Aplikace Li-Ma metody na scintigrafické vyšetření příštítných tělísek P. Karhan, P. Fiala, J. Ptáček
Vyšetření příštítných tělísek diagnostika hyperparatyreózy: lokalizace tkáně příštítných tělísek neexistence radiofarmaka pro zobrazení jen příštítných tělísek, ale zobrazuje se i štítná žláza a p.t. bývají v překryvu. nejefektivnější kombinace tří metod: SPECT/CT, dvoufázová scintigrafie a subtrakční metoda 99mTc subtrakční metoda využívána nejčastěji s MIBI pro zobrazení p.t. a š.ž. a 99mTcO4- pro zobrazení jen š.ž.
Subtrakční metoda
odečtení obrazů pixel po pixelu
I
subtr i
=I
MIBI i
−α I
TcO −4 i
normalizační koeficient a vybírán lékařem na základě zkušenosti tak, aby štítná žláza zanikla v okolních tkáních (EANM, SNM)
jasná interpretace rychlý výpočet nutnost dobré registrace obrazů
Subtrakční metoda pozitivní pacient
99mTcO-
4
99mTc-MIBI
subtrakce
Subtrakční metoda vyšší šum než u původních obrazů: TcO 2 subtr 2 MIBI 2 2 MIBI 2 TcO σ ( I i )≈σ ( I i )+ α σ ( I i )≈ I i + α I i šum nezávislý na hodnotě v pixelu: ? ? 103−100=3=13−10 ? ? 144=σ (3)=16
− 4
nehomogenní nepoisson., negauss. šum pokles poměru signálu k šumu
SNRi ≈
I
√I
TcO −4 i
MIBI i
−α I
MIBI i
+α I 2
TcO −4 i
− 4
Subtrakční metoda zelený ROI
σ ( I i )=10,2 〈 I i 〉=48,2 čevený ROI
σ ( I i )=16,1 〈 I i 〉=49,9
Subtrakční metoda SNR S =SNRi ≈ G i
I
MIBI i
√I
−α I
TcO −4 i TcO −4 i
+α I gaussovská aproximace Poissonova rozdělení SNR odhadnutelný pixel po pixelu jasná interpretace: kolikrát rozdíl mezi obrazy převyšuje šum v nekonečné limitě normální rozdělení N(0,1) má homogenní jednotkový gaussovský šum hraje roli testovací statistiky (převod do p-hodnot) možnost jej statisticky dále studovat (RFT...) MIBI i
2
On-off metody používané pro hledání zdrojů kosmického záření porovnání dat z oblastí off - mimo zdroj (pozadí) a on - oblast se zdrojem (pozadí + signál) obv. předpoklád poissonovského charakteru dat
TcO-4: off měření 99mTc-MIBI: on měření 99m
Li-Ma metoda G i
S platné jen v nekonečné limitě, pro konečné hodnoty systematická chyba nevychýlená aproximace od Li a Ma: on 1+ α N LM 1/2 on S =2 N ln α on off N +N
{ [
+N
off
[
off
N ln (1+ α ) on off N +N
]}
]
1/2
T. Li, Y. Ma: Analysis methods for results in gamma-ray astronomy, Astrophys J, 272 (1983), pp. 317–324
výpočet pixel po pixelu N =I i platnost pro N ≥10 ; 0,1≤α ≤10
Li-Ma metoda – pozitivní pacient 99mTcO-
(vlevo)
4
99mTc-MIBI
(vpravo)
subtrakce (vlevo) Li-Ma (vpravo)
Rozšíření Li-Ma metody Li-Ma metoda založena na testu hypotézy: „s pomocí pevného a lze provést subtrakci na TcO MIBI nulu: I i −α I i =0 “ kde neplatí tato hypotéza, vychází vysoké LM hodnoty S i a musí být známé (v praxi lékař odhaduje) předpoklad, že subtrakce se provádí na nulové pozadí (v praxi se odečítá na homogenní pozadí, proto nízký kontrast Li-Ma obrazu) potřeba rozšíření na hypotézu: „s pomocí pevného a lze provést subtrakci na homogenní pozadí m: I iMIBI −α I TcO =μ “ i
− 4
− 4
Rozšíření Li-Ma metody S
eLM i
=2
1/2
{ [
+μ
μ +
√(
I
TcO −4 i
TcO −4 i
I
MIBI i
TcO −4 i
[
ln
MIBI i TcO −4 i
I
αμ
+μ
(α + 1)+ μ −( I
MIBI i
TcO −4 i
TcO −4 i
+I 1 I = 2 α+ 1
+I α+ 1
MIBI i
]
+I
μ
MIBI i
TcO −4 i
− α
)
μ
TcO −4 i
+I
ln
TcO −4
+4
I
TcO −4 i
μ
TcO −4 i
α+ 1 α
μ
)}
− α +
2
[ ] I
]
TcO −4 i TcO −4 i
1/ 2
+
Rozšíření Li-Ma metody výpočet pixel po pixelu → lze generovat parametrické obrazy výpočetní náročnost stejného řádu jako subtrakce O(n) předpoklady stejné jako u subtrakce jeden volný parametr m navíc oproti subtrakci, možnost ML odhadu platnost ověřena simulacemi pro N > 10; 0,1 < a <10, m < 100
Rozšíření Li-Ma metody výpočet pixel po pixelu → lze generovat parametrické obrazy výpočetní náročnost stejného řádu jako subtrakce O(n) předpoklady stejné jako u subtrakce jeden volný parametr m navíc oproti subtrakci, možnost ML odhadu platnost ověřena simulacemi pro N > 10; 0,1 < a <10, m < 100
Rozšíření Li-Ma metody pozitivní pacient
(vlevo nahoře), subtrakce (vlevo dole) a rozšířená Li-Ma metoda (vpravo) 99mTc-MIBI
Rozšíření Li-Ma metody pozitivní pacient práh 3 (hladina významnosti 0,28 % ) zobrazeno 3136 pixelů 0,28 % odpovídá 9 bílým pixelům (tzn. u negativního pacienta by v průměru mělo být 9 pixelů bílých)
Rozšíření Li-Ma metody
fůze 99mTc-MIBI a rozšířené Li-Ma metody s prahem 3 (pravděpodobnos t náhody 0,28 % )
Rozšíření Li-Ma metody negativní pacient 99mTcO-
(vlevo)
4
99mTc-MIBI
(vpravo)
subtrakce (vlevo) Li-Ma – práh 3 (vpravo) – očekáváno 9 pixelů bílých
Shrnutí Li-Ma metoda může doplnit subtrakci při nízké kvalitě scintigramů výpočetní náročnost i předpoklady stejné jako u subtrakce generuje parametrické obrazy s: snadnou interpretací (SNR) homogenním gaussovským šumem standardizovatelný rozsah hodnot porovnatelnost mezi studiemi možnost pevného prahování s jasnou pravděpodobnostní interpretací (SL 5 %; 0,28 %...)
Děkuji za pozornost.
Li-Ma metoda – pozitivní pacient červený ROI
zelený ROI
Kvantil-kvantilový graf rozdělení hodnot Li-Ma v obraze: vlevo nepřítomnost ložiska, vpravo přítomnost ložiska; modrá přímka značí očekávané rozdělení
Rozšíření Li-Ma metody pozitivní pacient červený ROI
zelený ROI
kvantil-kvantilový graf rozdělení hodnot rošířené Li-Ma metody vlevo nepřítomnost ložiska, vpravo přítomnost ložiska
Rozšíření Li-Ma metody negativní pacient kvantil – kvantilový graf pro celou zobrazenou oblast pacienta bez nálezu