PRÁCTICA 1: LA APROXIMACIÓN DE DIFUSIÓN DE LA

RTE (ECUACIÓN DE TRANSFERENCIA RADIATIVA)

Paola Juliana Paredes Cerón

Asignatura: Biofotónica
Universidad de Cantabria, Máster universitario en ciencia e ingeniería de la luz.

INTRODUCCIÓN

En el presente informe se va a exponer los aspectos más relevantes que se pudieron

observar en la realización de la practica respecto a la aproximación de difusión de la
RTE, donde se desarrollaron los siguientes puntos: instalación de Anaconda y Pycharm,
creación de un entorno virtual, importación de módulos, declaración de variables en
gráficas, declaración de funciones, importación de scripts. También, se ejecuta y dibuja
la función de Green a partir de un script separado para diferentes valores de 𝜇𝑠 , 𝜇𝑎 y g,
además se compararán los datos con un paper propuesto.
En la implementación de la función de Green en Python, se utilizan algoritmos numéricos
para resolver las ecuaciones diferenciales que describen la propagación de la onda en el
medio. Los parámetros del medio, como la velocidad de propagación y la absorción, se
pueden ajustar para simular diferentes escenarios físicos. Se resalta que Python es una
herramienta valiosa para la simulación de la propagación de ondas en medios
homogéneos y su análisis en términos de intensidad, fase y polarización.

RESOLUCIÓN DE CUESTIONES

A continuación, se describen las cuestiones que se trataron a lo largo del trabajo:

1. En este primer punto se construyó una función diffusión_approx(r,mu_s_prime,

mu_a) que retorno valores de Φ(𝑟⃗) (ec. 1) para un np.array de entrada
(r=np.linspace(0, 0.5, N)). Además, Su funcionamiento se probó en un script por
separado (llamado primer script). Se debe tener en cuenta que:

1
Φ(𝑟⃗) = 4𝜋𝐷‖𝑟⃗‖ 𝑒 −𝜇𝑒𝑓𝑓 ‖𝑟⃗‖ (1)

Donde D es el coeficiente de difusión y está representado por:

1
D = 3(𝜇 ′ (2)
𝑎 +𝜇𝑠 )

Y 𝜇𝑒𝑓𝑓 es el coeficiente de atenuación (o transporte) efectivo:

𝜇
𝜇𝑒𝑓𝑓= √ 𝐷𝑎 = √3𝜇𝑎 (𝜇𝑎 + 𝜇𝑠′ ) (3)

1
A continuación, en la figura 1 se puede observar la representación de la ecuación 1 para
diferentes valores de ⃗r y dejando un valor fijo de 4 para mua_a, donde se analiza que
mayor distancia radial la fluencia radial va a tender a cero.

Figura 1. Evolución de la función de green según la ecuación 1 para diferentes valores

de ⃗r y dejando un valor para mua_a.

Figura 2. Evolución de la función de green según la ecuación 1 para diferentes valores

de ⃗r y variando el valor de mua_a.
2
En la figura 2, se puede observar un comportamiento similar al de la figura 1, dado que a
mayor distancia radial la fluencia va a tender a caer a cero. De igual forma, cuando se
varia la variable mua_a con valores que van de 0.01 a 0.1 también se puede confirmar
que se cumple la misma condición. Resaltando que para valores de mua_a más pequeños
también van a tender a cero de una manera más rápida si se compara con valores de mua_a
más grandes.

2. Importar la función y comprobar que ocurre al variar µa o µ’s dentro de valores

razonables para tejidos biológicos (µa ∈ [0, 4]cm−1 , µ’s ∈ [10, 40]cm−1 ). Estudiar
también como cambia el comportamiento a distancias cortas (0.2cm) y grandes.

En la figura 3, se puede observar que al variar µs’ con valores que van de 10 a 40 y
dejando un valor fijo para µa=2.0, la fluencia no presenta un cambio significativo con
respecto a la variación de mu_s_prima, ya que no se alcanza a distinguir cual de los
valores cae a cero de manera más rápida con respecto a la distancia radial. Sin embargo,
se alcanza a ver que para distancia cortas, es decir que están por debajo de 0.2 cm, la
fluencia no alcanza a tomar un valor por debajo de 1, caso contrario pasa con distancias
grandes (por encima de 0.2 cm), donde la fluencia ya tiende a valores por debajo de la
unidad.

Figura 3. Evolución de la función de green según la ecuación 1 para diferentes valores

de ⃗r, variando µ’s ∈ [10, 40]cm−1.

En la figura 4, se puede analizar que al variar mua_a con valores que van de 0 a 4, se
alcanza a validar que para valores de µa más grandes y para distancias radiales mayores
a 0.4 la fluencia ya va tender a un valor de 0.1, sin embargo, para un mua_a en cero, se
3
alcanza a percibir que la fluencia no alcanza a caer a un valor por debajo de 1 a una
distancia radial de alrededor de 0.5.

Figura 4. Evolución de la función de green según la ecuación 1 para diferentes valores

de ⃗r, variando µa ∈ [0, 4]cm−1.

3. Utilizando el Artıculo de Chernomordik et. al [5], dibujar la distribución de la tasa de

fluencia ϕ(⃗r) para tejido mamario sano y tumoral, a las dos longitudes de onda
indicadas en las tablas 1 y 2 de dicho artículo, en dos gráficas separadas (una por
longitud de onda)

Figura 5. Distribución de la tasa de fluencia ϕ(⃗r) para tejido mamario sano y

tumoral para pacientes 9 y 11 en 670 nm.

4
 En la figura 5 y 6, se estudia que tanto para una longitud de onda de 670 nm como
para una de 785 nm, el comportamiento de la fluencia para los que presentan un
diagnóstico sano cae más rápido a un valor de fluencia de alrededor 0.01 en
comparación con los pacientes de diagnostico tumoral a una distancia radial de 0.5.
Para los dos pacientes 9 y 11 con diagnostico tumoral se van a presentar valores de
fluencia un poco más altos en comparación con los que tienen un diagnostico sano
teniendo en cuenta la distancia radiales por arriba de 0.01.

Figura 6. Distribución de la tasa de fluencia ϕ(⃗r) para tejido mamario sano y

tumoral para pacientes 9 y 11 en 785 nm.

4. BIBLIOGRAFÍA

[1] Apuntes de Clase, Asignatura Biofotonica.

[2]Pycharm: El ide de python para desarrolladores profesionales. URL
https://www.jetbrains.com/es-es/pycharm/download
[3] V. Chernomordik, D. W. Hattery, D. Grosenick, H. Wabnitz, H. Rinneberg, K. T.
Moesta, P. M. Schlag, A. Gandjbakhche, Quantification of optical properties of a breast
tumor using random walk theory, Journal of Biomedical Optics 7 (1) (2002) 80.
doi:10.1117/1.1427049.