Comparative evaluation of Ordered Subset Expectation Maximization and Bayesian Penalized Likelihood algorithms for PET/CT image reconstruction in various malignancies using 18F-FDG and 68Ga-PSMA-11 tracers
Notice bibliographique
Résumé
Purpose This study compares the Ordered Subset Expectation Maximization (OSEM) and Bayesian Penalized Likelihood (BPL) algorithms for Positron Emission Tomography/Computed Tomography (PET/CT) image reconstruction using 18F- fluorodeoxyglucose (FDG) and 68Ga-labeled Prostate-Specific Membrane Antigen(68Ga-PSMA-11) tracers. Methods A retrospective analysis was conducted on 33 patients with various malignancies, including 25 undergoing 18F-FDG PET/CT scans and 8 undergoing 68Ga-PSMA-11 PET/CT scans. Scans were reconstructed using both OSEM and BPL (Q.Clear) algorithms, evaluating key metrics such as Standardized Uptake Value (SUV)max, SUVpeak, background SUV, and tumor-to-background ratio (TBR). Results Thirty-three patients (mean age: 67.53 ± 11.78 years) with 100 lesions (80 FDG, 20 PSMA) were analyzed. In the FDG group, significant differences were observed in lesion SUVpeak, liver SUVpeak, SD of liver SUVmean, bladder SUVmean, SD of bladder SUVmean, and TBR, with BPL generally producing higher values except for liver SUVpeak, SD of liver SUVmean, and SD of bladder SUVmean. In the PSMA group, BPL enhanced most metrics except for the SD of liver SUVmean and the SD of bladder SUVmean. While strong linear correlations between BPL and OSEM metrics were observed (Pearson r>0.85 for most parameters), Bland-Altman analysis revealed wide limits of agreement, particularly for TBR in the PSMA group (-13.00 to 23.89), indicating substantial variability in absolute values between methods. Assessment of the relationship between lesion volume and SUVmax differences (BPL–OSEM) revealed a weak, non-significant negative correlation in the total cohort(r = – 0.14, p = 0.16) and in the FDG subgroup(r= – 0.14, p = 0.24). Conclusion Both reconstruction methods demonstrate clinical utility, with BPL producing statistically higher values for several quantitative metrics, such as SUVmax and TBR, without markedly improving lesion detectability. While strong correlations were observed between BPL and OSEM values, the wide limits of agreement, particularly for TBR in PSMA imaging, suggest these methods may not be directly interchangeable in longitudinal studies. Harmonization strategies may help reduce inter-method variability and improve scan comparability in longitudinal or multicenter settings. Prospective approaches, such as reconstruction-specific reference ranges or scaling factors, could further support harmonization efforts in clinical trials. For longitudinal monitoring, consistent use of the same reconstruction method is recommended to ensure reliable quantification.
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 | 0,007 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».