Respiratory phase alignment improves blood-flow quantification in Rb82 PET myocardial perfusion imaging
Notice bibliographique
Résumé
PURPOSE: Positron emission tomography (PET) is considered the gold standard for measuring myocardial blood flow in vivo but it is known that respiratory motion can lead to misalignment of the PET and computed tomography (CT) data sets and introduce artifacts in the CT-based attenuation correction (AC) of images. In addition, respiratory motion blurs the PET image and degrades spatial resolution. The purpose of this study is to evaluate the combined effect of respiratory motion compensation (MC) and accurate attenuation correction on relative and absolute blood flow imaging of the heart. METHODS: Dynamic (82)Rb-PET acquisitions were generated for a homogeneous tracer distribution in the heart using an anthropomorphic computer phantom and a Monte Carlo simulator. Attenuation correction was done using three different approaches in which the PET data were corrected by: (1) a respiratory-gated CT map with each respiratory phase of the PET scan corrected by its corresponding CT phase (matched); (2) a time-averaged attenuation map (avg); or (3) an attenuation map generated from the maximum CT-number of every voxel over the respiratory cycle (max). Motion compensated was done using an automated rigid-body registration algorithm that aligned all of the phases of the respiratory-gated PET data after AC. The corrected dynamic PET data were then processed by inhouse kinetic analysis software to generate 3D maps of blood flow. Polar maps of the blood-flow for each CT-AC method with and without MC were compared to the truth using a 17-segment model. The same comparison was performed on data from a pig study. RESULTS: Motion compensation significantly reduced the segmental mean percentage error (sMPE) in all cases (p < 0.01 for matched CTAC and avg CTAC and p = 0.03 for max CTAC). MC significantly increased image uniformity in the case of matched and avg CTAC (p < 0.01, p = 0.04, respectively) with the best improvement coming for matched CTAC. Without MC, there were no significant differences between the three CTAC approaches. With MC, matched CTAC had significantly smaller mean absolute sMPE (p < 0.01 vs avg CTAC; p < 0.01 vs max CTAC) and improved uniformity (p = 0.05 vs avg CTAC; p < 0.01 vs max CTAC). The results were supported with a pig study. CONCLUSIONS: Without MC, there was no significant difference between the three CTAC methods for measuring blood flow. With MC, the matched CTAC approach was significantly better, reducing the mean difference from truth by 6% in the simulated data and improving uniformity by 5%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».