دوره 25، شماره 4 - ( دو ماهنامه طب جنوب 1401 )                   جلد 25 شماره 4 صفحات 370-355 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ghafarian P, Rezaei S, Gharepapagh E, Sarkar S, Ay M R. Impact of Various Image Reconstruction Methods on Joint Compensation of Respiratory Motion and Partial Volume Effects in Whole-Body 18F-FDG PET/CT Imaging: Patients with Non-Small Cell Lung Cancer. Iran South Med J 2022; 25 (4) :355-370
URL: http://ismj.bpums.ac.ir/article-1-1642-fa.html
غفاریان پردیس، رضائی سحر، قره‌پاپاق اسماعیل، سرکار سعید، آی محمدرضا. ارزیابی اثر روش‌های مختلف بازسازی تصویر بر تصحیح آرتیفکت حرکتی و اثرحجم جزئی در کمی‌سازی تصاویر تمام بدن 18F-FDG PET/CT در بیماران مبتلا به سرطان سلول‌های غیر کوچک ریوی. طب جنوب 1401; 25 (4) :370-355

URL: http://ismj.bpums.ac.ir/article-1-1642-fa.html


1- مرکز تحقیقات بیماری‌های مزمن تنفسی، پژوهشکده سل و بیماری‌های ریوی، مرکز آموزشی، پژوهشی و درمانی سل و بیماری‌های ریوی بیمارستان دکتر مسیح دانشوری، دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی شهید بهشتی، تهران، ایران
2- تیم تحقیقاتی علوم پرتو پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی تبریز، تبریز، ایران
گروه پزشکی هسته‌ای، دانشکده پزشکی، دانشگاه علوم پزشکی تبریز، تبریز، ایران ، s.rezaei.tums@gmail.com
3- تیم تحقیقاتی علوم پرتو پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی تبریز، تبریز، ایران
گروه پزشکی هسته‌ای، دانشکده پزشکی، دانشگاه علوم پزشکی تبریز، تبریز، ایران
4- گروه فیزیک پزشکی و مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
مرکز تحقیقات تصویربرداری سلولی و ملکولی، دانشگاه علوم پزشکی تهران، تهران، ایران
چکیده:   (243 مشاهده)
زمینه: در این مطالعه توانایی روش پیشنهادی اصلاح ترکیبی اثر حجم­جزئی و آرتیفکت حرکتی در کمی­سازی تومورها و ضایعات سلول‌های غیر کوچک ریوی با در نظر گرفتن تأثیر روش‌‌های مختلف بازسازی بر کمی‌سازی تصاویر PET 18F-FDG مورد ارزیابی قرار گرفت.
مواد و روش‌ها: برای اصلاح ترکیبی، روش‌ پس پردازشی Lucy-Richardson دکانولوشن به همراه روش کاهش نویز مبتنی بر ویولت پیاده‌سازی شد. عملکرد الگوریتم پیشنهادی با استفاده از داده­های 15 بیمار با 60 ضایعه سلول‌های غیر کوچک ریوی مورد بررسی قرار گرفت. در بیماران ضایعات بر اساس سایز، مکان و نسبت سیگنال به پس زمینه (SBR) تفکیک شدند. در هر مطالعه تصاویر با چهار روش‌ مختلف OSEM، PSF، TOF و TOFPSF بازسازی شدند. سپس نسبت کنتراست به نویز (CNR)، نویز (COV) و میزان جذب استاندارد (SUV) در ضایعات ریوی محاسبه شده و مقادیر این پارامترها در تصاویر اصلاح‌شده و اصلاح‌نشده مقایسه شدند.
یافته‌ها: نتایج مطالعات بالینی ما نشان داد که استفاده از الگوریتم پیشنهادی اصلاح می‌تواند سبب افزایش مقادیر CNR و SUV در تصاویر اصلاح‌شده در تمامی سایزها، SBRها و روش‌های بازسازی (به ویژه در ضایعات کوچک‌تر) گردد (0/05>p). علاوه بر این استفاده از ترکیب الگوریتم دکانولوشن به همراه روش کاهش نویز مبتنی بر ویولت توانست به طور قابل‌ توجهی مقادیر COV و CNR را در تصاویر اصلاح‌شده بهبود دهد (0/05>p). با در نظر گرفتن روش‌های مختلف بازسازی، مقدار میانه درصد اختلاف نسبی CNR تصاویر اصلاح‌شده و اصلاح‌ نشده به‌ترتیب برای OSEM، PSF، TOF و TOFPSF برابر 40/9، 41/2، 45/3 و 40/8 درصد برای ضایعاتی با سایزکوچک­تر از 15 میلی‌متر، 31/0 درصد، 25/9، 34/1 و 28/2 درصد برای ضایعاتی با سایز بزرگ‌تر از 15میلی‌متر ، 35/7، 33/7، 37/8 و 33/2 درصد برای ضایعات واقع در لوب‌های پایین ریه، 33/5، 31/0، 35/7 و 30/6 درصد برای ضایعات واقع در لوب‌های بالای ریه، 39/7، 37/9، 45/1 و 39/0 درصد برای ضایعاتی با SBR پایین (SBR <3) و 28/8، 27/8، 34/8 و 25/7 درصد برای ضایعاتی با SBR بالا (SBR>3) بود.
نتیجه‌گیری: نتایج ما نشان می‌دهند که الگوریتم پیشنهادی اصلاح می‌تواند دقت کمی‌سازی تصاویر پت را بهبود بخشد. علاوه بر این، تغییرات در دامنه حرکتی، سایز هدف و SBR منجر به اختلاف قابل‌ توجه روش‌های مختلف بازسازی در کمی‌سازی تصاویر اصلاح‌شده گردید. به ویژه در سایز هدف کوچک­تر، دقت کمی‌سازی به شدت وابسته به انتخاب روش بازسازی بود. بنابراین لازم است هنگام استفاده از هر روش اصلاحی، روش‌های بازسازی باید با دقت انتخاب گردد.
متن کامل [PDF 642 kb]   (64 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: رادیولوژی، عکسبرداری تشخیصی
دریافت: 1401/5/23 | پذیرش: 1401/8/1 | انتشار: 1401/9/26

فهرست منابع
1. El Naqa I. The role of quantitative PET in predicting cancer treatment outcomes. Clin Transl Imaging 2014; 2: 305–20. [DOI]
2. O JH, Jacene H, Luber B, et al. Quantitation of cancer treatment response by 18F-FDG PET/CT: multicenter assessment of measurement variability. J Nucl Med 2017; 58(9): 1429–34. [DOI]
3. Hughes NM, Mou T, O’Regan KN, et al. Tumor heterogeneity measurement using [18F] FDG PET/CT shows prognostic value in patients with non-small cell lung cancer. Eur J Hybrid Imaging 2018; 2: 25. [DOI]
4. Erlandsson K, Buvat I, Pretorius PH, et al. A review of partial volume correction techniques for emission tomography and their applications in neurology, cardiology and oncology. Phys Med Biol 2012; 57(21): R119–59. [DOI]
5. Polycarpou I, Tsoumpas C, King AP, et al. Impact of respiratory motion correction and spatial resolution on lesion detection in PET: a simulation study based on real MR dynamic data. Phys Med Biol 2014; 59(3): 697–713. [DOI]
6. Bal H, Guerin L, Casey ME, et al. Improving PET spatial resolution and detectability for prostate cancer imaging. Phys Med Biol 2014; 59(15): 4411–26. [DOI]
7. Kawano T, Ohtake E, Inoue T. Deep-inspiration breath-hold PET/CT of lung cancer: maximum standardized uptake value analysis of 108 patients. J Nucl Med 2008; 49(8): 1223–1231. [DOI]
8. Mageras GS, Pevsner A, Yorke ED, et al. Measurement of lung tumor motion using respiration-correlated CT. Int J Radiat Oncol Biol Phys 2004; 60(3): 933–41. [DOI]
9. Salavati A, Borofsky S, Boon-Keng TK, et al. Application of partial volume effect correction and 4D PET in the quantification of FDG avid lung lesions. Mol Imaging Biol 2015; 17(1): 140–148. [DOI]
10. Apostolova I, Wiemker R, Paulus T, et al. Combined correction of recovery effect and motion blur for SUV quantification of solitary pulmonary nodules in FDG PET/CT. Eur Radiol 2010; 20(8): 1868–1877. [DOI]
11. Wiemker R, Paulus T, Kabus S, et al. Combined motion blur and partial volume correction for computer aided diagnosis of pulmonary nodules in PET/CT. Int J Comput Assist Radiol Surg 2008; 3(1): 105–113. [DOI]
12. Andersen FL, Klausen TL, Loft A, et al. Clinical evaluation of PET image reconstruction using a spatial resolution model. Eur J Radiol 2013; 82(5): 862–869. [DOI]
13. Vennart NJ, Bird N, Buscombe J, et al. Optimization of PET/CT image quality using the GE “Sharp IR” point-spread function reconstruction algorithm. Nucl Med Commun 2017; 38(6): 471–479. [DOI]
14. Conti M. Focus on time-of-flight PET: The benefits of improved time resolution. Eur J Nucl Med Mol Imaging 2011; 38(6): 1147–1157. [DOI]
15. Rezaei S, Ghafarian P, Bakhshayesh-Karam M, et al. The impact of iterative reconstruction protocol, signal-to-background ratio and background activity on measurement of PET spatial resolution. Jpn J Radiol 2020; 38(3): 231-9. [DOI]
16. Taniguchi T, Akamatsu G, Kasahara Y, et al. Improvement in PET/CT image quality in overweight patients with PSF and TOF. Ann Nucl Med 2015; 29(1): 71–77. [DOI]
17. Chang G, Chang T, Pan T, et al. Joint correction of respiratory motion artifact and partial volume effect in lung/thoracic PET/CT imaging. Med Phys 2010; 37(12): 6221–6232. [DOI]
18. Kadoya N, Fujita Y, Ito K, et al. Investigation of correction method of recovery effect and motion blur for SUV quantification in FDG PET/CT in patients with early lung cancer. J Nucl Med Radiat Ther 2013; 4: 1-8. [DOI]
19. Xu Q, Yuan K, Ye D. Respiratory motion blur identification and reduction in ungated thoracic PET imaging. Phys Med Biol 2011; 56(14): 4481–98. [DOI]
20. Boussion N, Cheze Le Rest C, Hatt M, et al. Incorporation of wavelet-based denoising in iterative deconvolution for partial volume correction in whole-body PET imaging. Eur J Nucl Med Mol Imaging 2009; 36(7): 1064–75. [DOI]
21. Zhou D, Shen X. Image denoising using block thresholding. Congress on Image and Signal Processing.Washington, DC: IEEE, 2008, 335–8. [DOI]
22. Chang SG, Yu B, Vetterli M. Adaptive wavelet thresholding for image denoising and compression. IEEE Trans Image Process 2000; 9(9): 1532–46. [DOI]
23. Suljic A, Tomse P, Jensterle L, et al. The impact of reconstruction algorithms and time of flight information on PET/CT image quality. Radiol Oncol 2015; 49(3): 227–233. [DOI]
24. Akamatsu G, Ishikawa K, Mitsumoto K, et al. Improvement in PET/CT Image Quality with a Combination of Point-Spread Function and Time-of-Flight in Relation to Reconstruction Parameters. J Nucl Med 2012; 53(11): 1716–1722. [DOI]
25. Karp JS, Surti S, Daube-Witherspoon ME, et al. Benefit of Time-of-Flight in PET: Experimental and Clinical Results. J Nucl Med 2008; 49(3): 462–470. [DOI]
26. Surti S, Scheuermann J, El Fakhri G, et al. Impact of Time-of-Flight PET on Whole-Body Oncologic Studies: A Human Observer Lesion Detection and Localization Study. J Nucl Med 2011; 52(5): 712–719. [DOI]
27. Lois C, Jakoby BW, Long MJ, et al. An Assessment of the Impact of Incorporating Time-of-Flight Information into Clinical PET/CT Imaging. J Nucl Med 2010; 51(2): 237–45. [DOI]
28. El Fakhri G, Surti S, Trott CM, et al. Improvement in Lesion Detection with Whole-Body Oncologic Time-of-Flight PET. J Nucl Med 2011; 52(3): 347–353. [DOI]
29. Bettinardi V, Castiglioni I, De Bernardi E, et al. PET quantification: strategies for partial volume correction. Clin Transl Imaging 2014; 2(3): 199–218. [DOI]
30. Prieto E, Domínguez-Prado I, García-Velloso MJ, et al. Impact of time-of-flight and point-spread-function in SUV quantification for oncological PET. Clin Nucl Med 2013; 38(2): 103–109. [DOI]
31. Armstrong IS, Kelly MD, Williams HA, et al. Impact of point spread function modelling and time of flight on FDG uptake measurements in lung lesions using alternative filtering strategies. EJNMMI Phys 2014; 1(1): 99. [DOI]
32. Rogasch JM, Hofheinz F, Lougovski A, et al. The influence of different signal-tobackground ratios on spatial resolution and F18-FDG-PET quantification using point spread function and time-of-flight reconstruction. EJNMMI Phys 2014; 1(1): 12. [DOI]
33. Siman W, Mawlawi OR, Mikell JK, et al. Effects of image noise, respiratory motion, and motion compensation on 3D activity quantification in count-limited PET images. Phys Med Biol 2017; 62(2): 448-464. [DOI]
34. Sharifpour R, Ghafarian P, Rahmim A, et al. Quantification and reduction of respiratory induced artifacts in positron emission tomography/computed tomography using the time-of-flight technique. Nucl Med Commun 2017; 38(11): 948–955. [DOI]
35. Conti M, Bendriem B. The new opportunities for high time resolution clinical TOF PET. Clin Transl Imaging 2019; 7(2): 139–147. [DOI]
36. Nehmeh SA. Respiratory motion correction strategies in thoracic PET-CT imaging. PET Clin 2013; 8(1): 29–36. [DOI]
37. Wang Y, Zhang C, Liu J, et al. Is 18F-FDG PET accurate to predict neoadjuvant therapy response in breast cancer? A meta-analysis. Breast Cancer Res Treat 2012; 131(2): 357- 369. [DOI]
38. Rezaei S, Ghafarian P, Jha AK, et al. Joint compensation of motion and partial volume effects by iterative deconvolution incorporating wavelet-based denoising in oncologic PET/CT imaging. Phys Med 2019; 68: 52–60. [DOI]
39. Liao S, Penney BC, Wroblewski K, et al. Prognostic value of metabolic tumor burden on 18F-FDG PET in nonsurgical patients with non-small cell lung cancer. Eur J Nucl Med Mol Imaging 2012; 39(1): 27–38. [DOI]
40. Fayad H, Schmidt H, Küstner T, et al. 4D MR and attenuation map generation in PET/MR imaging using 4D PET derived deformation matrices: a feasibility study for lung cancer applications. J Nucl Med 2016; 58(5): 1–9. [DOI]
41. Bolkheir A, Ostovar A, Moradinasab M, Larijani B. Nuclear Radiation and Thyroid Cancer; A Systematic Review. Iran South Med J 2022; 25(3): 261-276. [Article]

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به دانشگاه علوم پزشکی بوشهر می‌باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2023 CC BY-NC 4.0 | ISMJ

Designed & Developed by: Yektaweb