Methodische Untersuchungen zur statischen und dynamischen PET

PET-CT-Scanner mit großem axialem Sichtfeld (LAFOV) weisen im Vergleich zu Systemen mit standardmäßigem axialem Sichtfeld (SAFOV) eine höhere Empfindlichkeit auf, was zu einer besseren Erkennbarkeit von Läsionen führt.

Die höhere Sensibilität ermöglicht eine Reduzierung der PET-Aufnahmezeit und/oder der verabreichten Radiotracer-Dosis, während sie ein verzögertes Scannen mit zufriedenstellender diagnostischer Genauigkeit ermöglicht.

Wir evaluieren unterschiedliche Anwendungsdosen und unterschiedliche Zeitintervalle für die statische Bildgebung mit unterschiedlichen Tracern. Einige der laufenden Ergebnisse sind in Abb. 2 dargestellt. Obwohl die Reduzierung der Aufnahmezeit als allgemeine Tendenz mit einer Verringerung des Leber-SNR und des TBR einherging, konnten wir nachweisen, dass eine 5-minütige statische Aufnahme des Rumpfes eine vergleichbare diagnostische Qualität bietet wie Standardaufnahmelängen

LAFOV-Systeme ermöglichen erstmals eine dynamische Ganzkörperbildgebung mit ultrahoher zeitlicher Auflösung. Abb. 3a zeigt die ultrahohe zeitliche Auflösung des LAFOV-Systems.

Die Kompartimentmodellierung hat ihre Wurzeln in der Pharmakologie und Biochemie und zielt darauf ab, biologisch relevante Parameter abzuschätzen, die Informationen über die Pharmakokinetik eines Radiotracers liefern. Sie wird seit mehreren Jahren in der PET zur Charakterisierung der Tracerkinetik eingesetzt. Die Einführung von LAFOV-PET-CT-Scannern ermöglichte erstmals die Durchführung von Ganzkörper-Pharmakokinetikstudien, eine bessere zeitliche Auflösung, eine robustere IDIF-Berechnung und weniger Rauschen in den TACs der Ziel- und Referenz-VOIs. Dies ist insbesondere für die Beurteilung neuer Radiopharmaka und die Bewertung möglicher Wechselwirkungen zwischen verschiedenen Organen wichtig.

Parametrische Bildgebung ist eine Methode der Merkmalsextraktion, die die Visualisierung eines isolierten Parameters der Kinetik eines Tracers auf der Grundlage spezieller mathematischer Modelle und einer voxelweisen Berechnung anstelle einer VOI-basierten Analyse ermöglicht. Der Vorteil im Vergleich zur pharmakokinetischen Analyse ist die direkte Visualisierung verschiedener kinetischer Parameter wie Tracer-Einstrom oder Transportraten (K₁, k₂ usw.), anstatt ihre absoluten Zahlen bereitzustellen. Neue Softwaretools für die LAFOV PET-CT-Scanner ermöglichen die sogenannte direkte Bildrekonstruktion von Patlak-Bildern, was bedeutet, dass der Patlak-Algorithmus in die Rekonstruktionssoftware implementiert ist und das Sinogramm verwendet. Die Rekonstruktion parametrischer Patlak-Bilder zusätzlich zu statischen Bildern wurde zu Forschungszwecken hauptsächlich mit [¹⁸F]-FDG verwendet. Mit diesem Ansatz werden zwei Bildsätze berechnet, die Verteilungsvolumenbilder (DV), die den perfusionsbezogenen Teil von [¹⁸F]-FDG widerspiegeln, und die Einstrom- oder Ki-Bilder, die den phosphorylierten Teil des Tracers widerspiegeln.

Viele bekannte Einschränkungen des Kompartimentmodellierungsansatzes bestehen weiterhin. Eine solche Einschränkung ist die Tatsache, dass die Bewertung der Transportraten vom Bediener abhängig ist, da eine iterative Anpassung zur Berechnung der kleinsten Quadrate zwischen gemessenen und Modelldaten verwendet wird, was zu Überanpassungsproblemen und mangelnder Reproduzierbarkeit führen kann. Die Verwendung von maschinellen Lernansätzen wird weiterhin erforderlich sein, um robuste und reproduzierbare Ergebnisse zu erzielen, die sowohl für die VOI-basierte als auch für die pixelweise quantitative Analyse von PET-Daten benutzerunabhängig sind.

In den letzten Jahren hat sich Radiomics als innovative Methode für das Hochdurchsatz-Mining von bildbasierten Merkmalen für die klinische Entscheidungsfindung herauskristallisiert, was insbesondere in der Onkologie hilfreich sein kann. Darüber hinaus werden maschinelles Lernen und Deep Learning, beides Teilgebiete der künstlichen Intelligenz (KI), die eng mit dem Radiomics-Prozess verwandt sind, zunehmend für die automatisierte Bildanalyse eingesetzt und bieten neue Möglichkeiten für die Auswertung von Bildgebungsverfahren wie CT, PET/CT und MRT in der Onkologie. In diesem Sinne hat die anfängliche, aber stetig wachsende Literatur zur Anwendung von Radiomics und KI-basierten Methoden im Bereich der [18F]FDG-PET/CT bei multiplem Myelom bereits ermutigende Ergebnisse erbracht und bietet ein potenziell zuverlässiges Instrument zur Optimierung und Standardisierung der Interpretation bei dieser Krankheit.

Abb. 7 zeigt die Bildverarbeitungsmethode zur Berechnung des MTV und TLG des gesamten Körpers unter Anwendung des auf Deep Learning basierenden Softwaretools. Myelomläsionen im Knochenmarkkompartiment (rot) werden auf der Standardanzeige der PET/CT (links) visualisiert. Die Läsionen werden auf Grundlage einer KI-basierten Knochensegmentierung in der CT berechnet, die im 3D-Bild (zweites von rechts) dargestellt ist, und entsprechender SUV-Schwellenwerte für jede Knochengruppe, was zu Knochenläsionssegmentierungen führt, die im 3D-Bild rechts dargestellt sind. Die resultierende Läsionssegmentierung (rot) kann verwendet werden, um das Gesamt-MTV und TLG für den Patienten zu berechnen.

Zusammenarbeit mit Prof. Dr. Lars Edenbrandt, Abteilung für klinische Physiologie, Universitätsklinikum Göteborg, Schweden, und Abteilung für Molekulare und Klinische Medizin, Institut für Medizin, Sahlgrenska-Akademie, Universität Göteborg, Göteborg, Schweden.