excitación de fotones XRF y problemas técnicos como la resolución de energía relativamente
baja y la disposición de los detectores con respecto a la muestra, así como las características de ésta. La disponibilidad
de herramientas validadas para modelar y caracterizar las diferentes etapas y componentes de la técnica XFCT de mesa
representa un recurso imprescindible para las tareas de diseño y optimización, resultando particularmente relevante la
investigación en métodos precisos para la estimación de la ubicación de emisiones de fluorescencia de rayos X, tópico que
ha dado lugar a diversas técnicas y desarrollos durante los últimos años [1,6]. Estas metodologías varían en configuraciones
Martin et al. / Anales AFA Vol. 35 Nro. 4 (Diciembre 2024 - Marzo 2025) 95-102 96
espaciales de detectores, rangos de energía de fuente y herramientas de reconstrucción, como retroproyección filtrada
[7], algoritmos algebraicos de reconstrucción total (ART) [8], método de máxima verosimilitud (MLE) [9] y métodos de
reconstrucción espectral. Los parámetros mencionados influyen en las etapas de detección y localización de nanopartículas
-a través de la estimación de la localización de las emisiones fluorescentes- destacando la importancia de disponer de
herramientas de modelamiento computacional para simular de manera realista las diferentes variables que complementen
los datos experimentales.
(a) Disposición 3D en forma de anillos de los espectrómetros para
detectar fluorescencia de rayos X de materiales de alto Z.
(b) Disposición 3D en forma lineal de los espectrómetros para
detectar fluorescencia de rayos X de materiales de alto Z en ángulos
de 45◦, 165◦y 285◦
Figura 2: Visualización de las diferentes configuraciones disponibles dentro de la metodología y algoritmo desarrollado en el plano
XY
del sistema de referencia.
En el presente trabajo, se propone y evalúa una metodología original, basada en técnicas de simulación Monte Carlo
(MC), para modelar el proceso integral de XFCT-TC infundiendo con AuNPs proponiendo arreglos de detección para la
adquisición de datos que permitiría su aplicación a cualquiera de las configuraciones mencionadas, orientando el desarrollo
a entornos de teranóstica.
Resumidamente, la metodología propuesta se basa en la espectrometría de rayos X por dispersión en energía combinado
con mapas morfológicos obtenidos por modelos matemáticos y/o por micro-tomografía de rayos X (
µ
CT), y descritos
por imágenes en formato DICOM sobre las que se superponen los mapas de probabilidad de ubicación de emisiones
de fluorescencia de rayos X por parte de las AuNPs. La evaluación preliminar de este enfoque pionero se aplica en
fantomas representativos de referencia que incluyen viales infundidos con diferentes concentraciones de agentes basados
en AuNPs. En este contexto, se demuestra viabilidad de la metodología desarrollada para modelar integralmente procesos
de XFCT-
µ
CT en base a simulaciones MC, permitiendo proyectar la versatilidad de la propuesta y su potencial como una
herramienta promisoria para obtener información anatómica-funcional en entornos biomédicos complejos.
II. MÉTODOS Y MATERIALES
La propuesta innovadora del presente estudio se basa un enfoque que combina la espectrometría de rayos X por dispersión
en energía adquiriendo mediciones angulares junto a un modelo de retroproyección para procesar los datos y generar
mapas de probabilidad que identifiquen la ubicación estimada de las emisiones de fluorescencia de rayos X originadas por
excitación de NPs de alto número atómico por parte del haz incidente.
Proceso y herramienta de modelamiento computacional para dispositivos XFCT de mesa
El proceso se diseña de modo tal que mediante simulaciones de tipo MC pueda modelarse el procedimiento integral
para obtener las señales y los datos necesarios para lograr una estimación por reconstrucción slice-to-slice (corte a corte)
de la localización de la señal de fluorescencia de rayos X emitida por la muestra, tal como se esquematiza en la Fig. 1.
Brevemente, las etapas del procedimiento integral requieren de la capacidad de involucrar, principalmente, i) la disposición
espacial de la fuente, ii) las características físicas y geométricas del haz, iii) la configuración y los tipos de detectores a
emplear y iv) la metodología de reconstrucción morfológica y estimación de la localización de las emisiones fluorescentes.
La metodología implementada utiliza información morfológica/anatómica, ya sea proveniente directamente de datos
adquiridos por
µ
CT -simulada o experimental- simultánea, o bien de información pre-existente. En todos los casos se
compatibiliza por medio de la generación y gestión de imágenes en formato DICOM (típico en aplicaciones biomédicas)
y se cuenta con herramientas específicas para aplicar, eventualmente, segmentación de regiones/volúmenes de interés
específicos.
Una vez que se han determinado los mapas morfológicos y el conjunto de señales de espectrometría, se procede, en
primera instancia, a extraer los datos almacenados en las imágenes, como: tamaño, espaciado y orientación, y luego se
procede a realizar un pre-procesamiento que permite obtener el etiquetado de los píxeles a fin de extraer información
geométrica espacial de los materiales y su distribución. Con esta información se elaboran mapas tensores de densidad y
Martin et al. / Anales AFA Vol. 35 Nro. 4 (Diciembre 2024 - Marzo 2025) 95-102 97
atenuación, asignando secciones eficaces según las bases de datos proporcionadas por el código MC, y además, a partir de
los datos morfológicos se calculan propiedades geométricas de la muestra, como el perímetro, su ancho y largo específico.
Figura 3: Visualización 3D de los fotones interactuantes y salientes de las muestras proyectados hacia los detectores en diferentes
disposiciones geométricas. En la imagen de la izquierda se observa una disposición circular de los detectores y en la derecha una
disposición lineal. Cada detector genera un espectro energético de cuentas detectadas que se puede visualizar en el gráfico del medio.
Posteriormente, se utiliza un algoritmo de desarrollo propio para gestionar la geometría de simulación por medio de una
estructura de voxelizado, para proceder con la simulación MC utilizando específicamente el código PENELOPE 2018
[10]. La etapa de simulación MC posibilita obtener información realista sobre los procesos de interacción entre el haz de
rayos X incidente y la muestra, permitiendo establecer, específicamente, entre otros, la ubicación, dirección y energía de las
partículas que emergen de la muestra. La información relativa a las variables de estado (técnicamente Espacio de Fase)
de las partículas que emergen de la muestra es preservada en un archivo externo (output de la simulación MC) para ser
posteriormente procesado, básicamente filtrado, en base a las dimensiones de los detectores y a la distancia de los mismo
con respecto a la muestra, con el fin de establecer la fluencia espectral de fotones en cada detector del sistema. Asimismo,
y para fines de dosimétricos, se obtienen la distribución de la energía absorbida en la muestra, que posteriormente se
convertirá en dosis utilizando los datos de densidad extraídos de la imagen DICOM. Cabe mencionar que la versatilidad del
procedimiento desarrollado permite abordar la irradiación hacia la muestra desde una posición fija o rotando la fuente en
diferentes posiciones angulares, con diferentes formas de haz, generando un campo rectangular planar, divergente planar
o divergente cónico. El proceso de simulación se realiza sobre toda la muestra en 3D, permitiendo obtener regiones de
interés (ROI) para su posterior análisis. Finalmente, de manera paralela, la herramienta integral incluye un módulo para la
construcción y disposición de los detectores en la configuración y forma deseadas, como se observa en la Fig. 2, aspecto
que resulta necesario para llevar a cabo la proyección de los datos adquiridos en la simulación de irradiación, como se
muestra en la Fig. 3, donde se aprecia que la proyección de los fotones hacia los detectores permite obtener los espectros
energéticos necesarios para realizar la posterior reconstrucción.
Configuración geométrica y fantoma para validación preliminar
A fin de evaluar preliminarmente la autoconsistencia del procedimiento resumido en la Fig. 1, se empleó un modelo
de prueba representado en la Fig. 4, creado de manera virtual en 3D y convertido a formato DICOM segmentando con la
plataforma 3DSlicer [11].
El fantoma consiste de un cilindro tejido-equivalente de 100 mm de altura y 60 mm de diámetro, dentro del cual se
incluyen dos insertos en forma de viales cilíndricos, cada uno de de 50 mm de altura y 6 mm de diámetro, que contienen
soluciones de AuNPs de concentraciones 1.0% en peso; respectivamente, ubicados a una profundidad de 10 mm y colocados
en un 50 mm del eje de simetría del fantoma tejido-equivalente.
Las concentraciones relativas en peso (C) se obtuvieron utilizando la expresión 1:
CH20→CH2O
H2→CH2O.XH
XH2O
O→CH2O.XO
XH2O
CAu →CAu
(1)
donde
CAu
y
CH2O
representan las concentraciones de AuNPs y agua, respectivamente; mientras que
XH
,
XO
y
XH2O
denotan el peso molar de hidrógeno, oxígeno y agua, respectivamente; y se asume, en primera aproximación, que las
Martin et al. / Anales AFA Vol. 35 Nro. 4 (Diciembre 2024 - Marzo 2025) 95-102 98
Figura 4: Vistas 2D y 3D del fantoma utilizado para el análisis y evaluación del procedimiento.
AuNPs son de oro puro; remarcando que el modelo de la expresión 1 puede extenderse de manera directa para incorporar
la presencia de otros elementos en las AuNPs. Para el cálculo de la densidad másica (
ρ
) se empleó la fórmula 2. Los
valores obtenidos de las expresiones 1 y 2 se utilizan junto a las bases de datos de secciones eficaces del código MC
PENELOPE, el cual ha demostrado larga solvencia en aplicaciones biomédicas con radiaciones ionizantes [4,12,13] como
datos necesarios (input) para la simulación física de la irradiación.
ρ=1
Cau
ρau +CH2O
ρH2O
(2)
donde
CAu
y
CH2O
representan las concentraciones de AuNPs y agua, respectivamente. De manera similar,
ρAu
y
ρH2O
denotan la densidad de las AuNPs y del agua, respectivamente.
Modelos de transporte/interacción y reconstrucciones espaciales
El transporte se realiza en una estructura voxelizada de la geometría de simulación, por medio de un algoritmo propio
[14] dedicado reemplazar al paquete PENGEOM de PENELOPE en lo referido a la gestión de las variables geométricas.
El proceso de transporte y colisión se realiza según las secciones eficaces del código MC PENELOPE, definiendo valores
de energía de corte/absorción apropiados, i.e. garantizando que el rango residual -para el caso de partículas cargadas- o
el camino libre medio -para fotones- sea un orden de magnitud menor a las dimensiones laterales de los vóxeles. Los
valores de las variables de estado de las partículas primarias se definen de manera realista tomando datos experimentales
del espectro de emisión de una fuente de rayos X de ortovoltaje (unidad portable SMART EVO 225V YXLON) operando
a 120 kV con ánodo de tungsteno y propiedades geométricas del haz determinadas experimentalmente por medio de un
detector bidimensional de tipo flat panel (1616DXT flat panel, VARIAN) [15,16].
Se implementa una técnica de reconstrucción de primer orden basada en métodos iterativos de reconstrucción algebraica
simultánea (SART, de sus siglas en inglés) [17], lo que permite con pocas iteraciones obtener resultados adecuados de
reconstrucción [18,19].
En referencia a la disposición del sistema de detectores se utiliza en primera instancia un anillo de detectores compuesto
por 179 de detectores de CdTe descriptos en Martin et. al [20], en un radio de 380 mm alrededor del eje axial de la muestra;
mientras que en segunda instancia, y como evaluación alternativa, se utiliza un arreglo lineal de detectores de CdTe de 25
pasos cubriendo el ancho de la muestra en un paso angular de 2◦, como se muestran en la Fig. 3.
Definición de métricas para inter-comparaciones
Para facilitar la comparación entre la señal obtenida y el ruido de fondo, así como la intercomparación de performance
entre diferentes configuraciones, se implementa una métrica comparativa de relación señal-ruido (SNR, de sus siglas en
inglés), como se describe en la expresión 3:
SNR =Sroi
δbkg
(3)
Martin et al. / Anales AFA Vol. 35 Nro. 4 (Diciembre 2024 - Marzo 2025) 95-102 99
donde
roi
y
bkg
son las regiones de interés (ROI) y de fondo; respectivamente.
Sroi
es el valor medio de píxeles y
δbkg
es
la desviación estándar en
bkg
. De manera similar, para permitir una comparación entre el contraste obtenido con el ruido
de fondo, se utiliza también una métrica comparativa de relación contraste-ruido (CNR, de sus siglas en inglés), definida
según la expresión 4.
CNR =Sroi −Sbkg
δbkg
(4)
donde
roi
y
bkg
son las ROIs y fondo, siendo
Sroi
el valor medio de píxeles y
δbkg
es la desviación estándar en
bkg
.
Por otro lado, se define un métrica que permita cuantificar la precisión de la estimación en la localización de la señal de
fluorescencia habida cuenta de que se conoce con exactitud la ubicación de las AuNPs en el fantoma.
La ecuación 5 da cuenta del formalismo propuesto para la métrica dedicada a evaluar la performance global obtenida:
LE =||SROIr−LROIt||2(5)
donde
LROIr
y
LROIt
denotan el centro de masa de los objetivos verdaderos (r = real) y reconstruidos (t = test) ubicados en
las regiones ROItyROIt; respectivamente.
III. RESULTADOS Y DISCUSIONES
En primera instancia; se verificó satisfactoriamente la operatividad integral del procedimiento propuesto, desde la
correcta interpretación e incorporación de la morfología en estructura de voxelizado, pasando por las simulaciones MC
con el código PENELOPE en base a datos de inputs definiendo situaciones realistas típicas, hasta la obtención de los
espectros de fotones en el dispositivo de detección y el post-procesamiento de señales y la reconstrucción definitiva de la
probabilidad de la ubicación de las emisiones fluorescentes (K
α
y K
β
del oro) detectadas. En términos cuantitativos, la Fig.
5 muestra los resultados (estimación de la localización de AuNPs por medio de la distribución espacial de probabilidad
de emisión de rayos X característicos de tipo K del oro) obtenidos de aplicar la reconstrucción mediante SART, con los
datos obtenidos a partir del procedimiento descrito, y resumidamente esquematizado en la Fig. 1. Puede apreciarse, por
inspección directa, que los resultados obtenidos sugieren una performance preliminar cualitativamente auspiciosa para la
estimación de la localización de las AuNPs para el fantoma utilizado para la prueba del procedimiento de la Fig. 4. A partir
de las métricas definidas para la inter-comparación, se evaluó la correcta localización de la distribución de probabilidades
en ROIs centradas en los viales de la del fantoma como parámetro de medición.
Figura 5: Estimación de la localización de AuNPs a partir de la distribución de probabilidades de emisiones de fluorescencia K del oro,
infundiendo con AuNPs al 1%en masa en ambos viales.
Martin et al. / Anales AFA Vol. 35 Nro. 4 (Diciembre 2024 - Marzo 2025) 95-102 100
Cuantitativamente, se observan diferencias (desplazamiento del centroide) en la localización del ROI 1 de
(0.9±0.1)mm
ubicado en la esquina superior izquierda y un desplazamiento de
(2.8±0.8)mm
para el ROI 2 ubicado en la parte inferior
de la Fig. 5.
Figura 6: ROIs utilizadas para el cálculo de SNR y CNR. En la fila superior se encuentra el ROI 1 y en la fila inferior el ROI 2. En cada
caso se muestran tanto la señal de interés como la señal de fondo ubicado en el centro de la imagen.
Con respecto a las métricas para caracterizar la relación señal-ruido (SNR) y contraste-ruido (CNR) se observa para
las ROIs 1 y 2 de la Fig. 6, valores de:
SNR =
74.4 y
CNR =
60.1 y
SNR
= 71.1,
CNR
= 56.4 para ROI 1 y ROI 2;
respectivamente. Por lo tanto, se obtuvieron valores que indican que la intensidad de señal notable y cuantitativamente
distinguible de la señal de fondo. En promedio la intensidad de la señal de fondo es de
(0.19 ±0.06)
, en unidades arbitrarias
(u.a.).
IV. CONCLUSIONES
El presente trabajo se describe, implementa y caracteriza preliminarmente la performance de un procedimiento y
metodología originales destinados a determinar la ubicación de AuNPs adentro de fantomas excitados con un haz de rayos
X de ortovoltaje y utilizando un sistema de detección basado en espectrometría de rayos X por dispersión en energía.
Para ello, se desarrolló e incorportó una etapa de simulación Monte Carlo para calcular de manera confiable la producción
y detección de fluorescencia de rayos X para materiales de alto Z en muestras caracterizadas por geometrías voxelizadas en
formato de imágenes DICOM, demostrando la capacidad operativa del procedimiento integral y logrando una promisoria
capacidad para determinar la localización de las AuNPs por medio de las etapas de reconstrucción aplicando diferentes
técnicas/algoritmos de reconstrucción.
Los resultados obtenidos sugieren, además, una remarcable versatilidad para diseñar por parte del usuario tanto el tipo
y características de cada detector como la disposición del conjunto, abriendo la posibilidad para estudiar, caracterizar y
comparar diferentes configuraciones y modelos físico-matemáticos de reconstrucción de la ubicación de las emisiones de
fluorescencia de rayos X; pudiendo considerar a la vez diversos materiales de alto Z para las NPs. Además, se presentó la
caracterización de la reconstrucción en cortes 2D, a primer orden, para un fantoma representativo, en el cual se incorporó la
presencia de AuNPs en concentraciones comparables a los valores reportados biológicamente tolerables [3,4,21].
En resumen, la verificación satisfactoria del procedimiento propuesto junto a los resultados obtenidos, basados en
simulación MC, evidencian un comportamiento promisorio en sistemas con materiales agua-equivalentes infundidos con
NPs de alto Z. Por último, la implementación de técnicas complejas para la estimación de la ubicación de las NPs a partir
de la estimación por reconstrucción del mapa de probabilidades de localización de emisiones de fluorescencia de rayos X, a
partir de los datos adquiridos, constituye una etapa crítica de la metodología desarrollada. En este contexto, se encuentran
en avances ulteriores investigaciones específicas, que incluyen -entre otros- técnicas de retroproyección filtrada y métodos
de máxima verosimilitud para explorar potenciales mejoras de performance en la etapa de estimación de la ubicación de las
emisiones de fluorescencia de rayos X, que guarda correlación directa con la distribución espacial y concentración relativa
de los agentes basados en NPs de alto Z que se infunden en los fantomas para fines teranósticos.
Martin et al. / Anales AFA Vol. 35 Nro. 4 (Diciembre 2024 - Marzo 2025) 95-102 101
AGRADECIMIENTOS
El presente trabajo fue parcialmente financiado por CONICET, proyecto PIP 11220200100751CO, por SeCyT-UNC
proyecto 33620180100366CB y por la Universidad de La Frontera, Chile por medio del proyecto DI21-0068. Este trabajo
utilizó recursos computacionales del CCAD de la Universidad Nacional de Córdoba (https://ccad.unc.edu.ar/), que forman
parte del SNCAD del MinCyT de la República Argentina.
REFERENCIAS
[1]
C. A. S. Dunning y M. Bazalova-Carter. Optimization of a table-top x-ray fluorescence computed tomography
(XFCT) system. Physics in Medicine and Biology (2018).
[2]
R. Figueroa, M. Santibáñez, F. Malano y M. Valente. Optimal configuration for detection of gold nanoparticles in
tumors using KβX-ray fluorescence line. Rad. Phys. Chem. 117, 198-202 (2015).
[3]
I. Romero, Y. Fang, M. Lun y C. Li. X-ray Fluorescence Computed Tomography (XFCT) Imaging with a Superfine
Pencil Beam X-ray Source. Photonics 8, 236- (2021). https://doi.org/10.3390/photonics8070236.
[4]
J. Vedelago, F. Mattea y M. Valente. Integration of Fricke gel dosimetry with Ag nanoparticles for experimental
dose enhancement determination in theranostics. Applied Radiation and Isotopes 141, 182
-
186 (2018).https :
//doi.org/10.1016/j.apradiso.2018.02.028.
[5]
M. Santibáñez, R. Saavedra, J. Vedelago, F. Malano y M. Valente. Optimized EDXRF system for simultaneous
detection of gold and silver nanoparticles in tumor phantom. Radiation Physics and Chemistry 165, 108415 (dic. de
2019).ISSN: 0969-806X. https://doi.org/10.1016/j.radphyschem.2019.108415.
[6]
S. Zhang et al. Quantitative Imaging of Gd Nanoparticles in Mice Using Benchtop Cone-Beam X-ray Fluorescence
Computed Tomography System. International Journal of Molecular Sciences 20 (2019).ISSN: 1422-0067. https:
//www.mdpi.com/1422-0067/20/9/2315.
[7]
S. G. Uribarri. Principios matemáticos de la reconstrucción de imágenes tomográficas. CIENCIA ergo-sum 10,
271-281 (2017). ISSN: 2395-8782. https://cienciaergosum.uaemex.mx/article/view/7317.
[8]
V. E. Vidal Gimeno, L. A. Flores, P. Mayo Nogueira, F. d. A. Ródenas Escribá y G. J. Verdú Martín. Algoritmo
Paralelo de Reconstrucción de Imágenes TAC. Grupo Senda (2012). https://riunet.upv.es/handle/10251/50444.
[9]
A. Boudjelal, A. Elmoataz, B. Attallah y Z. Messali. A Novel Iterative MLEM Image Reconstruction Algorithm
Based on Beltrami Filter: Application to ECT Images. Tomography (Ann Arbor, Mich.) 7, 286
-
300 (2021).https:
//doi.org/10.3390/tomography7030026.
[10]
PENELOPE: A Code System for Monte-Carlo Simulation of Electron and Photon Transport Accessed: 2024-12-11.
2018. http://www.oecd-nea.org/tools/abstract/detail/nea-1525.
[11]
F. A. et al. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network. Magnetic Resonance
Imaging 9, 1323-41 (2012).https://dx.doi.org/10.1088/1748-0221/6/05/T05001.
[12]
M. Carrara, G. Gambarini, S. Tomatis y M. Valente. Dose distribution measurements by means of gel-layer
dosimeters. Evaluation of algorithms for artifacts amendment. Nucl. Inst. Met. A 579, 334
-
8 (2007). https://doi.org/
10.1016/j.nima.2007.04.072.
[13]
M. Valente et al. Gel dosimetry measurements and Monte Carlo modeling for external radiotherapy photon beams.
Comparison with a treatment planning system dose distribution. Nuclear Instruments and Methods in Physics
Research Section A 580, 497-501 (2007).https://doi.org/10.1016/j.nima.2007.05.243.
[14]
P. Pérez. Modelado y desarrollo de un sistema de cálculo integrado para aplicaciones en medicina nuclear Tutor:
M. Valente, Universidad Nacional de Córdoba, Argentina. 2014. https://repositoriosdigitales.mincyt.gob.ar/vufind/
Record/RDUUNC_83684b7848d273906e3220db00258ab0.
[15]
M. Santibáñez, R. Saavedra, J. Vedelago, F. Malano y M. Valente. Optimized EDXRF system for simultaneous
detection of gold and silver nanoparticles in tumor phantom. Radiation Physics and Chemistry 165, 108415 (dic. de
2019).ISSN: 0969-806X. http://dx.doi.org/10.1016/j.radphyschem.2019.108415.
[16]
F. Geser et al. Characterization of the VARIAN®PaxScan 2020+ flat panel detector for quantitative X-ray imaging.
X-ray Spectrom. 45, 169-75 (2016).https://doi.org/10.1016/j.nima.2007.04.072.
[17]
A. Andersen y A. Kak. Simultaneous Algebraic Reconstruction Technique (SART): A superior implementation of
the ART algorithm. Ultrasonic Imaging 6, 81
-
94 (1984).ISSN: 0161-7346. https://www.sciencedirect.com/science/
article/pii/0161734684900087.
[18]
G. Wang y M. Jiang. Ordered-subset simultaneous algebraic reconstruction techniques (OS-SART). Journal of X-ray
Science and Technology 12, 169-177 (2004). https://api.semanticscholar.org/CorpusID:116997800.
Martin et al. / Anales AFA Vol. 35 Nro. 4 (Diciembre 2024 - Marzo 2025) 95-102 102
[19]
D. Ji, G. Qu y B. Liu. Simultaneous algebraic reconstruction technique based on guided image filtering. Opt. Express
24, 15897-15911 (jul. de 2016).https://opg.optica.org/oe/abstract.cfm?URI=oe-24-14-15897.
[20]
N. Martín, M. Sofo Haro y M. Valente. CHARACTERIZATION OF THE XR-100-CdTe AMPTEK
SPECTROMETER RESPONSE BY MEANS OF MONTE CARLO SIMULATIONS USING THE PENELOPE
CODE. Anales AFA 33, 42
-
47 (jul. de 2022).ISSN: 1850-1168. http://dx.doi.org/10.31527/analesafa.2022.33.2.42.
[21]
M. Santibáñez, M. Vásquez, R. Figueroa y M. Valente. Evaluation of EDXRF configurations to improve the limit of
detection and exposure for in vivo quantification of gadolinium in tumor tissue. Rad. Phys. Chem. 122, 28
-
34 (2016).
Martin et al. / Anales AFA Vol. 35 Nro. 4 (Diciembre 2024 - Marzo 2025) 95-102 103
