斷層掃描影像中，從投影到區域計數的不確定性傳播：應用於放射性藥物劑量學

Konsep Inti

本研究提出了一種計算演算法，用於量化斷層掃描影像中，從投影數據到區域計數的不確定性傳播，並探討其在放射性藥物劑量學中的應用。

Abstrak

書目資訊

Polson, L., Kurkowska, S., Li, C., Esquinas, P., Sheikhzadeh, P., Abbasi, M., Benard, F., Uribe, C., & Rahmim, A. (2023). Uncertainty Propagation from Projections to Region Counts in Tomographic Imaging: Application to Radiopharmaceutical Dosimetry. IEEE Transactions on Medical Imaging.

研究目標

本研究旨在開發一種計算高效的演算法，用於量化斷層掃描影像重建過程中，從投影數據到感興趣區域 (VOI) 總計數的不確定性傳播，並評估其在放射性藥物劑量學中的應用。

方法

研究人員基於 Qi 提出的預處理梯度上升 (PGA) 演算法的不確定性傳播框架，開發了一種計算高效的演算法。該演算法通過考慮 VOI 內總計數的不確定性估計，將矩陣運算簡化為矩陣向量乘積，從而減少計算時間。研究人員首先使用 177Lu 和 225Ac 體模數據驗證了該演算法，比較了單次 SPECT 采集的估計不確定性和多次采集獲得的經驗估計值。然後，將該演算法應用於 177Lu-DOTATATE 和 225Ac-PSMA-617 病患的多時間點 SPECT/CT 數據，用於時間積分活性 (TIA) 不確定性估計。

主要發現

• 該演算法在 177Lu 和 225Ac 體模數據中得到驗證，估計的不確定性與經驗觀察結果一致。
• 在 177Lu-DOTATATE 和 225Ac-PSMA-617 病患數據中，該演算法能夠準確估計 TIA 的不確定性。
• 與使用比例不確定性或不考慮不確定性的方法相比，使用該演算法進行時間活性曲線 (TAC) 擬合可以顯著提高 TIA 不確定性估計的精度。

主要結論

本研究提出了一種計算高效且準確的演算法，用於量化斷層掃描影像重建過程中，從投影數據到 VOI 計數的不確定性傳播。該演算法在放射性藥物劑量學中具有潛在應用價值，可以提高 TIA 估計的準確性和可靠性，有助於個性化治療計劃的制定。

研究意義

本研究為準確評估放射性藥物治療中的劑量吸收提供了新的方法，有助於提高治療的安全性和有效性。

局限性和未來研究方向

• 未來研究可以探討將該演算法應用於其他放射性核素和成像模式。
• 需要進一步研究評估該演算法在臨床實踐中的應用價值。

Statistik

177Lu 體模實驗中，使用了直徑 37 毫米、28 毫米、22 毫米、17 毫米、13 毫米和 10 毫米的球體，填充了 9:1 的放射源與背景比率，球體活性濃度為 0.89 MBq/mL。
177Lu 體模數據使用 Siemens Symbia T2 系統采集，設定為：128 × 128 像素，分辨率為 4.82 毫米 × 4.82 毫米，96 個投影角度，中等能量準直儀，每個投影采集時間為 15 秒。
225Ac 體模實驗中，使用了 Jaszczak 體模的圓柱體，球體直徑分別為 60 毫米、37 毫米和 28 毫米，填充活性濃度為 1.37 kBq/mL，並以 10:1 的放射源與背景比率放置在體模中。
225Ac 體模數據使用 Siemens Symbia T2 系統采集，設定為：128 × 128 像素，分辨率為 4.82 毫米 × 4.82 毫米，96 個投影角度，高能量準直儀，每個投影采集時間為 60 秒。
177Lu-DOTATATE 病患數據來自密歇根大學 Deep Blue 數據共享庫，在注射當天以及注射後 1 天、4 天和 5 天進行成像。
177Lu-DOTATATE 影像使用 Siemens Intevo 系統采集，矩陣大小為 128 × 128，120 個投影，每個投影采集時間為 25 秒。
225Ac-PSMA-617 病患接受了 8 MBq 的放射性藥物治療，並在注射後 6 小時、20.5 小時、76.5 小時和 284.6 小時使用 GE Discovery 670 Pro SPECT/CT 系統進行成像。
225Ac-PSMA-617 影像采集使用 GE 高能量通用準直儀，每個投影采集時間為 150 秒。

Kutipan

Wawasan Utama Disaring Dari

Uncertainty Propagation from Projections to Region Counts in Tomographic Imaging: Application to Radiopharmaceutical Dosimetry

by Lucas Polson... pada arxiv.org 10-07-2024

https://arxiv.org/pdf/2410.03570.pdf

Pertanyaan yang Lebih Dalam

該演算法如何應用於其他醫學影像技術，例如正子斷層掃描 (PET) 或磁振造影 (MRI)？

此演算法的核心是將投影數據中的不確定性傳播到重建圖像中的區域計數，並應用於時間積分活性（TIA）的不確定性估計。 這個概念可以擴展到其他醫學影像技術，但需要根據每種技術的特定成像原理和重建算法進行調整。

正子斷層掃描 (PET)：由於 PET 也依賴於放射性示蹤劑和斷層重建技術，因此該演算法可以直接應用於 PET。 然而，PET 的數據採集和重建過程與 SPECT 有一些差異，例如需要考慮衰減校正和散射符合。 這些差異需要在應用該演算法時進行相應的調整，例如修改系統矩陣和散射估計方法。

磁振造影 (MRI)：MRI 不涉及放射性衰變，因此其數據中的噪聲特性與 SPECT 和 PET 不同。 此外，MRI 重建通常基於傅里葉變換而不是迭代算法。 因此，該演算法不能直接應用於 MRI。 然而，可以探索類似的不確定性傳播框架，例如將 MRI 數據中的熱噪聲或運動偽影傳播到定量 MRI 參數（如弛豫時間或擴散係數）的不確定性。

如果考慮到其他來源的不確定性，例如體模數據的偏差或重建參數的選擇，該演算法的準確性會受到怎樣的影響？

該演算法目前主要考慮了投影數據中泊松噪聲對重建圖像不確定性的影響。 如果考慮其他來源的不確定性，其準確性可能會受到以下影響：

體模數據的偏差: 體模數據的偏差，例如衰減校正圖的誤差或散射估計的不準確，會引入系統誤差，進而影響重建圖像和 TIA 估計的準確性。 該演算法目前沒有明確考慮這些系統誤差，因此其估計的不確定性可能被低估。

重建參數的選擇: 不同的重建參數，例如迭代次數、子集數量或正則化參數，會影響重建圖像的噪聲和分辨率，進而影響 TIA 估計的準確性和不確定性。 該演算法假設重建參數是固定的，因此沒有考慮這些參數選擇帶來的額外不確定性。
為了提高該演算法在更現實場景下的準確性，可以考慮以下改進：

將系統誤差納入不確定性傳播模型: 可以通過蒙特卡羅模拟或實驗测量等方法估計系統誤差，並將其納入不確定性傳播模型，以獲得更準確的 TIA 不確定性估計。

探索重建參數對不確定性的影響: 可以通過改變不同的重建參數，研究其對 TIA 估計不確定性的影響，並開發相應的策略來減輕這些影響，例如優化參數選擇或使用自適應重建算法。

這種量化醫學影像不確定性的方法如何促進人工智能在醫療保健領域的應用，例如自動診斷或治療計劃？

量化醫學影像的不確定性對於人工智能在醫療保健領域的應用至關重要，原因如下：

提高模型可靠性: 深度學習模型通常將醫學影像作為輸入，並輸出診斷或預後信息。 然而，如果輸入影像存在不確定性，模型的輸出也會有不確定性。 量化這種不確定性可以幫助醫生更好地理解模型預測的可靠性，避免過度依賴或誤判模型結果。

優化決策過程: 在自動診斷或治療計劃中，人工智能模型的輸出通常會影響臨床決策。 量化模型預測的不確定性可以幫助醫生在決策過程中权衡风险和收益，例如在不確定的情况下寻求进一步的检查或选择更保守的治疗方案。

促進模型可解釋性: 深度學習模型通常被认为是黑盒子，难以理解其决策过程。 量化模型输入和输出的不确定性可以帮助研究人员更好地理解模型的内部机制，例如识别模型对哪些特征或噪声比较敏感，从而提高模型的可解释性和可信度。
以下是一些具体的例子：

自動病灶分割: 在自動病灶分割中，可以利用不確定性信息来评估模型分割结果的置信度，例如将不确定性较高的区域标记为需要人工审核，从而提高分割的准确性和效率。

放射治療劑量優化: 在放射治療劑量優化中，可以将影像的不确定性纳入剂量计算模型，以评估剂量分布的不确定性，并据此优化治疗计划，例如在危器官附近采用更保守的剂量限制。
总而言之，量化醫學影像的不確定性可以提高人工智能模型的可靠性、可解释性和临床实用性，从而促进人工智能在医疗保健领域的应用，实现更精准、安全和高效的诊断和治疗。