• ultrasounds
• temperature maps
• deep learning

VERSIONE IN ITALIANO

Le mappe di temperatura possono offrire informazioni dettagliate sulla distribuzione della temperatura all'interno di un tessuto biologico, consentendo di individuare anomalie termiche ed valutare l'efficacia terapeutica. Inoltre, possono fornire informazioni sullo stato di salute del tessuto, con variazioni irregolari della temperatura che possono suggerire infiammazioni, infezioni o anomalie vascolari. L'imaging con risonanza magnetica (MRI) è l'approccio attualmente più preciso per stimare la temperatura in una specifica regione del corpo. Tuttavia, alcuni svantaggi sono il costo elevato e la calibrazione. Al contrario, gli ultrasuoni hanno il vantaggio di essere meno costosi, garantiscono imaging in real-time e non sono invasivi, offrendo una possibile alternativa a questo problema. Tuttavia, le variazioni di temperatura possono avere impatti significativi sulle immagini ad ultrasuoni, come variazioni nell'eco dell'ultrasuono, cambiamenti nell'elasticità dei tessuti, cambiamenti nella velocità del suono e comparsa di artefatti. Studi precedenti hanno identificato una relazione tra temperatura e variazioni nello scattering dell'eco a radiofrequenza in un fantoccio. Tuttavia, quando si considerano temperature estremamente elevate (temperature del tessuto di 50°C e oltre), come nel caso della terapia HIFU coagulativa, il tessuto subisce cambiamenti di stato che possono alterare significativamente il segnale ad ultrasuoni di ritorno. In un altro studio, sono state utilizzate telecamere a infrarossi per controllare una sonda ad ultrasuoni durante la somministrazione della terapia HIFU. Tuttavia, le telecamere a infrarossi sono in grado di rilevare solo variazioni superficiali di temperatura, rendendo questa applicazione non adatta a scenari di chirurgia minimamente invasiva. In uno studio, è stata suggerita una strategia di deep learning in cui utilizzare gli ultrasuoni per monitorare la temperatura. Nonostante le performance elevate, i limiti dello studio riguardano un range di temperature limitato (fino a 45°C) e un dataset ridotto.

Pertanto, questa tesi utilizza un algoritmo di deep learning in grado di estrarre caratteristiche spaziali e temporali dai dati a radiofrequenza dell'ultrasuono per prevedere le variazioni locali di temperatura. La scelta di questo approccio è motivata dalla sua semplicità, accuratezza e fattibilità.

Per allenare la rete, sono necessari dei dati di ground truth. Metodi tradizionali impiegano la MRI per acquisire questi dati, ma il costo elevato e l'uso di apparecchiature specializzate non la rendono una scelta adottabile per il nostro studio. Per ovviare a questa motivazione, si propone l'impiego di un fantoccio sensorizzato, che offre una soluzione economica e adattabile. Posizionando strategicamente i sensori di temperatura all'interno del fantoccio, è possibile ricostruire le mappe di temperatura a partire dai dati dei termistori, assumendo una distribuzione di temperatura planare. Per verificare quest'ipotesi, sono stati condotti studi precedenti in COMSOL usando le proprietà termiche dell'agar, un materiale comunemente utilizzato con gli ultrasuoni. I risultati della simulazione confermano la validità delle nostre ipotesi, portando alla creazione del fantoccio sensorizzato e allo sviluppo del setup sperimentale. E' stato realizzato uno stampo cubico con un lato di 5 cm. Cinque fori sono stati distribuiti equamente lungo l'asse verticale della faccia diagonale, distanti 1 cm l'uno dall'altro. Successivamente, dei termistori sono stati inseriti nei fori. Una volta posizionati, il cubo viene sigillato e riempito con una miscela di agar, composta da 112,5 ml di acqua, 12,5 ml di latte e 2,5 g di polvere di agar. Inizialmente, viene riscaldata a 90°C mescolando a circa 300 rpm, mantenuta a questa temperatura per 20 minuti e poi fatta raffreddare gradualmente fino a raggiungere 45°C. Una volta raggiunta la temperatura desiderata, la miscela viene versata nello stampo e lasciata raffreddare ulteriormente fino a raggiungere la temperatura ambiente. Gli altri componenti del setup sperimentale sono un agitatore magnetico con una piastra riscaldabile (IKA, C-MAG HS 7), che riscalda una ciotola contenente acqua, che funge da fonte di calore per il fantoccio di agar, posizionato sopra di essa. Su un lato, una scheda Arduino One è collegata ai termistori per acquisire e registrare i dati di temperatura. Dall'altro lato, una sonda ad ultrasuoni (TELEMED, sonda ad ultrasuoni ad array lineare L15-7H40-A5) è posizionata sopra il fantoccio di agar per acquisire i dati a radiofrequenza. L'acquisizione dei dati dalla scheda Arduino ONE è stata effettuata con una frequenza di campionamento di 1 Hz. Il frame rate della sonda ad ultrasuoni è di 45 fps. L'esperimento è stato condotto per un periodo di 40 minuti, con la temperatura della piastra calda impostata su 70°C. Le immagini di riferimento per l'algoritmo di deep learning sono state generate interpolando linearmente i dati provenienti dai termistori. I dati della sonda ad ultrasuoni sono stati decimati con un fattore di 3 per gestire la quantità di dati raccolti. Successivamente, ogni file della sonda ad ultrasuoni è stato ridimensionato e suddiviso in set di addestramento, di convalida e di test (rispettivamente, 60% - 20% - 20%). L'architettura del modello di deep learning è stata allenata, specificando una metrica specificata da ottimizzare. Studi precedenti mostrano che sarebbe meglio implementare un'architettura in grado di estrarre sia feature spaziali che temporali. I layer "ConvLSTM" migliorano l'architettura LSTM con operazioni di convoluzione. Funzionano su una griglia di celle e possono catturare pattern spaziali oltre che relazioni temporali contemporaneamente, risultando generalmente in una maggiore performance. Pertanto, sono stati utilizzati sia strati convoluzionali standard che strati ConvLSTM per estrarre rispettivamente informazioni spaziali e temporali. Dopo aver addestrato l'architettura, essa è stata testata sulla restante porzione di dati da cui sono stati ottenute metriche quali RMSE, MSE e MAE. In futuro, le possibili applicazioni di questo algoritmo sono principalmente nel campo medicale (radioterapia, ultrasuoni focalizzati, rilascio controllato di farmaci ecc.).

-------
ENGLISH VERSION

Temperature maps can offer extensive information on the temperature distribution inside a biological tissue, allowing thermal abnormalities to be detected and therapeutic effectiveness to be evaluated. Moreover, they can provide information about the tissue’s health condition, with irregular temperature changes potentially suggesting inflammation, infections, or vascular abnormalities. Magnetic Resonance Imaging (MRI) is the most precise approach currently available for estimating temperature in a specific human body location. However, its main disadvantages are the expensive cost and the calibration. Ultrasounds, on the other hand, have the benefit of being less expensive, allow real-time imaging, non-invasiveness, portability, and cost-effectivenes, making it a possible solution to this problem. Nevertheless, temperature changes can have noticeable impacts on ultrasound images, such as ultrasound echo variation, tissue elasticity changes, sound attenuation changes etc. Previous studies identified a relationship between temperature and shifts in the radiofrequency backscattered echo in a phantom. However, when extremely high temperatures (temperatures of 50°C and beyond) are taken into account, as in the case of coagulative HIFU thermotherapy, the tissue goes through state changes that may significantly alter the backscattered ultrasound signal. In another study, infrared cameras were used to control an ultrasonic probe while delivering HIFU therapy. Nevertheless, infrared cameras are only able to detect superficial temperature shifts, making this application not suitable for minimally invasive surgery scenarios. In another study, they simulated a focused ultrasound beam in a layered tissue medium and extrapolated ultrasonic responses using machine learning methods, achieving promising results. However, more data would be needed to increase the performance of the algorithm and this strategy does not allow temperature monitoring. This was instead achieved in a study, where a deep learning strategy was suggested for employing ultrasound to monitor the temperature. However, the study’s limitations include a limited range of temperatures (temperatures up to 45°C), and a reduced dataset.

Therefore, this thesis employs a deep learning algorithm able to extract both spatial and temporal features from ultrasound radio-frequency data to predict local temperature shifts. The selection of this approach is motivated by its affordability, simplicity, and accuracy.

To train the network, it is necessary to obtain ground truth data. Traditional methods rely on MRI for acquiring such data, but the high cost and specialized equipment needed make it impractical for our purposes. To address this limitation, we propose the use of a sensorized phantom, offering a cost-effective and adaptable solution. By strategically placing thermal sensors within the phantom, we can reconstruct a 2-dimensional temperature map from the sparse sampling, assuming a planar temperature distribution. To validate this assumption, we conducted prior COMSOL simulations using the thermal properties of agar, a suitable medium for ultrasound studies. The simulation results confirmed the validity of our hypothesis, leading to the creation of the sensorized phantom and the development of the experimental setup. The employed experimental setup consists of several components. A cube-shaped mold with a side of 5 cm was manufactured. Five holes were equally spaced on the vertical axis of its face diagonal, 1 cm from each other. There, the thermistors are subsequently inserted. Once they are in place, the cube is sealed and filled with an agar mixture, providing a solid medium that surrounds and supports the sensors. The designed mixture is composed of 112.5 ml of water, 12.5 ml of milk, and 2.5 g of agar powder. Initially, it is heated to 90°C while stirring at about 300 rpm, maintained at this temperature for 20 minutes, and then allowed to cool down gradually until reaching 45°C. Once the desired temperature is attained, the mixture is poured into the mold and left to cool down further until it reaches room temperature. The other components of the experimental setup are a magnetic stirrer with a heating plate (IKA, C-MAG HS 7) that heats a bowl containing water, serving as the heat source for the agar phantom. The agar phantom is positioned on top of the heated bowl. On one side, an Arduino One board is connected to the thermistors to capture and record temperature data. On the other side, an ultrasound probe (TELEMED, linear-array ultrasound transducer L15-7H40-A5) is placed above the agar phantom to acquire radio-frequency data. Data acquisition from the Arduino ONE board was performed at a sampling rate of 1 Hz. The ultrasound probe’s frame rate was 45 fps. The experiment was conducted over a period of 40 minutes, with the hot plate temperature set to 70°C. Ground truth images for the deep learning algorithm were generated by linearly interpolating the data from the thermistors. The ultrasound probe data was decimated by a factor of 3 to manage the amount of collected data. Subsequently, each file from the ultrasound probe was reshaped and partitioned into training and validation sets (respectively, 60% - 20%). The architecture of the deep learning model can now be trained based on a specified metric to optimize. It would be desirable to implement a deep learning architecture capable of extracting spatial and temporal data. ConvLSTM are layers that augment the LSTM architecture with convolutional operations. It works on a grid of cells and may capture spatial patterns as well as temporal relationships at the same time, generally resulting in higher performance. Therefore, both convolutional layers and ConvLSTM layers were used to extract respectively spatial and temporal information. After training the architecture, it was tested on the remaining 20% of the overall dataset and performances metrics such RMSE, MSE, and MAE were obtained. Looking ahead, this algorithm’s perspectives are in the medical field (high-intensity focused ultrasounds, radiosurgery, controlled drug delivery etc.).