Experimentally and Numerically Validated Monte Carlo Simulator for Optical Coherence Tomography

La tomographie par cohérence optique (OCT) est une technique d’imagerie non invasive de plus en plus populaire dans de nombreuses applications biomédicales. Il est possible de visualiser les structures tissulaires avec une précision de quelques millimètres et une résolution en profondeur d’environ 10 microns. En OCT, le problème inverse consiste à déduire la structure interne ou les caractéristiques d’un échantillon en analysant les signaux OCT acquis à partir de celui-ci. La résolution de ce problème inverse fournit des informations significatives, facilite l’analyse quantitative et améliore la compréhension et l’utilisation de cette technologie d’imagerie dans divers domaines de la médecine et de la recherche. Cela faciliterait l’interprétation des images OCT pour diagnostiquer les maladies, suivre l’évolution des traitements et guider les procédures chirurgicales. L’une des façons de résoudre ce problème est d’utiliser la technique de l’apprentissage automatique, qui nécessite à la fois des données et une représentation précise de différents objets. La simulation numérique est l’un des moyens possibles de capturer des images OCT. La simulation de Monte Carlo (MC) est la méthode établie pour étudier l’interaction lumièretissu dans les tissus biologiques, et elle peut être utilisée pour étudier des techniques d’imagerie comme l’OCT. Toutefois, certaines modifications sont nécessaires pour répondre aux exigences spécifiques de l’OCT et atteindre une grande précision de simulation. Étant donné que l’OCT repose sur la détection de photons rétrodiffusés par le tissu, il devient essentiel d’incorporer un schéma de détection de paquets de photons dans la simulation. En outre, pour modéliser avec précision la propagation de la lumière dans le système d’imagerie, il est crucial de tenir compte du comportement réel de la lumière. De nombreux photons simulés peuvent ne pas contribuer au signal OCT détecté à l’aide d’un moteur MC standard en raison de la décroissance exponentielle de l’intensité lumineuse avec la profondeur. Ce phénomène a un impact significatif sur le temps de calcul. Il existe donc un besoin pressant de méthodes permettant d’améliorer le temps de calcul et de générer efficacement des images OCT tout en maintenant la précision.

Abstract

Optical coherence tomography (OCT) is a non-invasive imaging technique that is gaining popularity in numerous biomedical applications. It allows for the visualization of tissue structures within a few millimeters of depth and provides a depth resolution of approximately 10 microns. In OCT, the inverse problem refers to the task of reconstructing the internal structure or properties of a sample based on the measured OCT signals obtained from it. Solving this inverse problem enables the extraction of meaningful information, facilitates quantitative analysis, and enhances our comprehension and utilization of this imaging technique across different medical and research fields. This would assist in the interpretation of OCT images to diagnose diseases, monitor treatment progress, and guide surgical procedures. One approach to tackle this is through the utilization of machine learning, which requires both data and the accurate representation of various objects and one way to acquire OCT images is through numerical simulations. Monte Carlo (MC) simulation for light propagation in biological tissue is the gold standard for investigating light-tissue interaction, which can be used to study imaging procedures, such as OCT. To address the specific requirements of OCT and ensure simulation accuracy, some modifications need to be implemented. Since OCT relies on detecting backscattered photons from the tissue, it becomes necessary to incorporate a photon packet detection scheme. Additionally, to accurately simulate light propagation within the imaging system, the actual behavior of light must be taken into account. Furthermore, using a standard MC engine, most simulated photons will not contribute to the detected OCT signal due to the exponential decay of light intensity with depth, while having a significant impact on computation time. Therefore, methods to improve the computation time are needed to efficiently generate OCT images.