《Journal of Medical and Biological Engineering》:Image-derived Input Functions for Cerebral Blood Flow Quantification from Dynamic 15O-water PET Images of Humans
编辑推荐:
目的:通过房室模型从动态15O-水正电子发射断层扫描(PET)图像进行脑血流(CBF)定量,需要测量动脉血中示踪剂浓度随时间的变化。现有方法包括动脉采血或从颈动脉提取图像衍生输入函数(IDIF),两者均不简单。然而,新型长轴向视野PET扫
目的:通过房室模型从动态15O-水正电子发射断层扫描(PET)图像进行脑血流(CBF)定量,需要测量动脉血中示踪剂浓度随时间的变化。现有方法包括动脉采血或从颈动脉提取图像衍生输入函数(IDIF),两者均不简单。然而,新型长轴向视野PET扫描仪近期使得从头颈部以外部位(如主动脉)提取IDIF成为可能,且新的自动分割工具允许轻松定义感兴趣体积(VOI)。本研究旨在探究从自动生成的主动脉和颈总动脉(CCA)VOI中获取的IDIF的潜力。方法:研究人员比较了从TotalSegmentator定义的VOI中提取的主动脉和CCA IDIF,并考虑是否计入内部分散。研究人员还引入了一种新的混合IDIF方法,基于使用CCA IDIF调整主动脉IDIF中的分散。研究人员利用这五种IDIF,从100名人类患者的动态全身15O-水PET图像中系统计算CBF估计值。结果:与CCA IDIF相比,主动脉IDIF产生了更好的模型拟合和更小的患者间变异,无异常值,且CBF估计值与早期文献更一致。调整分散显著改善了模型拟合,并影响了主动脉和CCA IDIF的CBF估计数值。结论:在动态全身15O-水PET图像中,使用从自动生成的主动脉VOI提取的IDIF可能为CBF定量提供一种有效方法。其验证尚需更多研究。基于本研究结果,不建议为此目的使用自动生成的CCA VOI。
**论文解读:基于图像衍生输入函数的脑血流定量研究——从动态
15O-水PET图像中提取主动脉与颈总动脉IDIF的比较分析**
**1. 研究背景**
脑血流(Cerebral Blood Flow, CBF)是评估多种脑疾病(如缺血、阿尔茨海默病、痴呆和癫痫)的重要生理指标。动态正电子发射断层扫描(Positron Emission Tomography, PET)成像,特别是使用
15O-水([
15O]H
2O)作为示踪剂,因其代谢惰性和自由扩散特性,可基于单组织房室模型(One-Tissue Compartment Model, 1TCM)实现对CBF的定量分析。然而,该模型需要动脉输入函数(Arterial Input Function, AIF),即示踪剂在动脉血中浓度随时间的变化曲线。传统获取AIF的方法包括有创动脉采血和从颈动脉提取图像衍生输入函数(Image-Derived Input Function, IDIF)。动脉采血虽准确但操作繁琐、成本高且存在风险,尤其在儿童或老年患者中;颈动脉IDIF则因血管尺寸小(内径约4–5 mm)与PET扫描仪空间分辨率(全宽半高,FWHM约3–4 mm)接近,易受部分容积效应、运动伪影和噪声影响,导致患者间变异大、异常值频繁。近年来,长轴向视野(Long Axial Field of View, LAFOV)PET扫描仪(如106 cm轴向视野)的出现,使得同时成像脑部和头颈外大血管(如主动脉)成为可能,而深度学习自动分割工具(如TotalSegmentator)则能自动定义感兴趣体积(Volume of Interest, VOI),无需手动操作。本研究旨在评估从自动生成的主动脉和颈总动脉(Common Carotid Artery, CCA)VOI中提取的IDIF在CBF定量中的潜力,并探索分散校正的必要性及一种新的混合IDIF方法。
**2. 研究内容与结论**
研究人员利用100名冠心病或心肌缺血患者(来自芬兰Turku PET Centre,2012–2024年)的动态全身
15O-水PET图像,系统比较了五种IDIF:(1)主动脉IDIF;(2)CCA IDIF;(3)分散调整后的主动脉IDIF;(4)分散调整后的CCA IDIF;(5)混合IDIF(通过将主动脉IDIF拟合到CCA IDIF来估计分散参数)。通过1TCM拟合脑白质、灰质和全脑VOI的时间-放射性活度曲线(Time-Activity Curve, TAC),获得CBF估计值(即K
1),并评估模型拟合优度(均方误差MSE、平均相对误差MRE、赤池信息准则AIC)和患者间变异。结果表明:主动脉IDIF在模型拟合、患者间变异(变异系数约18%)和异常值控制方面均优于CCA IDIF;分散调整(通过添加内部分散参数τ)显著改善模型拟合并改变CBF数值;混合IDIF在部分指标上表现接近主动脉IDIF。最终结论:在动态全身
15O-水PET图像中,使用自动生成的主动脉VOI提取的IDIF可能为CBF定量提供一种有效方法,但需进一步验证;不建议使用自动生成的CCA VOI。该论文发表在《Journal of Medical and Biological Engineering》。
**3. 主要技术方法**
研究人员采用TotalSegmentator(版本2.0)自动定义主动脉和CCA的VOI,使用Carimas(版本2.10)进行图像可视化,Python(版本3.12.8)进行图像处理和TAC提取,R(版本4.4.2)进行模型拟合与统计检验。数据来源于Turku PET Centre 100名患者(男:女=45:55,平均年龄64.6±9.6岁,平均体重87.3±17.6 kg),使用Biograph Vision Quadra (Siemens Healthineers) PET/CT扫描仪(空间分辨率FWHM 3.3–3.8 mm,轴向视野106 cm),注射
15O-水(目标活度350 MBq±10%),PET数据经有序子集期望最大化(OSEM)算法重建(3次迭代,5子集,含点扩展函数和飞行时间校正)。关键方法包括:基于1TCM的CBF定量模型,引入延迟参数Δt和动脉血体积分数V
A;分散校正模型(添加τ参数);以及混合IDIF方法(先拟合主动脉IDIF至CCA IDIF得到分散校正曲线)。统计检验采用Wilcoxon符号秩检验、Spearman相关检验和F方差检验,显著性水平经Bonferroni校正。
**4. 研究结果**
**4.1 图像衍生输入函数**
主动脉IDIF的形状和范围(峰值平均127.2±34.5 kBq/mL,时间31.5±9.5 s)与早期文献一致;CCA IDIF出现多个异常峰值,峰值平均114.0±89.4 kBq/mL,时间27.9±9.7 s,差异显著(Wilcoxon检验,p<0.001)。分散调整显著延迟峰值位置并降低峰值数值。
**4.2 模型拟合**
主动脉IDIF和混合IDIF的MSE、MRE和AIC值均显著小于CCA IDIF(无论是否分散调整),差异在统计上显著(p<0.001)。虽三种最佳模型间存在微小差异,但未一致性地优于其他。
**4.3 CBF估计值**
CCA IDIF产生的K
1值(全脑VOI平均约0.80 mL/min/mL)显著高于主动脉IDIF(约0.55 mL/min/mL),且出现大量异常高值(>1.5 mL/min/mL)和低值(<0.075 mL/min/mL)。主动脉IDIF的K
1值更接近标准水分配系数0.90对应的K
1/k
2比值(约0.90)。变异系数:CCA IDIF为61.4%,CCA分散调整IDIF为69.9%,主动脉IDIF、分散调整主动脉IDIF和混合IDIF均约为18%。
**4.4 TotalSegmentator VOI的额外评估**
自动生成的主动脉VOI与手动创建的降主动脉VOI的平均TAC之间的Pearson相关系数为0.993±0.0206;与主动脉弓VOI的相关系数为0.992±0.0227,表明TotalSegmentator自动分割高度可靠。
**5. 讨论与结论**
**讨论**:本研究证实,从TotalSegmentator自动生成的主动脉VOI提取的IDIF在CBF定量中表现可靠,模型拟合优度、患者间变异和异常值控制均优于CCA IDIF。CCA IDIF的较差表现可能源于其小尺寸导致的低信噪比和部分容积效应,而早期研究(如Fung et al., Vestergaard et al.)使用更高分辨率PET图像(体素尺寸1.2×1.2×1.2 mm3或0.8×0.8×5 mm3)获得了更低的变异。引入分散参数τ(模拟示踪剂从主动脉到脑小动脉过程中的内部分散)显著改善了模型拟合(MSE和AIC降低,p≤0.001),并改变了CBF估计值(p≤0.001)。混合IDIF方法通过独立于脑TAC估计分散,可避免过度参数化,在特定情况下(如风险模型)具有潜在价值。
**结论**:本研究评估了从动态全身
15O-水PET图像中自动生成血管VOI提取IDIF用于CBF定量的潜力。根据结果,在模型拟合、最终CBF估计值、患者间变异和异常值方面,主动脉IDIF比CCA IDIF更可靠。对主动脉IDIF的进一步研究可能实现从全身
15O-水PET图像中有效定量CBF。通过考虑内部分散可以显著改善模型拟合,而新的混合IDIF方法在存在根据组织TAC拟合分散常数可能导致过度参数化风险的情况下,可能证明有价值。