ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

TEZE K DISETAČNÍ PRÁCI

České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská Katedra dozimetrie a aplikace ionizujícího záření

Ing. Jaroslav Ptáček

VYLEPŠENÍ POMĚRU SIGNÁLU K ŠUMU U SCINTIGRAFICKÝCH VYŠETŘENÍ SKELETU

Doktorský studijní program: Aplikace přírodních věd Studijní obor: Radiologická fyzika

Teze disertace k získání akademického titulu ''doktor'', ve zkratce ''Ph.D.''

Praha, 2014

Disertační práce byla vypracována v distanční formě doktorského studia na Katedře dozimetrie a aplikace ionizujícího záření Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze. Uchazeč:

Ing. Jaroslav Ptáček Oddělení lékařské fyziky a radiační ochrany FN Olomouc I. P. Pavlova 6, 775 20 Olomouc

Školitel:

prof. Ing. Václav Hušák, CSc. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc I. P. Pavlova 6 775 20 Olomouc

Oponenti:

prof. MUDr. Martin Šámal, DrSc. Ing. Jiří Trnka, Ph.D.

Teze byly rozeslány dne:

Obhajoba disertace se koná dne …................................ v …........... hod. před komisí pro obhajobu disertační práce ve studijním oboru Radiologická fyzika v zasedací místnosti č. …......................... Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze .

S disertací je možno se seznámit na děkanátu Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze, na oddělení pro vědeckou a výzkumnou činnost, Břehová 7, Praha 1.

Prof. Ing. Tomáš Čechák, CSc. předseda komise pro obhajobu disertační práce ve studijním oboru Radiologická fyzika Fakulta jaderná a fyzikálně inženýrská ČVUT, Břehová 7, Praha 1

Obsah 1. Shrnutí současného stavu problematiky...........................................................................................5 2. Cíl práce............................................................................................................................................6 3. Materiál a metodika..........................................................................................................................6 3.1 Provedení dekonvoluce..............................................................................................................6 3.2 Logaritmické zpracování obrazu...............................................................................................7 3.2.1 Vlnková transformace........................................................................................................7 3.2.2 Provedení logaritmického zpracování projekcí..................................................................8 3.3 Iterativní rekonstrukce a korekce na zeslabení..........................................................................8 3.4 Potlačení šumu...........................................................................................................................9 3.4.1 NeighShrink.......................................................................................................................9 3.5 Hledání vhodného nastavení jednotlivých metod......................................................................9 3.5.1 Popis způsobu hodnocení úprav obrazu.............................................................................9 3.5.2 Nalezení vhodných parametrů..........................................................................................10 4. Provedení rekonstrukce fantomových dat......................................................................................10 4.1 Porovnání výsledků navrženého algoritmu s rekonstrukcemi na pracovní stanici Siemens....11 4.2 Porovnání výsledků navrženého algoritmu s rekonstrukcemi Jaszczak fantomu pomocí rekonstrukčního algoritmu Evolution............................................................................................13 5. Provedení rekonstrukce pacientských dat......................................................................................14 5.1 Hodnocení výsledků úprav pomocí navrženého algoritmu.....................................................14 5.2 Výsledky hodnocení pacientských studií.................................................................................15 5.2.1 Porovnání s výsledky rekonstrukcí na stanici Siemens....................................................16 5.2.2 Porovnání s výsledky rekonstrukcí na stanici GE Xeleris 2............................................16 6. Diskuze...........................................................................................................................................16 6.1 Použití dekonvoluce.................................................................................................................17 6.2 Použití logaritmického zpracování obrazu..............................................................................17 6.3 Použití vlnkové transformace..................................................................................................17 6.4 Výsledky získané pomocí navrženého algoritmu – fantomové studie.....................................18 6.5 Výsledky získané pomocí navrženého algoritmu – pacientská studie.....................................18 7. Závěr...............................................................................................................................................19 8. Literatura........................................................................................................................................20 9. Seznam prací vztahujících se k disertaci........................................................................................22 10. RESUMÉ......................................................................................................................................23 11. SUMMARY..................................................................................................................................23

4

1. Shrnutí současného stavu problematiky Scintigrafické zobrazování skeletu patří k běžně používaným zobrazovacím metodám v nukleární medicíně. S její pomocí lze objevit patologické procesy v kostní tkáni dříve, než budou patrné morfologické změny zachytitelné například při rentgenovém zobrazování [1]. Po uplynutí dvou až tří hodin od nitrožilní aplikace 600 – 800 MBq (pro 70 kg pacienta) osteotropního radiofarmaka značeného 99mTc se přistupuje k samotnému vyšetření. Nejčastější varianta vyšetření se skládá ze dvou fází. Nejprve je provedena celotělová scintigrafie s použitím dvoudetektorové scintilační kamery v planárním režimu a je pořízena přední i zadní projekce. Celotělová scintigrafie slouží k prvotnímu hodnocení postižení skeletu. Vzhledem k sumačnímu charakteru planárního zobrazování [2] je zvláště v hůře hodnotitelných oblastech vhodné doplnit celotělovou scintigrafii o tomografické vyšetření – SPECT. Následnou rekonstrukcí s použitím filtrované zpětné projekce nebo iterativní rekonstrukce se získá trojrozměrné zobrazení skeletu. Tomografické obrazy sice v porovnání s planárním zobrazením vykazují až o řád vyšší hladinu šumu, ale díky tří až čtyřnásobnému nárůstu kontrastu obrazu je postižení skeletu na tomografických obrazech dobře lokalizovatelné [3]. Omezená prostorová rozlišovací schopnost scintilační kamery s kolimátorem, která se navíc mění s rostoucí vzdáleností zobrazovaného objektu od čela kolimátoru zhoršuje kvalitu zrekonstruovaných obrazů. Zřejmě nejzávažnějším projevem nedokonalé prostorové rozlišovací schopnosti je efekt částečného objemu [2]. Díky tomuto jevu dochází k poklesu počtu impulzů zaznamenaných ve zdrojích zmenšující se velikosti. Je to dáno tím, že při zobrazování dochází ke konvoluci skutečné distribuce radiofarmaka s funkcí charakterizující prostorovou rozlišovací schopnost zobrazovacího systému – PSF (point-spread function) [4]. Efekt částečného objemu je tím výraznější, čím je zobrazovaný objekt menší a uvádí se, že se začíná projevovat už u objektů s průměrem menším než 3-4 násobek prostorové rozlišovací schopnosti systému [3]. Úroveň šumu v pozadí není tímto jevem nijak narušena a při snižování signálu vlivem efektu částečného objemu dochází v zobrazovaných lézích k poklesu poměru signálu k šumu. Poměr signálu k šumu (SNR) je důležitým parametrem, jehož velikost rozhoduje o viditelnosti jednotlivých objektů v obraze. V situacích, kdy je SNR < 4 může být již velmi obtížné až nemožné objekt detekovat [5]. Jistého úspěchu v potlačení efektu částečného objemu lze dosáhnout s pomocí RC koeficientů (recovery coefficients). Jedná se o převrácené hodnoty poměru mezi skutečným a měřeným kontrastem obrazu určené pro různé velikosti lézí [2]. Při znalosti skutečné velikosti zobrazovaného objektu je možné v něm naměřený počet impulzů nebo objemovou aktivitu radiofarmaka korigovat příslušným RC koeficientem. Nevýhodou této metody je, že k jejímu provedení je nutná znalost velikosti objektu, která je v případě dostupnosti pouze nukleárně medicínského zobrazení bez CT nebo MR, špatně zjistitelná. Chyba, která vzniká při nepřesném vyznačení oblasti objektu, je dále znásobena velkou hodnotou RC koeficientu pro malé objekty. Tato metoda korekce na efekt částečného objemu tedy není příliš spolehlivá. Všichni dodavatelé moderních SPECT systémů v současné době nabízejí softwarové nástroje určené k potlačení vlivu efektu částečného objemu. Tyto metody bývají souhrnně označovány jako „resolution recovery“ rekonstrukce. Jejich funkce je založena na modelování závislosti rozlišení kolimátoru s rostoucí vzdáleností zobrazovaného objektu od čela kolimátoru a začlenění tohoto modelu do iterativní rekonstrukce [6]. Díky zlepšení prostorové rozlišovací schopnosti je dosaženo potlačení projevů efektu částečného objemu. Kromě toho tyto rekonstrukční procesy obsahují i algoritmy potlačující šum v obraze. Oba dva tyto postupy tedy ve svém důsledku vedou ke zvýšení SNR. Ke správné funkci těchto algoritmů je nutné vytvořit model odezvy kolimátoru na zdroje v různé vzdálenosti od jeho čela a začlenit tento modelu do iterativní rekonstrukce. Vytvoření systémové

5

matice je náročný úkol, který je řešen buď přímým měřením PSF v různých vzdálenostech od čela kolimátoru a použitím vyhledávacích tabulek nebo pomocí simulací tvaru PSF. Dodavatelé SPECT kamer s resolution recovery rekonstrukcemi proto volí různé strategie, jak si tento úkol usnadnit, resp. snížit časovou náročnost rekonstrukcí [7]. Nevýhodou resolution recovery rekonstrukčních algoritmů (Siemens Flash3D, GE Evolution, Philips Astonish) je, že uživatel zcela přesně neví jaké všechny úpravy a kdy jsou s obrazem prováděny a jestli jsou volitelné parametry jako počet iterací, subsetů a post-rekonstrukční filtr jedinými nastaveními, které ovlivňují výsledek rekonstrukce. Srovnání kvality obrazů rekonstruovaných s pomocí resolution recovery algoritmů s a bez filtrace [6] ukázalo, že při použití doporučené postrekonstrukční filtrace dochází pouze ke snížení úrovně šumu v obraze a nedochází ke zlepšení prostorového rozlišení systému. Další nevýhodou je, že resolution recovery rekonstrukce jsou „nepřenosné“. To znamená, že projekční data z kamery jednoho typu nelze zrekonstruovat pomocí resolution recovery z kamery jiného typu.

2. Cíl práce Cílem práce bylo vyzkoušet, zda lze s použitím vybraných algoritmů zpracování obrazu a bez jakéhokoli modelu zobrazovacího systému dosáhnout podobných výsledků jako při rekonstrukci s výrobcem dodaným běžným rekonstrukčním algoritmem a resolution recovery algoritmem. Snahou bylo použít minimální množství filtračních kroků a to i na úkor mírného zvýšení šumu ve výstupních obrazech a zároveň zlepšit nebo alespoň zachovat prostorovou rozlišovací schopnost systému. Určité zvýšení šumu v obraze je tolerovatelné, pokud je provázeno odpovídajícím zvýšením kontrastu lézí resp. poměru signálu k šumu.

3. Materiál a metodika K provedení zamýšlených úprav byla vybrána trojice algoritmů používaných pro změny různých vlastností různých typů obrazů. Na základě jejich působení na obraz byl sestaven algoritmus úprav, který měl vést ke zvýšení SNR, SBR, tomografické prostorové rozlišovací schopnosti a maximálnímu možnému snížení šumu, aby nebylo nutné používat post-rekonstrukční filtraci a nedocházelo ke zhoršování prostorové rozlišovací schopnosti. Navržený algoritmus úprav sestával z následující posloupnosti kroků: 1) provedení dekonvoluce projekcí se známou odezvou systému na bodový zdroj (point-spread funkcí - PSF) systému metodou Lucy-Richardsonovy dekonvoluce; 2) úprava získaných projekcí pomocí logaritmického zpracování obrazu; 3) rekonstrukce transverzálních řezů pomocí OSEM iterativní rekonstrukce a provedení korekce na zeslabení; 4) potlačení šumu pomocí Neigbourhood Shrinking metody založené na vlnkové transformaci zrekonstruovaných řezů; 5) použití post-rekonstrukční filtrace 2D Gauss filtrem. 3.1 Provedení dekonvoluce Prvním krokem byla dekonvoluce projekcí s pomocí známé PSF systému. Dekonvolucí obrazu s PSF systému, by měl vzniknout obraz skutečné distribuce radiofarmaka [4], [8]. PSF systému v různých vzdálenostech od čela kolimátoru je nutné změřit pomocí čárového zdroje. Dekonvolučních postupů je k dispozici celá řada, avšak práce [8], [9] prokázaly užitečnost použití iterativní Lucy-Richardsonovy dekonvoluce v oblasti nukleárně medicínských či astronomických

6

obrazů. Všechny iterativní dekonvoluční postupy mají jednu společnou vlastnost. Rostoucí počet iterací zvyšuje hladinu šumu ve vznikajícím obraze. Na druhou stranu dochází s rostoucím počtem iterací ke zlepšování prostorové rozlišovací schopnosti. Tato vlastnost byla ověřena pomocí měření tomografické FWHM čárového zdroje s různým počtem iterací dekonvoluce. Při dekonvoluci je nutná správná volba pološířky PSF. Šířka PSF byla odvozena interpolací z měření FWHM v různých vzdálenostech od čela kolimátoru s uvážením vzdálenosti detektoru od středu zobrazovaného objektu. K ověření možnosti použít pouze jedinou PSF byla provedena simulace s různými velikostmi zdrojů (bez přítomnosti šumu) konvolvovaných s Gauss filtrem s FWHM 4 pixely a dekonvolvovaných Gauss filtrem s FWHM v rozmezí 1 – 10 pixelů a počtem iterací dekonvolučního algoritmu 5 a 10. Dekonvolucí pomocí různých FWHM bylo zkoumáno, jaké bude obnovení původního signálu v objektu. Výsledkem simulace je zjištění, že pokud se použijí FWHM větší než která obraz rozmazala, potom je rozdíl v intenzitách obnovených signálů mezi jednotlivými většími FWHM malý. Naopak použití menších FWHM vede k prudkému poklesu obnovení signálu. Vzhledem k efektu zeslabení svazku fotonů při průchodu látkovým prostředím však bude příspěvek vrstev k obrazu dané projekce směrem od čela detektoru exponenciálně klesat (stejně tak nepřesnost vnesená z dané vrstvy do celé projekce použitím jediné PSF). Vzhledem k 360° rotaci a sudému počtu projekcí se bude situace v protilehlých projekcích opakovat a při rekonstrukci obrazu se poměr mezi intenzitou signálu před dekonvolucí a po dekonvoluci v různých hloubkách fantomu téměř vyrovná. 3.2 Logaritmické zpracování obrazu Metoda logaritmického zpracování obrazu (LIP) byla uvedena v polovině 80-tých let 20. století a je použitelná pro zpracování obrazů s omezeným rozsahem intenzit [10], [11]. Základním problémem stojícím u vzniku teorie LIP bylo sčítání dvou obrazů, resp. jak sečíst dva obrazy intenzity z nichž každý má svůj rozsah intenzit tak, aby nedošlo k překročení tohoto rozsahu. Ukázalo se, že klasické sečtení dvou obrazů není vhodným řešením v situacích, kdy obrazy zachycují průchod světla optickými systémy, jedná-li se o popis vnímání jasu obrazu lidským okem a také u digitálních obrazů. U prvních dvou případů klasické sečtení nebo vynásobení obrazů neodpovídá fyzikálním zákonitostem. U digitálních obrazů zase může dojít k překročení rozsahu intenzit. Bylo prokázáno, že LIP je použitelné v celé řadě aplikací pro zpracování obrazu jako například korekce osvětlení scény, vylepšení kontrastu a ostrosti obrazu, detekci hran a segmentaci, kompresi a lze jej zakomponovat i do zpracování obrazů pomocí vlnkové transformace [12],[13]. 3.2.1 Vlnková transformace Vlnková transformace (WT) byla odvozena ze známější Fourierovy transformace (FT) a začala být intenzivně využívána pro analýzu signálů od konce 90. let 20. století. Fourierova transformace poskytuje informaci o prostorových frekvencích obsažených v obraze (FT je obraz převeden z prostorové oblasti do frekvenční domény). Jakákoli změna provedená ve frekvenční doméně se ale projeví v celé prostorové oblasti [14], [15], [16]. Tato situace běžně nastává i v nukleární medicíně, kdy se odřezání určitých prostorových frekvencí během filtrace projeví v celém obraze např. ztrátou prostorového rozlišení obrazu. WT nabízí možnost získat informaci zároveň o prostorových frekvencích v obraze a jejich poloze. Kvůli nestacionárnímu charakteru obrazů v nukleární medicíně (obrazy nevykazují periodické chování, důležité informace jsou lokalizovány v prostorové i frekvenční oblasti) jsou obě tyto informace pro zpracování obrazů v nukleární medicíně zásadní [17]. Bázová funkce WT (mateřská vlnka) má omezenou délku a během WT dochází postupně k jejímu škálování a posouvání přes celou prostorovou oblast. Tímto postupem je možné zjistit jaké prostorové frekvence a kde se v obraze nacházejí [15], [18]. Škálování bázové funkce WT také umožňuje použít „delší“ funkci pro analýzu nízkých prostorových frekvencí (typicky se jedná o zobrazované objekty) a „krátkou“ funk-

7

ci pro vysoké frekvence, jejich typickým představitelem je šum. WT lze využít pro potlačení šumu ve scintigrafických, ale i jiných obrazech, případně jiných typech signálu. Zatímco filtrace odstraňuje část vysokých prostorových frekvencí, kde se typicky nachází především šum a ponechává pouze nízké prostorové frekvence, zastupující zobrazované objekty, s pomocí WT je možné potlačit přítomný šum všude tam kde se nachází a zachovat veškerý možný signál bez ohledu na jeho prostorovou frekvenci [19]. Jednou z důležitých vlastností vlnkové transformace z hlediska potlačení šumu je to, že nemění vlastnosti Gaussovského šumu, tedy koeficienty vlnkové transformace šumu mají stejné statistické rozdělení jako původní šum [20], [21]. Uvedené neplatí pro jiné distribuce šumu jako je například Poissonovské rozdělení [22]. Rozklad dekonvolucí upravených projekcí byl proveden pomocí MRA (multi-resolution analysis) [14], [18], [23] s dyadickým prodloužením filtrů metodou A`Trous [24], [25], [26], [27] . Rozkladem je v každé úrovni získána čtveřice obrazů (čtveřice matic koeficientů vlnkové transformace). Z této čtveřice jedna matice tvoří tzv. aproximace (koeficienty odpovídající nízkým prostorovým frekvencím v obraze) a zbylé tři jsou horizontální, vertikální a diagonální detaily (tyto obsahují vysoké prostorové frekvence a tedy i šum). Použitou bankou filtrů tvořenou dvojicí dekompozičních a rekonstrukčních filtrů byla Koren-Laineova banka filtrů [17], [25], [28], [29]. Po modifikaci koeficientů vlnkové transformace byl upravený obraz projekce zrekonstruován zpětným postupem. 3.2.2 Provedení logaritmického zpracování projekcí LIP zavádí novou aritmetiku pro operace s upravovanými obrazy. Modifikací jednoduchého algoritmu navrženého pro vylepšení kvality obrazu [30] s použitím LIP [31] je možné kontrolovat kontrast a ostrost zpracovávaného obrazu pomocí dvojice parametrů α a β . Empiricky bylo ověřeno, že nejlepších výsledků je dosaženo při aplikaci LIP na koeficienty ve druhé úrovni rozkladu vlnkovou trasnformací. V této úrovni totiž mají koeficienty detailů zachováno dobré prostorové rozlišení (nejsou ještě příliš rozmazány dyadicky prodlouženými filtry) a zároveň obsahují nižší úroveň šumu (právě díky rozmazání dyadicky prodlouženými filtry). Určitým úskalím použití LIP na koeficienty detailů je to, že tyto matice obsahují i záporné hodnoty, což je dáno charakteristikou filtrů použitých k rozkladu obrazu projekce. LIP poskytuje obrazy, jejichž výsledné hodnoty se vyskytují v rozsahu (−∞ , M ) , kde M je kladná maximální intenzita ve zpracovávaném obrazu – jeho rozsah. Narušení původní symetrie koeficientů detailů vlnkové transformace je tím větší, čím vyšší jsou hodnoty použitých parametrů α . Empiricky bylo zjištěno, že toto narušení symetrie přispívá ke zvýraznění přechodů mezi oblastmi s rozdílným počtem impulzů v pixelu (resp. rozdílnou objemovou aktivitou v zobrazovaném objektu) a ke zvýšení kontrastu koeficientů, ale jeho příliš vysoká hodnota vede k vzniku artefaktů v obraze (vymizení signálu v těsném okolí aktivních lézí). Parametr β kontroluje ostrost zvýrazněných hran. Kromě parametrů α a β je nutné zvolit i velikost průměrovací matice. Větší matice produkuje ostřejší obrazy, avšak za cenu výrazného nárůstu šumu. Pro účely této studie byla zvolena matice o velikosti 3x3 pixely. 3.3 Iterativní rekonstrukce a korekce na zeslabení Vzhledem k tomu, že SPECT vyšetření skeletu jsou rekonstruována iterativní rekonstrukcí, byla pro tento účel vytvořena její jednoduchá verze. V rámci uživatelsky vytvořené rekonstrukce nebyl použit žádný datový, systémový nebo jiný model. OSEM rekonstrukce umožňuje volit počet iterací a subsetů [32], [33], [34], [35]. Po provedení rekonstrukce byly výsledné tomografické řezy (pouze v případě fantomu Jaszczak) korigovány na zeslabení pomocí Changovy multiplikativní metody [2], [36] .

8

3.4 Potlačení šumu Ve zrekonstruovaných obrazech po dekonvoluci a LIP bylo nutné potlačit šum. Vzhledem k požadavku použití co nejmenšího počtu filtračních kroků byla za tímto účelem zvolena metoda vlnkové transformace a selektivní modifikace jejích koeficientů. K potlačení šumu je možné použít celou řadu různých nastavení prahu od nějž budou všechny koeficienty detailů považovány za šum, např. univerzální práh, minimax práh, SURE práh, prostorově adaptivní práh [37] a také metody založené na průzkumu obsahu sousedních pixelů. Jednou z těchto metod je Neighbourhood Shrinking (NeighShrink) metoda [38], [39], [40], [41], [42] založená na předpokladu, že velké koeficienty vlnkové transformace signálu by měly být ve svém nejbližším okolí obklopeny rovněž velkými koeficienty. 3.4.1 NeighShrink Metodou NeighShrink je možné samostatně upravovat koeficienty detailů na všech úrovních rozkladu. Výpočet faktoru použitého pro modifikaci koeficientů detailů je založen na znalosti úrovně šumu v obraze. Ta je však předem neznámá a je nutné ji určit na základě analýzy koeficientů detailů v první úrovni rozkladu [14], [17]. Původní metoda NeighShrink nedovolovala kontrolovat míru potlačení šumu. Proto se jako užitečné ukázalo použítí modifikovaného vztahu pro výpočet prahu [40], který zavádí koeficient K <1 snižující „sílu“ potlačení. Vhodným nastavením tohoto parametru je možné kontrolovat výslednou hladinu šumu v obraze. Metoda NeighShrink byla použita na koeficienty vlnkové transformace transverzálních, sagitálních a koronálních řezů zrekonstruovaného objektu. Získané obrazy byly zprůměrovány a metoda tak fungovala jako pseudo-3D potlačení šumu. 3.5 Hledání vhodného nastavení jednotlivých metod K vyhledání vhodného nastavení jednotlivých metod byla provedena fantomová měření. Pro měření byl použit Jaszczak fantom Flangeless Esser PET Phantom™ (Data Spectrum Corporation, USA). Tento fantom obsahuje plnitelný prostor pro vytvoření tkáňového pozadí a také plnitelné cylindrické zdroje (léze) o průměrech 8 mm, 12 mm, 16 mm a 25 mm. Velikosti lézí se nachází v oblasti, ve které se projevuje efekt částečného objemu. K pořízení projekcí byla použita scintilační kamera Siemens e.cam DualHead (Siemens Medical Solutions USA, Inc.). Fantom byl plněn roztokem 99mTc tak, aby bylo dosaženo různých poměrů objemových aktivit v lézích a pozadí. K vytvoření tkáňového pozadí byla vždy použita přibližně shodná aktivita pohybující se kolem 130 MBq. Plněním lézí různými objemovými aktivitami bylo dosaženo poměrů objemových aktivit léze ku pozadí 3,7:1; 9,5:1 a 12,6:1. Takto vytvořené fantomy byly zobrazeny vždy několikrát se stejným nastavením akvizičního protokolu jako je používán pro SPECT vyšetření skeletu pacientů. Kromě studií, které svou kvalitou odpovídají pacientským, byly ještě pořízeny vždy dvě studie s výrazně vyšším počtem impulzů (HQ studie). Kvalitnější studie posloužily k přesnému zjištění polohy lézí (které by nemusely být při pacientské kvalitě dat viditelné) a automatickému vytvoření oblastí zájmu v nichž byly hodnoceny parametry obrazu. 3.5.1 Popis způsobu hodnocení úprav obrazu Pro účely hodnocení vlivu provedených úprav na tomografické řezy byly použity následující parametry obrazu: 1) poměr signálu k šumu (SNR) pro jednotlivé léze; 2) poměr signálu k pozadí (SBR) pro jednotlivé léze; 3) šum v oblasti s homogenní distribucí radiofarmaka; 4) tomografická prostorová rozlišovací schopnost po úpravách projekcí a rekonstruovaného

9

obrazu. Velikost poměru signálu k šumu SNR je důležitým faktorem pro detekovatelnost léze. Uvádí se, že poklesne-li SNR zobrazovaného objektu pod 4, stává se objekt velmi špatně detekovatelným. Úpravy obrazu musí být prováděny s ohledem na původní parametry zobrazovaného objektu. Poměr mezi signálem v lézi a pozadím tedy nesmí překročit skutečně použitý poměr mezi objemovou aktivitou léze a pozadí. Proto byl dalším sledovaným parametrem poměr signálu k pozadí. Dalším sledovaným parametrem byl samotný šum v obraze daný σ . Účelem všech použitých metod úprav obrazu bylo zvýšit SNR lézí nebo tomografickou prostorovou rozlišovací schopnost a zachovat úroveň šumu na úrovni před zvýšením SNR. Přílišné potlačení šumu s použitím metod založených na vlnkové transformaci totiž vede k výraznému rozmazání obrazu resp. vytváření rozsáhlých hladkých ploch bez šumu, které výrazně narušují vzhled obrazu. Na výsledných obrazech resp. s použitím nalezeného nastavení byla měřena i tomografická prostorová rozlišovací schopnost systému. 3.5.2 Nalezení vhodných parametrů V případě hledání vhodného nastavení OSEM rekonstrukce byly opakovaně prováděny rekonstrukce výše uvedených fantomů s různým nastavením počtu iterací (při fixní hodnotě 2 subsety). Za vhodný počet iterací byl považován ten, při němž bylo dosaženo maximálního SNR pro nejmenší objekty ve zrekonstruovaném obraze. Při použití 2 subsetů bylo zjištěno, že maximální hodnota SNR nejmenších objektů nastává při 4 iteracích OSEM algoritmu, tedy při 8 efektivních iteracích (součin počtu iterací a subsetů). Opakované úpravy a rekonstrukce byly použity i při hledání vhodného nastavení iterativní Lucy-Richardsonovy dekonvoluce. Vzhledem k tomu, že primárním účelem dekonvoluce je zlepšit prostorové rozlišení, byl hledán nejvyšší možný počet iterací, při němž je ještě změna SNR kladná. Rostoucí počet iterací dekonvolučního algoritmu totiž sice zvyšuje SBR jednotlivých lézí, ale rychlý nárůst úrovně šumu způsobuje, že SNR jednotlivých objektů od určitého počtu iterací klesá. Rozsah hledání byl od 1 do 10 iterací a 2 subsetů. Hledání parametrů α a β LIP bylo také prováděno pomocí opakovaných rekonstrukcí tomografických řezů. Byly použity různé kombinace α a β (obojí v rozsahu celých čísel 1 – 3). Ani α ani β nemusí být celá čísla, ale z praktických důvodů byla tato volba nejvhodnější. Vizuálním hodnocením bylo zajištěno, že už při hodnotách α> 3 se v obraze začínají vyskytovat artefakty. Rostoucí parametr β kontrolující ostrost obrazu měl malý vliv na SBR zdrojů, ale díky zvyšování úrovně šumu snižoval SNR. Posledním hledaným parametrem byla hodnota K metody NeighShrink. Opakované rekonstrukce byly provedeny pro celkem 10 hodnot K =[1,1 /2,1/3, … .1/10] , kdy K =1 způsobuje největší potlačení šumu. Zkušebním kritériem pro nalezení vhodného nastavení K bylo dosažení stejné úrovně šumu jako před zahájením veškerých úprav obrazu (pouze s použitím uživatelské OSEM rekonstrukce s nalezenými vhodnými parametry). Získané optimální hodnoty nastavení jednotlivých kroků algoritmu byly použity na úpravy fantomových dat s použitím uživatelské OSEM rekonstrukce a dále porovnány s rekonstrukcí pomocí Siemens OSEM rekonstrukce a GE Evolution for Bone rekonstrukce. Rovněž bylo provedeno klinické hodnocení vlivu navrženého algoritmu na pacientské obrazy.

4. Provedení rekonstrukce fantomových dat Tabulka 1 uvádí celkový přehled výsledků fantomové studie. Nejmenší zdroj u fantomu s nejnižší objemovou aktivitou byl velmi špatně zobrazitelný a při hodnocení nebyl uvažován. S pomocí nalezených parametrů bylo pro všechny použité poměry objemových aktivit lézí a pozadí a všechny velikosti lézí dosaženo více než 40% nárůstu SNR. Nejmenší nárůst byl pozorován u fantomu s nejnižším poměrem objemových aktivit. Je to dáno vysokou počáteční hla-

10

dinou šumu, která nedovoluje větší posun v hodnocených parametrech. Kromě SNR, SBR, úrovně šumu a vizuálního zhodnocení zlepšení detekovatelnosti bylo ještě provedeno měření zlepšení tomografické prostorové rozlišovací schopnosti. Ukázalo se, že změřená FWHM po rekonstrukci s klinicky používanými parametry OSEM rekonstrukce je 7,4 mm, kdežto po provedení navržených úprav to bylo 5,4 mm (zlepšení o 27 %). Dále bylo provedeno stejné měření, ale projekce byly zrekonstruovány na pracovní stanici Xeleris kamery GE Infinia Hawkeye s použitím resolution recovery rekonstrukce (Evolution for Bone). Zde bylo zjištěno FWHM čárového zdroje ve zrekonstruovaném obraze 4,7 mm s použitím Evolution for Bone a 5,1 mm s použitím navrženého algoritmu. Rozdíl tedy činí pouhých 8,5 %. Tab 1. Souhrn výsledků fantomové studie s nalezenými vhodnými parametry jednotlivých kroků navrženého algoritmu.

SNR

průměr objektu (mm)


25

25

16

12

3,5

2,0

21,6 10,3 6,4

3,4

30,6 14,6 8,7

6,4

3,5

2,0

21,6 11,2 7,1

3,8

30,7 16,2 10,0 4,9

8

16

12

8

16

12

8

-2,9 2,2

1,2

-0,2 9,4 10,9 11,7

0,3 10,8 14,7 14,6

7,4

2,3

24,8 13,8 8,7

4,7

35,9 20,1 12,6 6,0

12,0 19,9 15,5

15,0 34,4 36,1 35,4

17,2 37,5 44,2 38,6

9,4

2,8

30,9 17,1 10,8 5,7

44,2 24,8 15,4 7,1

41,4 49,8 43,4

43,0 66,6 68,4 65,8

44,4 69,9 76,6 65,8

poměr objemových aktivit 3,7:1






25

16

12

8

25

16

12

8

Změna úrovně šumu (%) od počátku

4,3

LIP – absolutní

NeighShrink – absolutní

2 b=1

K = 0,25

Konečná změna SNR (%)

SBR

4,1

5,2

nehodnoceno

4 iterace

LIP – relativní a = změna od OSEM (%)

25

16

12

4 2 2,6 iterace subsety

1,8

1,5

5,8

3,3

2,4

1,8

7,8

4,2

2,9

2,0

2,9

2,0

1,6

6,8

4,0

2,9

2,1

9,3

5,4

3,7

2,3

LR dekonvoluce – absolutní

8

+19,2

+31,7

+1,6

4 iterace 11,7 11,6 8,0

LIP – absolutní

3,4

LIP – relativní a = změna od OSEM (%) NeighShrink – absolutní

průměr objektu (mm) 25

LR dekonvoluce – relativní změna od OSEM (%)

LR dekonvoluce – relativní změna od OSEM (%)


4 2 6,6 iterace subsety

LR dekonvoluce – absolutní

OSEM


2 b=1

K = 0,25

Konečná změna SBR (%)

2,4

1,8

nehodnoceno

OSEM


17,4 22,2 19,7 18,7

19,0 26,3 25,8 19,3

8,8

12,3 7,3

5,3

3,7

2,5

4,9

2,9

33,0 29,4 19,7

51,4 62,1 53,9 39,4

57,2 71,8 68,3 47,1

3,4

8,8

12,1 7,2

2,3

1,7

31,9 27,8 18,2

5,3

3,7

2,4

50,9 61,2 52,9 37,8

4,9

2,8

55,1 70,2 65,6 42,7

4.1 Porovnání výsledků navrženého algoritmu s rekonstrukcemi na pracovní stanici Siemens Pro klinické studie je používána rekonstrukční metoda OSEM s nastavením 8 subsetů, 4 iterace 11

a 6mm post-rekonstrukční Gauss filtr. Pro základní porovnání byly použity zrekonstruované obrazy s nastavením 8 subsetů a 4 iterací avšak bez post-rekonstrukčního Gauss filtru. Tento způsob srovnání byl zvolen protože v této práci navržený algoritmus žádnou filtraci nepoužívá. Tabulka 2 prokazuje výrazné zvýšení SNR a SBR v porovnáním s klinicky využívanou rekonstrukční metodou bez použití post-rekonstrukční filtrace. Tabulka 3 dokumentuje procentuální úroveň hladiny šumu v obraze zrekonstruovaném pomocí klinicky používané OSEM rekonstrukce bez post-rekonstrukčního filtru a pomocí navrženého algoritmu. Tabulka 2. Procentuální zvýšení SNR a SBR při použití navrženého rekonstrukčního algoritmu v porovnání s klinicky používanou OSEM rekonstrukcí bez post-rekonstrukčního filtru. změna SNR (%)

poměr objemových aktivit

25

16

12

3,7:1

32,9

52,6

87,1

x

9,5:1

35,7

34,8

23,1

30,4

12,6:1

41,2

40,7

37,7

30,2

průměr objektu (mm) 8

změna SBR (%)


25

16

12

8

3,7:1

13,7

18,8

21,1

x

9,5:1

27,9

24,2

13,9

14,5

12,6:1

32,3

29,2

24,2

14,7


Tabulka 3. Procentuální hladina šumu v pozadí u klinicky používané OSEM rekonstrukce bez post-rekonstrukčního filtru a s navr ženým algoritmem.

Siemens OSEM

LR, LIP, OSEM , NeighShrink

Siemens OSEM + Gauss 6 mm

LR, LIP, OSEM , NeighShrink + Gauss 1,2 mm



28,7

22,9

15,0

22,8

21,3

18,2

Post-rekonstrukční filtrace nejenže snižuje šum v obraze, ale také upravuje scintigrafické obrazy do podoby, která je pro lékaře lépe „čitelná“. Na základě tohoto zjištění byl pozměněn navržený algoritmus úprav obrazu. Změna spočívala v přidání konvolučního kroku po skončení všech navrhovaných úprav obrazu. Jelikož je jedním z parametrů obrazu jeho prostorové rozlišení, byla snaha o použití co nejmenšího FWHM Gauss filtru. Pro její vyhledání byla projekční data opakovaně upravována navrženým algoritmem a na závěr byly použity postupně Gauss filtry s následujícími FWHM – 0,5*velikost pixelu, 1,0*velikost pixelu a 1,5*velikost pixelu (tedy 1,2 mm, 2,4 mm a 3,6 mm). Pomocí měření SNR a SBR se podařilo prokázat, že téměř stejných nebo vyšších hodnot SNR jako u klinicky používané rekonstrukce bylo možné dosáhnout s výrazně menší FWHM Gauss filtru (tabulka 4). Vyšších hodnot bylo dosaženo především u menších zdrojů a menších objemových aktivit radiofarmaka, což je z hlediska diagnostiky výhodné.

12

Tabulka 4. Změny SNR a SBR při použití dodatečné filtrace v navrženém algoritmu v porovnáním s hodnotami SNR a SBR zdrojů v obrazech zrekonstruovaných s klinickým nastavením SPECT rekonstrukce scintigrafie skeletu. Procentuální rozdíl v SNR mezi rekonstrukcí s navrženým algoritmem a klinicky používanou metodou poměr objemových aktivit

FWHM Gauss filtru 1,2 mm



velikost objektu (mm)



25

16

12

8

25

16

12

8

25

16

12

8

3,7:1

-22,2

-8,8

13,2

x

-16,8

-2,8

20,7

x

-3,2

12,4

39,5

x

9,5:1

-20,3

-16,6

-20,1

-7,1

-15,2

-11,5

-15,3

-1,7

-2,5

1,2

-3,5

11,6

12,6:1

-21,0

-21,0

-20,8

-19,7

-15,8

-16,0

-15,9

-14,9

-2,7

-3,5

-3,8

-2,9

Procentuální rozdíl v SNR mezi rekonstrukcí s navrženým algoritmem a klinicky používanou metodou poměr objemových aktivit







25

16

12

8

25

16

12

8

25

16

12

8

3,7:1

22,9

27,0

26,9

x

20,4

25,4

26,8

x

19,2

23,7

25,5

x

9,5:1

38,6

38,6

29,7

32,1

33,0

32,2

28,1

32,6

31,0

30,0

26,0

30,6

12,6:1

45,7

41,4

37,2

28,9

41,9

41,9

33,2

29,7

39,7

38,5

30,5

27,2

Studie vlivu FWHM použitého Gauss filtru na data získaná pomocí klinicky používané rekonstrukce na pracovní stanici Siemens ukázala, že použitím filtru dochází k velkému nárůstu SNR díky potlačení šumu. U SBR samozřejmě vlivem rozmazání dochází k poklesu, což ovlivňuje výsledný kontrast obrazu. Naproti tomu metoda NeighShrink ovlivňuje SBR téměř zanedbatelně (tabulka 1) a nárůst SNR je dán selektivním potlačením šumu (nikoli jeho rozmazáním mezi okolní pixely). Použití dodatečné filtrace v navržené rekonstrukci také snižuje SBR, ale vzhledem k již nízké počáteční hladině šumu a malému FWHM použitého Gauss filtru (3,6 mm oproti 6 mm u klinicky používané rekonstrukce) je celkové snížení menší než u klinicky užívané rekonstrukce a je tedy zachován zlepšený kontrast obrazu získaný pomocí navrženého algoritmu. Použití dodatečné filtrace mění i výslednou tomografickou rozlišovací schopnost. Z tabulky 5 je zřejmé, že i při použití Gauss filtru s FWHM 3,6 mm je výsledné tomografické prostorové rozlišení lepší než u klinicky používané rekonstrukce. Tabulka 5. Zlepšení tomografické prostorové rozlišovací schopnosti v závislosti na použitém FWHM post-rekonstrukčního Gauss filtru (velikost pixelu je 2,4 mm). použitá rekonstrukce FWHM (mm)

Siemens 4 iterace, 8 LR, LIP, OSEM, LR, LIP, OSEM , subsetů + 6mm NeighShrink + NeighShrink Gauss Gauss 1,2 mm 7,4 5,5 5,8

LR, LIP, OSEM , LR, LIP, OSEM , NeighShrink + NeighShrink + Gauss 2,4 mm Gauss 3,6 mm 6,1 6,6

4.2 Porovnání výsledků navrženého algoritmu s rekonstrukcemi Jaszczak fantomu pomocí rekonstrukčního algoritmu Evolution Obrazy zrekonstruované pomocí Evolution algoritmu obsahovaly poměrně nízkou hladinu šumu. Díky tomu byly dosažené hodnoty SNR v Evolution zrekonstruovaných obrazech dosti vysoké. S pomocí navrženého algoritmu se ani s použitím post-rekonstrukční filtrace nepodařilo k těmto hodnotám SNR.

13

Odlišná situace však byla zjištěna při hodnocení SBR. Tento parametr není příliš závislý na šumu, neboť se stanovuje jako podíl průměrných hodnot počtů impulzů v lézi a pozadí. Navržený algoritmus výrazně zvyšuje signál v lézích oproti signálu měřenému v pozadí. Stejně jako u SNR ani zde nebylo nikdy dosaženo stejných hodnot jako u Evolution algoritmu, nicméně rozdíly se pohybují pouze v rozmezí od +3 do -13 %. Tabulka 6. Výsledky porovnání SNR a SBR mezi rekonstrukcí navrženým algoritmem a s Evolution for Bone. Procentuální rozdíly v SNR a SBR mezi rekonstrukcí navrženým algoritmem a s Evolution for Bone SNR

SBR




25

16

12

8

25

16

12

8

3,5:1

-51,6

-50,9

-46,9

x

-10,5

-8,6

-3,4

x

8,8:1

-46,3

-48,1

-48,6

-41,7

-8,4

-10,6

-10,0

-1,0

10,9:1

-42,5

-45,4

-49,5

-36,0

-4,3

-8,0

-12,6

3,4

Šum v obrazech zrekonstruovaných pomocí navrženého algoritmu byl v průměru na úrovni 20 %. Obrazy získané pomocí Evolution rekonstrukce byly zatíženy šumem na úrovni pouze 12 %. Souhrnné údaje z porovnání SNR a SBR jsou uvedeny v tabulce 6. Jedná se vždy o průměr hodnot získaných z hodnocených studiích fantomu s daným poměrem objemových aktivit.

5. Provedení rekonstrukce pacientských dat Pro tento účel byly v této práci náhodně vybrány dvě skupiny pacientů. První skupinu tvořilo dvacet pacientů, kteří podstoupili SPECT vyšetření skeletu na přístroji Siemens e.cam. Druhou skupinu tvořilo rovněž dvacet pacientů, kteří však byli vyšetřeni na přístroji GE Infinia Hawkeye 4. Z důvodu vysoké nehomogenity tkání v oblasti hrudníku a pánve nebylo možné u pacientů provádět korekci na zeslabení pomocí Changovy metody. Obecně se v klinické praxi u scintigrafií skeletu korekce na zeslabení nepoužívá. 5.1 Hodnocení výsledků úprav pomocí navrženého algoritmu Hodnocení výsledku vyšetření scintigrafie skeletu je hodnocení subjektivní. Je založeno na srovnání obrazu skeletu daného pacienta s normálním nálezem a je tedy velmi závislé na zkušenosti lékařů. U tohoto typu studií neprobíhají žádná měření počtu impulzů v pixelech a bez použití CT ani měření velikostí lézí. Z tohoto důvodu bylo pro hodnocení použito pouze následujících kritérií: • • • • • •

kontrast obrazu (horší / stejný / lepší); detekovatelnost lézí (horší / stejná / lepší); prostorová rozlišovací schopnost (horší / stejná / lepší); výskyt závažných artefaktů (ano / ne); hladina a charakteristika šumu přijatelná? (ano / ne); úprava diagnosticky přínosná? (ano / ne).

Pro účely hodnocení byl sestaven vyhodnocovací protokol na processingové stanici Siemens, který umožňuje zároveň zobrazit vybrané roviny upraveného a neupraveného obrazu skeletu. Hodnocení prováděli nezávisle na sobě dva lékaři oboru nukleární medicíny (praxe v oboru 25 roků a 7 roků).

14

5.2 Výsledky hodnocení pacientských studií Na základě předložených hodnotících listů každého z lékařů bylo zjišťováno procento studií, u kterých došlo k zachování nebo zlepšení kontrastu obrazu, detekovatelnosti lézí a prostorové rozlišovací schopnosti. Dále bylo procentuálně zhodnoceno množství obrazů u nichž nedošlo k výskytu závažných artefaktů, obrazů u nichž byla přijatelná hladina šumu a jejichž úprava byla diagnosticky přínosná. Za zlepšení prostorové rozlišovací schopnosti bylo považováno zmenšení lézí (v důsledku potlačení PVE) nebo rozdělení jedné větší léze na menší (v důsledku menší FWHM PSF). Za diagnosticky přínosnou změnu byla považována ta, která vedla ke změně rozsahu nálezu nebo zvýšení diagnostické jistoty ať už při samostatném použití upravených obrazů nebo v kombinaci s obrazy získanými pomocí klinicky používané rekonstrukce. Prvním krokem klinického hodnocení bylo posouzení reprodukovatelnosti (shody ve způsobu hodnocení) hodnocení lékařů. K tomu bylo použito Cohenovo kappa [43] (pro hodnocené parametry s možností volby ano/ne) a vážené Cohenovo kappa (pro ostatní parametry) [44]. Vzhledem k použití pouze kategorických hodnocení byla z výsledků hodnocení dvou lékařů vytvořena jedna sada „souhrnných“ dat beroucí v úvahu nejkonzervativnější výsledek hodnocení (horší z dvou hodnocení dané studie). Tato souhrnná data byla použita pro porovnání výsledků navrženého algoritmu s klinicky používanou OSEM rekonstrukcí a s resolution recovery rekonstrukcí. K popisu výsledků vizuálního klinického hodnocení bylo použito konfidenčních intervalů pro párovaná data [45]. Žádný z hodnotitelů nezaznamenal výskyt výrazných artefaktů v obraze po rekonstrukci s pomocí navrženého algoritmu v porovnání s klinicky používanou OSEM rekonstrukcí a resolution recovery rekonstrukcí. Obdobně tomu bylo při hodnocení šumu, kde 34 a 36 hodnocení ze 40 u lékaře č. 1 resp. č. 2 ukazovalo na přijatelnou hladinu a charakteristiku šumu. Výsledky subjektivního klinického hodnocení ostatních parametrů jsou uvedeny v tabulce 7. Tabulka 7. Výsledky vizuálního hodnocení kontrastu obrazu, rozlišení, detekovatelnosti lézí a diagnostického přínosu. Porovnání 20 pacientských studií ze Siemens e.cam (klinická OSEM) a 20 studií z GE Infinia Hawkeye 4 (Evolution for Bone) s rekonstrukcí pomocí navrženého algoritmu.

horší horší lékař č. 1 stejný lepší celkem

Kontrast obrazu lékař č. 2 stejný lepší celkem

0

0

0

0

0 0 0

8 1 9

1 30 31

9 31 40

Prostorové rozlišení lékař č. 2 horší stejný lepší celkem horší lékař č. 1 stejný lepší celkem

Detekovatelnost lézí lékař č. 2 horší stejná lepší celkem horší lékař č. 1 stejná lepší celkem

0 0 0 0

0 13 5 18

0 2 20 22

0 15 25 40

2

0

0

2

2 0 4

23 1 24

2 10 12

27 11 40

Diagnostický přínos lékař č. 2 ne ano celkem lékař č. 1

ne ano celkem

28 1 29

3 8 11

31 9 40

Reprodukovatelnost (shoda) výsledků hodnocení mezi hodnotiteli vyjádřená pomocí kappa byla 0,71 pro hodnocení kontrastu obrazu, 0,79 pro detekovatelnost lézí a 0,73 pro diagnostický přínos a 0,80 pro prostorovou rozlišovací schopnost. Pro prostorovou rozlišovací schopnost bylo použito vážené kappa, které umožňuje klást větší důraz na shodné hodnocení, že nedošlo k žádné nebo že

15

došlo ke kladné změně. 5.2.1 Porovnání s výsledky rekonstrukcí na stanici Siemens Z celkového počtu 40 hodnocení (20 hodnocení na lékaře) bylo u 100 % konstatováno zachování nebo zlepšení kontrastu obrazu a u 97,5 % došlo ke zlepšení kontrastu. Dále byla hodnocena detekovatelnost lézí. Bylo konstatováno, že u 100 % hodnocení buď nedošlo k žádné změně nebo došlo ke zlepšení, které bylo pozorováno u 70 % případů. U prostorové rozlišovací schopnosti došlo k zachování stavu nebo jeho zlepšení v 90 % hodnocení a u 55 % hodnocení bylo konstatováno zlepšení. V 97,5 % nebyl pozorován závažný artefakt v obraze, hladina šumu byla přijatelná v 95 % hodnocení a provedené úpravy byly jako diagnosticky přínosné hodnoceny ve 42,5 % hodnocení. Obrazy získané s pomocí navrženého algoritmu byly obecně lépe hodnotitelné v porovnání s obrazy získanými pomocí klinicky používané OSEM rekonstrukce na stanici Siemens. Lepší kontrast byl pozorován v 19 z 20 případů (95%; CI 95%= 85,5 % - 100 %) a lepší detekovatelnost lézí byla pozorována v 13 případech (65%; CI95%= 44 % - 86 %). Zároveň nebylo pozorováno zhoršení kontrastu ani detekovatelnosti. Ke zlepšení resp. zhoršení prostorové rozlišovací schopnosti došlo v 10 případech (50 %) resp. 2 případech (10 %). Konfidenční interval pro tuto vlastnost obrazu byl (-6 % - 46 %). Artefakty nebyly pozorovány a úroveň šumu a jeho struktura byli akceptovatelné v 95 % studií. Diagnostický přínos navrženého algoritmu byl spatřován v 8 z 20 případů (40 %; CI95%= 18,5 % - 61 %). 5.2.2 Porovnání s výsledky rekonstrukcí na stanici GE Xeleris 2 Hodnocení zlepšení jednotlivých parametrů po provedených úpravách obrazu v porovnání s rekonstrukcemi na stanici GE Xeleris 2 s použitím Evolution for Bone rekonstrukce probíhalo pomocí stejných parametrů. U 100 % bylo konstatováno zachování nebo zlepšení kontrastu obrazu a u 57,5 % došlo ke zlepšení kontrastu. U detekovatelnosti lézí v 100 % hodnocení buď nedošlo k žádné změně nebo došlo ke zlepšení, které bylo pozorováno u 47,5 % případů. U prostorové rozlišovací schopnosti došlo k zachování stavu nebo jeho zlepšení v 95 % hodnocení a u pouhého 2,5 % hodnocení bylo konstatováno zlepšení. Ve 100 % nebyl pozorován závažný artefakt v obraze, hladina šumu byla přijatelná v 80 % hodnocení a provedené úpravy byly jako diagnosticky přínosné hodnoceny pouze v 7,5 % hodnocení. Porovnání souhrnných pacientských studií zrekonstruovaných pomocí navrženého algoritmu s rekonstrukcí pomocí resolution recovery algoritmu Evolution for Bone ukázala na zlepšení kontrastu a detekovatelnosti lézí v 11 z 20 případů (55 %; CI95% =33 % - 77 %) a zhoršení prostorové rozlišovací schopnosti ve 2 případech (10 %; CI 95%= -3 % - 23 %). Závažné artefakty nebyly pozorovány, ale hladina a struktura šumu byla v případech označena jako nevyhovující (25 %; CI95%= 6 % - 44 %). Významný diagnostický přínos navrženého algoritmu v porovnání s Evolution for Bone nebyl pozorován.

6. Diskuze Použití navrženého algoritmu vedlo ke zvýšení poměru signálu k šumu a poměru signálu k pozadí v porovnáním s uživatelsky provedenou OSEM rekonstrukcí bez navržených úprav. Kromě toho došlo i ke zlepšení prostorové rozlišovací schopnosti. Každý z celkem tří kroků algoritmu (obrázek 6) měl v rámci procesu úprav projekcí a zrekonstruovaného obrazu svoji roli a byl zaměřen na jinou vlastnost obrazu. Po nalezení optimálních parametrů byla provedena rekonstrukce a její výsledek byl porovnán s rekonstrukcí na pracovních stanicích Siemens (bez použití resolution recovery) a GE (s použitím resolution recovery). V dostupné literatuře nebyla nalezena zmínka o použití navržené kombinace metod. Diskuze je

16

proto rozdělena do několika částí, které popisují výsledky publikovaných prací zabývajících se použitím jednotlivých metod.

6.1 Použití dekonvoluce Počet iterací dekonvolučního procesu byl zvolen s ohledem na maximální zlepšení prostorové rozlišovací schopnosti a tedy potlačení efektu částečného objemu. Nevýhodou dekonvolučních procesů je výrazný nárůst šumu v obraze [8], [46]. V případě SPECT vyšetření, která jsou zatížena poměrně vysokou hladinou šumu je jeho další zvyšování nežádoucí. Přestože je použití dekonvolučních technik známou metodou [4], její použití v nukleárně medicínské praxi je řídké. Pokusy s využitím dekonvoluce nukleárně medicínských obrazů se v literatuře objevují, nicméně jejich použití je častější u PET systémů. V práci [47] se autorům s použitím fantomu podařilo dosáhnout 87% korekce efektu částečného objemu u objektů o průměru 8 mm a téměř totožného výsledku dosáhli u klinických studií. Zároveň však poukazují na to, že takto upravené obrazy vykazují vysokou hladinu šumu a nehodí se k provedení popisu vyšetření. Přehledová práce [48] rovněž poukazuje na vysokou hladinu šumu v dekonvolvovaných obrazech. Na druhou stranu vyzdvihuje nespornou výhodu dekonvolučních metod – není nutná znalost velikosti lézí, ani jejich hranic, homogenity distribuce radiofarmaka uvnitř lézí ani aktivity v pozadí. Kolektiv autorů práce [46] použitím dekonvolučního kroku vloženého do jednotlivých iteračních kroků OSEM algoritmu zlepšil prostorovou rozlišovací schopnost při fantomových měřeních na PET přístroji až o více než 40 %. Problematika nárůstu šumu při použití dekonvolučních technik byla řešena v práci [8] použitím modifikace koeficientů vlnkové transformace dekonvolvovaného obrazu s hledáním prahu metodou BayesShrink. Přestože úroveň šumu po provedení dekonvoluce byla zvýšena v průměru o 80 %, po potlačení šumu vlnkovou transformací byl vzrůst šumu průměrně pouze 30% a nárůst SBR se pohyboval v rozmezí 10 – 41 %. U pacientských dat byl po provedení dekonvoluce a potlačení šumu jeho nárůst v průměru 19% a průměrný nárůst intenzity pixelů v hodnocených lézích byl 28 %. Autoři prací [8] a [47] při úpravách používali jednotlivé řezy, které byly zrekonstruovány pomocí rekonstrukčních algoritmů dodaných výrobcem. 6.2 Použití logaritmického zpracování obrazu Nepodařilo se najít žádnou práci, která by se zabývala použitím LIP v nukleární medicíně. Využití LIP však bylo s úspěchem demonstrováno u klasických rentgenových snímků, obrazů z mikroskopů, apod. [10], [11], [49]. 6.3 Použití vlnkové transformace Většina prací zabývajících se použitím vlnkové transformace k potlačení šumu ve scintigrafických obrazech se bohužel zabývá pouhou demonstrací základních principů metody a jejím použitím na pacientská data. Vzhledem k tomu, že hodnocení je prováděno pouze subjektivně (u pacienta chybí informace o skutečném rozložení radiofarmaka), postrádají tyto práce jakékoli číselné informace vypovídající o zlepšení SNR a výsledném snížení nebo zvýšení hladiny šumu [18], [20], [23], [50], [51]. V práci [52] je popsáno několik technik modifikace koeficientů vlnkové transformace za účelem potlačení šumu a autoři rovněž navrhují metodu vlastní. Na fantomu mozku s uměle přidaným šumem se podařilo dosáhnout 33% nárůstu SNR. Z hlediska cílů této práce se jako velmi inspirativní jevil článek [8]. Autoři prováděli svá hodnocení na uměle vytvořených objektech a rovněž na pacientských datech. Situace zde však byla zjednodušena tím, že autoři pracovali s již zrekonstruovanými PET řezy. Obdobně tomu bylo i v práci [53], ve které autoři používají vlnkovou transformaci zrekonstruovaného PET obrazu a koregistrovaných CT nebo 17

MR řezů. Práce [8] používá nejprve dekonvoluci ke zvýšení poměru signálu k pozadí PET zrekonstruovaných obrazů (potlačení efektu částečného objemu) a následně provádí vlnkovou transformaci s modifikací koeficientů rozkladu za účelem potlačení zvýšené hladiny šumu. Svým zaměřením se tato práce nejvíce blíží zpracovávanému projektu. I přesto jsou rozdíly značné. Jedním z nich je rozdíl v principu PET a SPECT zobrazování. Dále navrhovaný algoritmus pracuje s jednotlivými projekcemi ještě před jejich rekonstrukcí a navíc používá ještě logaritmického zpracování obrazu k dalšímu zvýšení kontrastu obrazu resp. poměru signálu k pozadí. Shodně s [8] je potlačení hladiny šumu provedeno až po rekonstrukci jednotlivých řezů. Objevují se i práce, ve kterých vlnková transformace neslouží k potlačení šumu, ale je využita například k potlačení efektu částečného objemu [54] a [55]. 6.4 Výsledky získané pomocí navrženého algoritmu – fantomové studie S použitím optimalizovaného nastavení navrženého algoritmu se ve fantomové studii v porovnání s klinicky používanou OSEM podařilo dosáhnout nárůstu SNR v rozmezí od 1,2 do 39,5 % u malých objektů (≤ 16 mm) a malých poměrů objemových aktivit (≤ 9,5:1). U větších objektů (≥ 16 mm) a větších poměrů objemových aktivit (≥ 9,5:1) byl zaznamenán pouze mírný pokles SNR v rozmezí -2,5 – -3,9 %. V případě klinicky používané OSEM bylo nutné použít FWHM 6 mm, kdežto navržený algoritmus vystačí s FWHM 3,6 mm. To vede k mírně lepší tomografické prostorové rozlišovací schopnosti s použitím navrženého algoritmu (6,6 mm oproti 7,4 mm). Z hlediska kontrastu obrazu předčil navržený algoritmus klinickou rekonstrukci. I s použitím post-rekonstrukční filtrace bylo s navrženým algoritmem dosaženo nárůstu SBR v rozmezí od 19,2 do 39,7 %. K většímu nárůstu SBR sice docházelo u vyšších poměrů objemových aktivit (≥ 9,5:1), přesto však i u nejnižšího použitého poměru byl nárůst v průměru pro všechny objekty vyšší než 22 %. Výsledky s použitím navrženého algoritmu tedy snesou srovnání s výsledky práce [8]. Při srovnání výsledků dosažených s navrženým algoritmem a s rekonstrukcí pomocí resolution recovery algoritmu GE Evolution for Bone se jako lepší ukázala vyspělejší rekonstrukční metoda firmy GE. Navržený algoritmus poskytuje obrazy se SBRs rozdílem v porovnání s Evolution algoritmem v rozmezí od -12,6 – 3,4 %. S ohledem na nedokonalou rekonstrukci a poměrně jednoduché metody použité v navrženém algoritmu, se jedná o uspokojivý výsledek. 6.5 Výsledky získané pomocí navrženého algoritmu – pacientská studie Hodnocení pacientských studií pořízených na scintilační kameře Siemens e.cam prokázalo užitečnost navrženého algoritmu porovnáním s klinicky používanou rekonstrukcí především při zvýšení kontrastu obrazů a zlepšení detekovatelnosti lézí. Vizuálně bylo zhodnoceno, že došlo ke zlepšení prostorové rozlišovací schopnosti a pouze minimum upravených studií vykazovalo závažný artefakt a nepřijatelnou hladinu šumu. Rovněž byl pozorován diagnostický přínos navrženého algoritmu. Hodnocení upravených studií pořízených na kaměře Infinia Hawkeye 4 v porovnání s Evolution for Bone bylo pro navržený algoritmus méně příznivé. Pomocí fantomových studií bylo ukázáno, že použitý algoritmus nepředčil klinicky používanou rekonstrukci v dosaženém SNR ani zlepšení prostorové rozlišovací schopnosti. Jedině SBR se blížilo výsledkům "resolution recovery" algoritmu. Při klinickém porovnání s výsledky resolution recovery algoritmu, vykazují obrazy získané s pomocí navrženého algoritmu lepší kontrast a lepší detekovatelnost lézí. Jako významně diagnosticky přínosné v porovnání s výsledky resolution recovery algoritmu nebyly označeny žádné studie. Resolution recovery rekonstrukce sama o sobě poskytuje obrazy vykazující velmi dobrou kvalitu. Důvod zjištěného rozdílu mezi výsledky fantomové studie a klinického hodnocení výsledků

18

navrženého algoritmu s resolution recovery algoritmem zřejmě leží v rozdílných vlastnostech struktur obklopujících aktivní léze. Ve fantomu bylo použito homogenní pozadí, kdežto akumulace radiofarmaka v měkkých tkáních v blízkém okolí aktivních lézí ve skeletu pacienta není homogenní. Stejně tak není homogenní ani akumulace radiofarmaka v kostěných strukturách v okolí lézí. Toto vytváří v různých směrech v okolí léze různě strmé přechody mezi aktivitou v lézi a jejím okolí. Vzhledem k tomu, že LIP i NeighShrink pracují s informacemi z okolí upravovaného pixelu, je tímto jejich chování ovlivněno. I přes nárůst kontrastu a proklamované zlepšení detekovatelnosti mají tyto vlastnosti pouze velmi malý vliv na výsledné klinické hodnocení, neboť obrazy poskytované resolution recovery jsou vysoce kvalitní samy o sobě. S uvážením výše uvedeného však navržený algoritmus prokázal svou užitečnost v případě pacientů s metastatickým postižením skeletu a mohl by být použit pro usnadnění popisu získaných obrazů, případně jeho zpřesnění v kombinaci s klinicky používanou studií.

7. Závěr V souladu s vytyčeným cílem práce byla vyzkoušena kombinace dekonvoluce, logaritmického zpracování projekčních dat a potlačení šumu ve zrekonstruovaných obrazech s pomocí vlnkové transformace. Během celého procesu nebyl použit žádný model zobrazovacího systému nebo akvizičního procesu. Jedinou znalostí nutnou k vytvoření upravených rekonstrukcí byla závislost FWHM PSF systému s použitým kolimátorem na vzdálenosti. Po vytvoření tomografických řezů pomocí uživatelské rekonstrukce bylo provedena jejich filtrace pomocí post-rekonstrukčního Gauss filtru s malou FWHM. Výsledky porovnání rekonstrukce transverzálních řezů Jaszczak fantomu s různými objemovými aktivitami zrekonstruovanými za pomocí klinicky používaného rekonstrukčního postupu na pracovní stanici Siemens a navrženého algoritmu naznačují, že navržený algoritmus poskytuje obrazy s výrazně vyšším SBR. Zároveň došlo i k nárůstu SNR, přestože se ani použitím úprav koeficientů vlnkové transformace ani post-rekonstrukční filtrací nepodařilo zcela potlačit nárůst šumu. Při porovnání kvalit navrženého algoritmu s algoritmem GE Evolution for Bone se firemní postup ukázal jako výrazně lepší v dosaženém SNR, avšak při hodnocení SBR byla situace téměř vyrovnaná. V porovnání s výsledkem rekonstrukce na pracovní stanici Siemens bylo dosaženo lepšího tomografického prostorového rozlišení v obraze. Díky nutnosti použít post-rekonstrukční filtraci však toto rozlišení bylo výrazně horší než v případě GE Evolution algoritmu. Ten však na rozdíl od navrženého používá model odezvy kolimátoru systému a nefunguje tak například na projekční data získaná se scintilační kamerou jiného výrobce. Výsledky porovnání rekonstrukcí pacientských dat naznačují, že navržený algoritmus dává vzniknout obrazům, které mohou být použity pro hodnocení pacientských studií. Vzhledem k prokazatelnému zvýšení kontrastu obrazu, detekovatelnosti lézí a zlepšení prostorové rozlišovací schopnosti jsou obrazy snadněji interpretovatelné. Během srovnávání pacientských studií se však ukázalo, že (alespoň ze začátku) není vhodné spoléhat se při hodnocení rozsahu nálezu pouze na navrženým algoritmem upravená data. Nově vzniklé obrazy mají totiž odlišnou strukturu šumu, než na jakou jsou lékaři zvyklí, a subjektivně jsou tedy vnímány jinak. Tyto drobné rozdíly pak navozují pocit, že v upraveném obraze něco chybí nebo naopak přebývá. Nasazení navrhovaného algoritmu v praxi by bylo možné až po patřičném zácviku hodnotitelů. Navržený algoritmus by mohl v klinické praxi najít místo všude tam, kde se nevyplatí pořizovat resolution recovery rekonstrukční software nebo tam, kde to není možné. Rovněž může být používán ke „kontrolované“ rekonstrukci projekčních dat, neboť jeho struktura a posloupnost kroků je zřejmá. Resolution recovery algoritmy dodávané firmami neumožňují měnit jejich nastavení a jsou svým způsobem „černými skříňkami“. Vstupují do nich projekční data a na výstupu jsou získána upravená a zrekonstuovaná data – tomografické řezy. Přesný popis všech operací prováděných s obrazem však zůstává firemním tajemstvím.

19

8. Literatura [1] Vižďa J, Křížová H, Urbanová E. Atlas kostní scintigrafie. LACOMED, spol. s r. o., Praha 2006. [2] Cherry SR, Sorenson JA, Phelps ME. Physics in Nuclear Medicine – 3rd edition. Saunders, 2003. [3] Hušák V, Mysliveček M, Koranda P, Kleinbauer K, Kamínek M, Erban J. Fyzikální základy planárního a tomo grafického zobrazování v nukleární medicíně. Čes. Radiol. 2001; 55:47-58. [4] Zaidi H. ed. Quantitative Analysis in Nuclear Medicine Imaging. Springer, 2006. [5] Sorenson JA, Phelps ME. Physics in Nuclear Medicine 2nd Edition. Orlando – New York, Grune and Stratton, 1987. [6] Knoll P, Kotalova D, Köchle G, Kuzelka I, Minear G, Mirzaei S, Šámal M, Zadrazil L, Bergamm H. Comparison of advanced iterative reconstruction methods for SPECT/CT. Z. Med. Phys. 2012; 22:58-69. [7] Seret A, Nguyen D, Bernard C. Quantitative capabilitites of four state-of-the-art SPECT-CT cameras [online]. EJNMMI Research 2012;2:45. [citováno 24.4.2013]. Dostupné na: http://www.ejnmmires.com/content/2/1/45. [8] Boussion N, Cheze Le Rest C, Hatt M, Visvikis D. Incorporation of wavelet-based denoising in iterative deconvolu tion for partial volume correction in whole-body PET imaging. Eur J Nucl Med Mol Imaging 2009;36:1064-1075. [9] Thiébaut E, Introduction to image reconstruction and inverse problems [online]. [citováno 24.4.2013]. Dostupné na: www.astro.up.pt/caup/jobs/paper1.pdf. [10] Jourlin M, Pinoli JC. Image dynamic range enhancement and stabilization in the context of the logarithmic image processing model. Signal Process. 1995;41:225-237. [11] Fernandes M, Gavet Y, Pinoli J-C. Improving focus measurement using logarithmic image processing. Journal of Microscopy 2010;242:228-241. [12] Pinoli JC. The logarithmic image processing model: connections with human brightness perception and contrast es timators. J Math Imaging Vis. 1997;7:341-358. [13] Deng G, Pinoli JC. Differentiation-based edge detection using the Logarithmic image processing model. J Math Imaging Vis. 1998;8:161-180. [14] Shih YY, Chen JC, Liu RS. Development of wavelet de-noising technique for PET images. Comput Med Imag Grap 2005;29:297-304. [15] Nikolov SG, Hutter H, Grasserbauer. De-noising of SIMS images via wavelet shrinkage. Chemometr Intell Lab 1996;34:263-273. [16] Jacob N, Martin A. Image denoising in the wavelet domain using wiener filtering [online]. 2004. [citováno 24.4.2013]. Dostupné na: http://homepages.cae.wisc.edu/~ece533/project/f04/. [17] Green GC. Wavelet-based denoising of Cardiac PET data (MASc Thesis) [online]. 2005. [citováno 24.4.2013]. Dostupné na: http://www.sce.carleton.ca/~geogreen/GeoffGreenMAScThesis.pdf. [18] Turkheimer FE, Brett M, Visvikis D, Cunningham VJ. Multiresolution analysis of emission tomography images in the wavelet domain. J Cerebr Blood F Met 1999;19:1189-1208. [19] Taswell C. The what, how and why of wavelet shrinkage denoising. Comput Sci Eng. 2000;2(3):12-19. [20] Shidahara M, Ikoma Y, Kershaw J, Kimura Y, Naganawa M, Watabe H. PET kinetic analysis: wavelet denoising of dynamic PET data with application to parametric imaging. Ann Nucl Med 2007;21:379-386. [21] Donoho DL. De-Noising by Soft-Thresholding. IEEE Trans Inf Theory 1995;41:613-626.

20

[22] Jerhotová E, Švihlík J, Procházka A. Biomedical Image Volumes Denoising via the Wavelet Transform [online]. 2011. [citováno 24.4.2013]. Dostupné na: http://www.intechopen.com/books/applied-biomedical-engineering/ biomedical-image-volumes-denoising-via-the-wavelet-transform. [23] Nowak RD, Baraniuk RG. Wavelet-domain filtering for photon imaging systems. IEEE Trans Image Proc 1999;8(20):666-678. [24] Fugal DL. Conceptual Wavelets In Digital Signal Processing [online]. Space & Signal Technologies LLC, 2009. [citováno 24.4.2013]. Dostupné na: www.conceptualwavelets.com. [25] Koren I, Laine A. A discrete dyadic wavelet transform for multidimensional feature analysis. In: M. Akay, editor. Time frequency and wavelets in biomedical signal processing. New York: IEEE Press; 1998. pp. 425-448. [26] Gyaourova A. Undecimated wavelet transforms for image de-noising [online]. [citováno 24.4.2013]. Dostupné na: https://computation.llnl.gov/casc/sapphire/pubs/150931.pdf. [25.4.2013] [27] Holshneider M, Kroland-Martinet R, Morlet J, Tchamitchian. A real-time algorithm for signal analysis with the help of the wavelet transform. Wavelets. Time-Frequency Methods and Phase Space, Springer-Verlag 1989;286-297. [28] Laine A, Fan J, Yang W. Wavelets for Contrast Enhancement of Digital Mammography. IEEE Eng Med Biol 1995;536-550. [29] Lin JW, Laine AF. Improving PET-based physiological quantification through methods of wavelet denoising. IEEE Trans Biomed Eng 2001;48(2):202-212. [30] Lee JS. Digital Image Enhancement and Noise Filtering by Use if Local Statistics. IEEE Trans Pattern Anal Machine Intell 1980;2:165-168. [31] Deng G, Cahill W, Tobin GR. The study of logarithmic image processing model and its application to image enhancement. IEEE T Image Process. 1995;4(4):506-512. [32] Hutton BF, Recent advances in iterative reconstruction for clinical SPECT/PET and CT. Acta Oncologica, 2011; 50:851-858. [33] Wernick MN, Aaesvold JN, ed. Emission Tomography – The Fundamentals of PET and SPECT. Elvsevier, 2004. [34] Alessio A., Kinahan P., PET Image Reconstruction [online]. [citováno 24.4.2013]. Dostupné na: http://www.schreisupport.com/Schreisupport/GENERAL INFORMATION/PET/alessioPETRecon.pdf [35] Vandenberghe S, D`Asseler Y, Van de Walle R, Kauppinen T, Koole M, Bouwens L, Van Laere K, Lemahieu I, Dierckx RA. Iterative reconstruction algorithms in nuclear medicine. Comp Med Imag Graph 2001;25:105-111. [36] Chang LT, A method for attenuation correction in radionuclide computed tomography. IEEE Trans Nucl Sci 1978; 25:638-643. [37] Y. Jin, E.D. Angelini and A.F. Laine. Wavelets in Medical Image Processing: Denoising, Segmentation, and Registration. In: Suri J, Wilson DL, Laximinarayan S, editors. Handbook of Medical Image Analysis: Advanced Segmentation and Registration Models. New York: Kluwer Academic Publishers; 2004. [38] Chen GY, Bui TD, Krzyzak A. Image denoising with neighbour dependency and customized wavelet and threshold. Pattern Recognition 2005;38:115-124. [39] Cai TT, Silverman BW. Incorporating information on neighbouring coefficients into wavelet estimation. Sankhya Ser B 2001;63(2):127-148. [40] Mohideen SK, Perumal SA, Sathik MM. Image de-noising using discrete wavelet transform. Int J Comput Sci Netw Sec. 2008;8(1):213-216. [41] Rao BC, Latha MM. Selective Neighbouring Wavelet Coefficients Approach for Image Denoising. Int J Comput Sci Com 2011;2:73-77. [42] Dengwen Z, Wengang C. Image denoising with an optimal threshold and neighbouring window. Pattern Recogn Lett 2008;29:1694-1697.

21

[43] Cohen J, A coefficient of agreement for nominal scales.Educational Psychological Meas 1960;20:37-46 [44] Cohen J, Weighted kappa: nominal scale agreement with provision for scaled disagreement or partial credit. Psych Bull 1968;70:213-220 [45] Gardner MJ, Altman DG, Statistics with confidence, BMJ, London; 1989 [46] Rizzo G, Castiglioni I, Russo G. Tana MG, Dell`Acqua F, Gilardi MC, Fazio F, Cerutti S. Using Deconvolution to Improve PET spatial Resolution in OSEM Iterative Reconstruction. Methods Inf Med 2007;46:231-235. [47] Teo B-K, Seo Y, Bachatach SL, Carrasquilo JA, Libutti SK, Shukla H, Hasegawa BH, Hawkins RA, Franc BL. Partial-Volume Correction in PET: Validation of an Iterative Postreconstruction Method with Phantom and Patient Data. J Nucl Med 2007; 48-802-810. [48] Soret M, Bacharach SL, Buvat I. Partial-Volume Effect in PET Tumor Imaging. J Nucl Med 2007;48:932-945. [49] Patrascu V, Buzuloiu V. A mathematical model for logarithmic image processing [online]. The 5th World MultiConference on Systemics, Cybernetics and Informatics 2001, Orlando, USA, 22-25 July 2001. [citováno 24.4.2013]. Dostupné na: http://www.researchgate.net/publication/233944147_A_MATHEMATICAL_MODEL_FOR_LOGARITHMIC_IMAGE _PROCESSING. [50] Nowak RD, Nowak DJ, Baraniuk RG, Hellman RS. Wavelet domain filtering for nuclear medicine imaging [online]. 1996. [citováno 24.4.2013]. Dostupné na: http://dsp.rice.edu/sites/dsp.rice.edu/files/publications/conference-paper/1996/waveletdom-nss-1996.pdf. [51] Kostov MB, Mitrovski CD. On the denoising of nuclear medicine chest region images [online]. International Scientific And Applied Science Conference Electronics ET’2004, Sozopol, Bulgaria, 22-24 Sept. 2004. [citováno 24.4.2013]. Dostupné na: http://ecad.tu-sofia.bg/et/2004/Papers/Electronic%20Medical%20Equipment/Paper-M_Kostov.pdf. [52] Ogawa K, Sakata M, Li Y. Adaptive Noise Reduction of Scintigrams with a Wavelet Transform [online]. Int J Biomed Imaging, 2012. [citováno 24.4.2013]. Dostupné na: http://www.hindawi.com/journals/ijbi/2012/130482/. [53] Turkheimer FE, Boussion N, Anderson AN, Pavese N, Piccini P, Visvikis D. PET Image Denoising Using a Synergistic Multiresolution Analysis of Structural (MRI/CT) and Funtional Datasets, J Nucl Med 2008; 49:657-666. [54] Boussion N, Hatt M, Lamare F, Bizais Y, Turzo A, Cheze-Le Rest C, Visvikis D. A multiresolution image based approach for correction of partial volume effects in emission tomography. Phys Med Biol. 2006;51:1857-1876. [55] Le Pogam A, Hatt M, Descourt P, Boussion N, Tsoumpas C, Turkheimer FE, Prunier-Aesch C, Baulieu J-L, Guilloteau D, Visvikis D. Evaluation of a 3D local multiresolution algorithm fot the correction of partial volume effects in positron emission tomography. Med Phys 2011;38:4920-4923.

9. Seznam prací vztahujících se k disertaci Publikace v zahraničním impaktovaném časopise Ptacek J, Henzlova L, Koranda P, Bone SPECT image reconstruction using deconvolution and wavelet transformation: Development, performance assessment and comparison in phantom and patient study with standard OSEM and resolution recovery algorithm. Physica Medica 2014;30:858-864.

Další publikace Ptacek J, Henzlova L, Koranda P, Improvement of Bone SPECT Images Using Deconvolution and Wavelet Transform, (přijato k posterové prezentaci dne 16.6.2014) EANM'14 - Annual Congress of the European Association of Nuclear Medicine (October 18 - 22, 2014 in Gothenburg/Sweden)

22

10. RESUMÉ Cílem práce bylo vytvořit nový algoritmus pro rekonstrukci SPECT vyšetření skeletu a porovnat jeho výsledky s komerčně dostupnými metodami OSEM a resolution recovery (RR) rekonstrukcí. Projekce byly zpracovány pomocí dekonvoluce Lucy-Richardsonovou metodou a logaritmického zpracování obrazu. K potlačení šumu byla použita modifikace koeficientů rozkladu zrekonstruovaných obrazů vlnkovou transformací. Ke srovnání výsledků algoritmu v rámci fantomové studie bylo použito poměru signálu k šumu (SNR), signálu k pozadí (SBR) a prosotorvé rozlišovací schopnosti. V rámci klinické studie bylo použito vizuálního hodnocení změn v kontrastu, prostorovém rozlišení a detekovatelnosti lézí. V porovnání se standardní OSEM bylo dosaženo změn v SNR v rozmezí od -4 až 40 %, nárůstu SBR v rozmezí od 19 do 40 % a mírného zlepšení prostorové rozlišovací schopnosti. Toto vše bylo pozorováno při zachování obdobné hladiny šumu jako u standardní OSEM rekonstrukce. V porovnání s RR rekonstrukcí poskytoval navržený algoritmus obrazy s nižší SNR a horší prostorovou rozlišovací schopností, ale zaznamenaný pokles SBR byl pouze v rozmezí od 3 do 13 %. Pacientské studie vytvořené s použitím navrženého algoritmu vykazovaly lepší kontrast a detekovatelnost lézí v porovnání s klinickou OSEM. V porovnání s RR rekonstrukcí vykazovala více jak polovina obrazů lepší kontrast a téměř polovina lepší detekovatelnost lézí. Navržený algoritmus vykazuje lepší výsledky než standardní OSEM. Z porovnání z RR vyplývá, že poskytuje obrazy ne tak dobré kvality, ale výsledný rozdíl v SBR je malý.

11. SUMMARY The aim of this work was to introduce a new algorithm for image reconstruction in bone SPECT and to compare its performances with a commercially available standard OSEM and resolution recovery (RR) reconstruction. The algorithm was built applying the Lucy-Richardson deconvolution and logarithmic image processing to the projections. A modification of the coefficients of wavelet decomposition was used to suppress the noise. The comparison with vendor software was performed both in a phantom study, using Signal-to-Noise ratio (SNR), Signal-toBackground ratio (SBR), spatial resolution and in clinical studies, by visual assessment of changes in contrast, spatial resolution and lesion detectability. A change in the SNR (from −4 to 40 %), an increase in the SBR (from 19 to 40 %), a minor improvement in spatial resolution and a similar noise level were observed in the phantom study in comparison to the standard OSEM. A decrease in the SNR, a worse spatial resolution, but only a 3 to 13 % lower SBR were achieved in comparison with the vendor supplied RR algorithm. The proposed algorithm creates patient images with better contrast and lesion detectability compared to clinically used OSEM. Compared to RR, more than half of obtained images showed better contrast and nearly half of them have better lesion detectability. The proposed algorithm compares favorably with the standard OSEM. Although less favorable, the comparison with RR suggests that it can be used with only a slight decrease in the SBR.

23

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

Recommend Documents