Schwächungskorrekturen für MR-PET

Die Kombination von Positronen-Emissions-Tomographie (PET) und Magnetresonanztomographie (MRT) in hybriden MR-PET-Scannern bietet eine Reihe von Vorteilen bei der Untersuchung von Gehirnstruktur und -funktion. Ein entscheidender Schritt bei der Rekonstruktion von PET-Daten ist die Abschwächungskorrektur (AC). Leider bieten die derzeitigen Hybrid-MR-PET-Scanner nicht die Möglichkeit einer PET-basierten gemessenen Abschwächungskorrektur. Um jedoch qualitativ und quantitativ akzeptable PET-Bilder zu erhalten, müssen Daten über die Gewebeabsorption als Voraussetzung für die Dämpfungskorrektur verfügbar sein. Ein einfacher Ansatz zur Lösung dieses Problems ist die Ableitung der Abschwächungsdaten aus MR-Bildern, die typischerweise in MR-PET-Scannern aufgenommen werden, um anatomische Informationen zu erhalten. Leider gibt es im Gegensatz zu den CT-Informationen in einem PET/CT-Scanner keine Beziehung zwischen den MR-Informationen und den für die PET-Abschwächungskorrektur benötigten Abschwächungskoeffizienten. Dies bedeutet, dass alternative Methoden erforderlich sind. Um dieses Problem zu lösen, hat unser Institut die TBA-Methode (Template-based Attenuation) entwickelt [1], und eine auf einem künstlichen neuronalen Netz (ANN) basierende Methode befindet sich derzeit in der Entwicklung [2]. Die TBA-Methode verwendet Vorlagen von Abschwächungskarten, die aus konventionellen PET-basierten Abschwächungsbildern gewonnen wurden. Diese Methode wird derzeit bei routinemäßigen MR-PET-Messungen angewandt, und obwohl dieser Ansatz im Allgemeinen recht zufriedenstellend funktioniert, kann er versagen, wenn der Patient extrem ungewöhnliche oder abnorme Knochenstrukturen aufweist, z. B. nach einer Operation. Daher werden derzeit weitere Untersuchungen zur Verwendung ultrakurzer MR-Sequenzen (UTE) durchgeführt. Der Vorteil solcher MR-Bilder ist die Erkennung von Knochen, die in den anatomischen Bildern nicht sichtbar sind.

Template-based AC Method [1]

Schwächungskorrekturen für MR-PET
Die Paarung einer MR-Schablone (Abb. 1a) und einer entsprechenden PET-Abschwächungsschablone (Abb. 1c) bildet zusammen mit dem anatomischen MR-Bild des einzelnen Patienten (Abb. 1b) die Grundlage des Verfahrens. Die MR-Schablone (Abb. 1a) wird nichtlinear auf das individuelle MR-Volumen (Abb. 1b) registriert. Die sich daraus ergebenden Warping-Parameter werden auf die PET-Abschwächungsvorlage (Abb. 1c) angewendet, wodurch eine vorläufige/vorläufige individualisierte PET-Abschwächungskarte (AM) entsteht (Abb. 1d). Alle Abschwächungskarten von Objekten, die den Kopf umgeben und sich im Sichtfeld befinden - wie z. B. die Kopfspulen (Abb. 1e) - werden hinzugefügt. Die endgültige AM (Abb. 1f) wird in die PET-Rekonstruktionsumgebung eingebettet und ermöglicht die Vorwärtsprojektion sowie die Bereitstellung von Dämpfungskorrekturfaktoren, die während der Rekonstruktion der PET-Emissionsdaten benötigt werden (Abb. 1g).

ANN-based AC Method [2]

Schwächungskorrekturen für MR-PET
Diese Methode stützt sich auf eine Trainingsdatenbank, die in diesem Fall aus gepaarten UTE-, entsprechenden TBA- (siehe oben) und CT-Datensätzen besteht. Die UTE-Datensätze und eine schablonenbasierte AC-Karte werden als Eingaben für ein neuronales Vorwärtsnetzwerk (FFNN) verwendet. Die Methode basiert auf einem 3-Schichten-FFNN-Algorithmus, dessen Ziel es ist, die Netzgewichte zu berechnen (Trainingsschritt, TS), um direkt eine Karte mit kontinuierlichen Abschwächungskoeffizienten zu erstellen (Klassifizierungsschritt, CS). Ein zentrales Voxel und sechs benachbarte Voxel aus den UTE-Bildern und der TBA-Karte [1] sind die Eingaben für TS und CS, die eine sigmoide Aktivierungsfunktion für die mittlere (versteckte) Schicht und eine lineare Aktivierungsfunktion für die Ausgabeschicht verwenden. Bei der TS werden die Bilder einer ausgewählten Datenbank mit den entsprechenden Abschwächungskarten der bereitgestellten CT verglichen, um die optimalen Netzgewichte zu ermitteln.

Die Bilder UTE1 und UTE2 sind das Ergebnis der DUTE-Doppelechosequenz. Man beachte die noch sichtbaren Signale des Knochengewebes im UTE1-Bild, das bei einer Ultraschallecholaufzeit von 0,07 ms aufgenommen wurde.

Veranschaulichung der Methodik zur Abschwächungskorrektur von PET-Daten mit den vorgeschlagenen FFNN-Algorithmen. Die Eingangsmerkmale (A) werden dem FFNN (B) zur Berechnung des Abschwächungskoeffizienten (C) übergeben. Die erzeugten Abschwächungsbilder werden dann direkt zur Abschwächungskorrektur von PET-Daten verwendet.

  1. E. Rota Kops, H. Hautzel, H. Herzog, G. Antoch, N.J. Shah (2015) Comparison of template-based versus CT-based attenuation correction for hybrid MR/PET scanners, IEEE Trans Nucl Sci, 62(5), 2115-2121
  2. A. Santos Ribeiro, E. Rota Kops, H. Herzog, P. Almeida (2014) Hybrid approach for attenuation correction in PET/MR scanners, Nucl Instrum Methods Phys Res, A734, 166-170
Letzte Änderung: 09.03.2023