Low-dose CT for the spatial normalization of PET images: A validation procedure for amyloid-PET semi-quantification
Notice bibliographique
Résumé
The reference standard for spatial normalization of brain positron emission tomography (PET) images involves structural Magnetic Resonance Imaging (MRI) data. However, the lack of such structural information is fairly common in clinical settings. This might lead to lack of proper image quantification and to evaluation based only on visual ratings, which does not allow research studies or clinical trials based on quantification. PET/CT systems are widely available and CT normalization procedures need to be explored. Here we describe and validate a procedure for the spatial normalization of PET images based on the low-dose Computed Tomography (CT) images contextually acquired for attenuation correction in PET/CT systems. We included N = 34 subjects, spanning from cognitively normal to mild cognitive impairment and dementia, who underwent amyloid-PET/CT (18F-Florbetaben) and structural MRI scans. The proposed pipeline is based on the SPM12 unified segmentation algorithm applied to low-dose CT images. The validation of the normalization pipeline focused on 1) statistical comparisons between regional and global 18F-Florbetaben-PET/CT standardized uptake value ratios (SUVrs) estimated from both CT-based and MRI-based normalized PET images (SUVrCT, SUVrMRI) and 2) estimation of the degrees of overlap between warped gray matter (GM) segmented maps derived from CT- and MRI-based spatial transformations. We found negligible deviations between regional and global SUVrs in the two CT and MRI-based methods. SUVrCT and SUVrMRI global uptake scores showed negligible differences (mean ± sd 0.01 ± 0.03). Notably, the CT- and MRI-based warped GM maps showed excellent overlap (90% within 1 mm). The proposed analysis pipeline, based on low-dose CT images, allows accurate spatial normalization and subsequent PET image quantification. A CT-based analytical pipeline could benefit both research and clinical practice, allowing the recruitment of larger samples and favoring clinical routine analysis.
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 | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».