مجله علوم، مهندسی و فناوری هسته‌ای

شماره جاری

کلیه شماره‌های مجله

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اصول اخلاقی انتشار مقاله

اعضای گروه دبیران (هیئت تحریریه)

فرایند پذیرش مقالات

پیوندهای مفید

راهنمای نویسندگان

دریافت قالب مقاله

دریافت فرم‌ ها

راهنمای ارسال مقاله

راهنمای داوری مقالات

اسامی سالانه داوران

ثبت داوری در پایگاه داوری Web of Science (publons)

اطلاعات تماس

فرم ارتباط با مجله

تولید تصاویر پارامتریک Ki در تصویربرداری 18F] FDG PET/CT] با استفاده از دو اسکن استاتیک سه دقیقه‌ای

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی انرژی، دانشگاه صنعتی شریف، صندوق پستی: 14565-1114، تهران- ایران

2 دپارتمان پزشکی هسته‌ای، بیمارستان امام خمینی، دانشگاه علوم پزشکی تهران، صندوق پستی: 1419733141، تهران- ایران

3 دپارتمان فیزیک پزشکی و مهندسی پزشکی، دانشگاه علوم پزشکی تهران، صندوق پستی: 1461884513، تهران- ایران

چکیده

استفاده از تصویربرداری دینامیکی PET برای استخراج پارامترهای جنبشی ردیاب که مهم‌ترین آن‌ها پارامتر Ki است، در سال‌های اخیر مورد توجه قرار گرفته است. در این مطالعه استفاده از تکنیک دو نقطۀ زمانی (DTP) برای تولید تصاویر پارامتریک Ki با استفاده از دو تصویر استاتیک سه دقیقه‌ای PET مورد ارزیابی قرار گرفت. به این منظور با استفاده از شبیه‌سازی با فانتوم XCAT، شش تومور ناهمگن با سه سطح انرژی در بافت‌های ریه و کبد قرار داده شد. سپس با استفاده از آنالیز پاتلاک و استفاده از تابع ورودی مبتنی بر جمعیت (PBIF) تصاویر پارامتریک Ki تولید و ارزیابی شد. همچنین پارامترهای TBR و CNR در تصاویر SUV و تصاویر پارامتریک تولید شده با استفاده از روش DTP و روش تصویربرداری کامل دینامیکی مورد مقایسه و ارزیابی قرار گرفت. نتایج نشان‌دهندۀ همبستگی بالا (0/9 <) و بایاس محدود بین پارامتر Ki تولید شده با استفاده از روش DTP و روش تصویربرداری کامل دینامیکی بود. همچنین بالا بودن پارامتر TBR در تصاویر DTP نسبت به تصاویر SUV (%70- تومور ریه، 35‌% - تومور کبدی) نشان از بهبود وضوح و کیفیت این تصاویر دارد. بنابراین این تصاویر می‌توانند جایگزین مناسبی برای تصاویر کامل دینامیکی PET و SUV در کلینیک باشند.

کلیدواژه‌ها

عنوان مقاله [English]

Production of parametric Ki images by dual time point (two 3 min clinical routine static scans)

نویسندگان [English]

  • N. Reshtebar 1
  • S,A. Hosseini 1
  • P. Sheikhzadeh 2 3

1 Faculty of Energy Engineering, Sharif University of Technology, P.O.Box: 1114-14565, Tehran - Iran

2 Department of Nuclear Medicine, Imam Khomeini Hospital, Tehran University of Medical Sciences, P.O.Box: 1419733141, Tehran - Iran

3 Department of Nuclear Medicine, Imam Khomeini Hospital, Tehran University of Medical Sciences, P.O.Box: 1419733141, Tehran - Iran

چکیده [English]

Dynamic Positron Emission Tomography (PET) imaging has significant potential for extracting kinetic parameters of tracers, particularly the Ki parameter. This study evaluates the use of the Dual Time Point (DTP) technique to generate parametric Ki images from two 3-minute static PET scans. A simulation study was conducted using the XCAT phantom, generating six realistic heterogeneous tumors embedded in lung and liver tissues with various levels of [18F] FDG uptake. Parametric Ki images were generated and evaluated using Patlak analysis and a population-based input function (PBIF). Additionally, TBR and CNR parameters in SUV images and parametric images produced by DTP and full dynamic methods were compared and analyzed. The results showed a significant correlation (> 0.9) between the Ki parameter derived from DTP and full dynamic imaging methods. Moreover, the high TBR parameter in DTP images compared to SUV images (70% for lung tumors, 35% for liver tumors) indicates improved contrast and image quality. Consequently, DTP images can be a suitable alternative to complete dynamic PET and SUV images in clinical settings.

کلیدواژه‌ها [English]

  • Compartmental modeling
  • Positron emission tomography
  • Dynamic imaging
  • XCAT phantom
  • Dual time point technique
مراجع
  1. Rahmim A, Lodge M.A, Karakatsanis N.A, Panin V.Y, Zhou Y, McMillan A, Cho S, Zaidi H, Casey M.E, Wahl R.L. Dynamic whole-body PET imaging: principles, potentials and applications. Eur J Nucl Med Mol Imaging. 2019;46:501–18. doi:10.1007/s00259-018-4153-6.

 

  1. Viswanath V, Chitalia R, Pantel A.R, Karp J.S, Mankoff D.A. Analysis of Four-Dimensional Data for Total Body PET Imaging. PET Clin. 2021;16:55–64. doi:10.1016/j.cpet.2020.09.009.

 

  1. Freedman N.M.T, Sundaram S.K, Kurdziel K, Carrasquillo J.A, Whatley M, Carson J.M, Sellers D, Libutti S.K, Yang J.C, Bacharach S.L. Comparison of SUV and Patlak slope for monitoring of cancer therapy using serial PET scans. Eur J Nucl Med Mol Imaging. 2003;30:46–53.doi:10.1007/s00259-002-0981-4.

 

  1. Shreve P.D, Anzai Y, Wahl R.L. Pitfalls in oncologic diagnosis with FDG PET imaging: Physiologic and benign variants. Radiographics. 1999;19:61–77. doi:10.1148/radiographics.19.1.g99ja0761.

 

  1. Zaidi H, Karakatsanis N. Towards enhanced PET quantification in clinical oncology. Br J Radiol. 2018;91:20170508. doi:10.1259/bjr.20170508.

 

  1. Zhuang M, Karakatsanis N.A, Dierckx R.A.J.O, Zaidi H. Quantitative Analysis of Heterogeneous [18F]FDG Static (SUV) vs. Patlak (Ki) Whole-body PET Imaging Using Different Segmentation Methods: a Simulation Study. Mol Imaging Biol. 2019;21:317–27.

 

  1. Dimitrakopoulou-Strauss A, Pan L, Strauss L.G. Quantitative approaches of dynamic FDG-PET and PET/CT studies (dPET/CT) for the evaluation of oncological patients. Cancer Imaging. 2012;12:283–9. doi:10.1102/1470-7330.2012.0033.

 

  1. Strauss L.G, Dimitrakopoulou-Strauss A, Haberkorn U. Shortened PET data acquisition protocol for the quantification of 18F-FDG kinetics. J Nucl Med. 2003;44:1933–9.

 

  1. Visser E.P, Kienhorst L.B.E, De Geus-Oei L.F, Oyen W.J.G. Shortened dynamic FDG-PET protocol to determine the glucose metabolic rate in non-small cell lung carcinoma. IEEE Nucl Sci Symp Conf Rec. 2008:4455–8. doi:10.1109/NSSMIC.2008.4774271.

 

  1. Strauss L.G, Pan L, Cheng C, Haberkorn U, Dimitrakopoulou-Strauss A. Shortened acquisition protocols for the quantitative assessment of the 2-tissue-compartment model using dynamic PET/CT18F-FDG studies. J Nucl Med. 2011;52:379-385. doi:10.2967/jnumed.110.079798.

 

  1. Samimi R, Kamali-Asl A, Geramifar P, Van Den Hoff J, Rahmim A. Short-duration dynamic FDG PET imaging: Optimization and clinical application. Phys Medica. 2020;80:193–200. https://doi.org/10.1016/j.ejmp.2020.11.004.

 

  1. Segars W.P, Sturgeon G, Mendonca S, Grimes J, Tsui B.M.W. 4D XCAT phantom for multimodality imaging research. Med Phys. 2010;37:4902–15. doi:10.1118/1.3480985.

 

  1. Karakatsanis N.A, Lodge M.A, Tahari A.K, Zhou Y, Wahl R.L, Rahmim A. Dynamic whole-body PET parametric imaging: I. Concept, acquisition protocol optimization and clinical application. Phys Med Biol. 2013;58:7391–418. doi:10.1088/0031-9155/58/20/7391.

 

  1. Tonietto M, Zanderigo F, Bertoldo A, Devanand D.P, Mann J.J, Bodini B, Stankoff B. Multicenter validation of population-based input function with non-linear mixed effect modeling for voxel-wise quantification of [18F]Fdg metabolic rate. Proc - Int Symp Biomed Imaging. 2019;2019–April:376–9. doi:10.1109/ISBI.2019.8759190.

 

  1. Feng D, Huang S.C, Wang X. Models for computer simulation studies of input functions for tracer kinetic modeling with positron emission tomography. Int J Biomed Comput. 1993;32:95–110. doi:10.1016/0020-7101(93)90049-C.

 

  1. Le Maitre A, Segars W.P, Marache S, Reilhac A, Hatt M, Tomei S, Lartizien C, Visvikis D. Incorporating patient-specific variability in the simulation of realistic whole-body 18F-FDG distributions for oncology applications. Proc IEEE. 2009;97:2026–38. doi:10.1109/JPROC.2009.2027925.

 

  1. Wanet M, Lee J.A, Weynand B, De Bast M, Poncelet A, Lacroix V, Coche E, Grégoire V, Geets X. Gradient-based delineation of the primary GTV on FDG-PET in non-small cell lung cancer: A comparison with threshold-based approaches, CT and surgical specimens. Radiother Oncol. 2011;98:117–25. doi:10.1016/j.radonc.2010.10.006.

 

  1. Ashrafinia S, Mohy-Ud-Din H, Karakatsanis N.A, Jha A.K, Casey M.E, Kadrmas D.J, Rahmim A. Generalized PSF modeling for optimized quantitation in PET imaging. Phys Med Biol. 2017;62:5149–79. https://doi.org/10.1088/1361-6560/aa6911.

 

  1. Cai W, Feng D, Fulton R, Siu W.C. Generalized linear least squares algorithms for modeling glucose metabolism in the human brain with corrections for vascular effects. Comput Methods Programs Biomed. 2002;68:1–14. doi:10.1016/S0169-2607(01)00160-2.

 

  1. Im H.J, Bradshaw T, Solaiyappan M, Cho S.Y. Current Methods to Define Metabolic Tumor Volume in Positron Emission Tomography: Which One is Better? Nucl Med Mol Imaging (2010). 2018;52:5–15. doi:10.1007/s13139-017-0493-6.

 

  1. Zaker N, Kotasidis F, Garibotto V, Zaidi H. Assessment of Lesion Detectability in Dynamic Whole-Body PET Imaging Using Compartmental and Patlak Parametric Mapping. Clin Nucl Med. 2020;45:E221–31. https://doi.org/10.1097/RLU.0000000000002954.

 

  1. Ilan E, Sandström M, Velikyan I, Sundin A, Eriksson B, Lubberink M. Parametric net influx rate images of 68Ga-DOTATOC and 68Ga-DOTATATE: Quantitative accuracy and improved image contrast. J Nucl Med. 2017;58:744–9. https://doi.org/10.2967/jnumed.116.180380.
مجله علوم، مهندسی و فناوری هسته‌ای
دوره 45، شماره 4 - شماره پیاپی 110
دی 1403
صفحه 20-27
فایل ها
هم رسانی
ارجاع به این مقاله
آمار