Sei sulla pagina 1di 3

Abstract : valutazione di algoritmo di ricostruzione PET basato su termine di penalità bayesiana mediante figure di

merito standardizzate. applicazione alla segmentazione di volumi bersaglio nel distretto orofaringeo

C.Avigo1, A.Grandioso1, C.De Toffol1, N. Zampieri1, F. Martinelli2, C. Furlan3, F.Pietrobon1


1
UOSD Fisica Sanitaria Azienda ULSS Dolomiti
2
UOC Medicina Nucleare Azienda ULSS Dolomiti
3
UOC Radioterapia Azienda ULSS Dolomiti

L’imaging PET svolge ormai un ruolo chiave anche in radioterapia, in particolare per la definizione del volume
bersaglio, nonostante la limitata risoluzione spaziale tipica di questa tecnica. In questi anni sono stati sviluppati
algoritmi di correzione del volume parziale che cercano di migliorare la delineazione e la quantificazione dei piccoli
bersagli. GE ha recentemente proposto un algoritmo (QClear) che si pone l’obiettivo di evitare il tipico comportamento
degli algoritmi OSEM che migliorano il contrasto amplificando però il rumore dell’immagine con la conseguente
necessità di interrompere il processo iterativo arbitrariamente. Si tratta di un metodo di ricostruzione dell’immagine che,
utilizzando un termine di penalità baysiana (), assegna una bassa probabilità alle immagini che contengono grandi
differenze tra pixel adiacenti. Di seguito vengono presentati i volumi delle sfere del fantoccio NEMA IQ ottenuti per
diversi valori della soglia di segmentazione in funzione di algoritmo OSEM nella configurazione utilizzata nella pratica
clinica e per diversi valori di .

Anche la definizione del metodo per la segmentazione del volume bersaglio costituisce un argomento di discussione. Il
gruppo di lavoro multicentrico coordinato da M. Brambilla1 ha evidenziato mediante tecniche di regressione multipla
come il rapporto di captazione del bersaglio rispetto al fondo (TBR : target-to-background ratio) e il valore di smooting
scelto in post-ricostruzione siano i più importanti predittori della soglia ottimale per la segmentazione. Partendo da
queste considerazioni, sono state create le figure di merito per l’algoritmo OSEM 3D in configurazione Sharp-IR e per
il QClear, variando in questa fase il rapporto TBR per 1:4 - 1:8 – 1:25, per diversi valori di  e di filtro transassiale2.
Dall’analisi multivariata si sono ottenute le seguenti equazioni:

1
M. Brambilla et al, An Adaptive Thresholding Method for BTV Estimation Incorporating PET Recostruction
Parameters: A Multicententer Study of the Robustness and Reliability, Computational and Mathematical Methods in
Medicine, 2015
2
R. Matheoud et al, Performance comparison of two resolution modeling PET reconstruction algorithms in terms of
physical figures of merit used in quantitative imaging, Physica medica, 2015
Algoritmo di Equazione R2 Predittori TS: potenza osservata
ricostruzione
OSEM – Sharp IR TS(%) = 93.780 -70.639 * (1-1/TBR) +1.747 *FWHMmm 0.84 1-1/TBR = 1 ; FWHMmm = .997

QClear TS(%) = 93.197 -70.098 * (1-1/TBR) +0.012* 0.71 1-1/TBR = 1 ;  = 0.992

In questi grafici è presentata l’analisi della qualità delle immagini del fantoccio NEMA in termini di FWHM (OSEM) e
 (QClear).

Per quattro pazienti con tumore orofaringeo sono stati determinati i valori di SUVmax e TBR utilizzando i due diversi
algoritmi di ricostruzione OSEM e QClear. Applicando i due modelli precedentemente indicati, sono state calcolate le
specifiche soglie adattative TS e i volumi bersaglio corrispondenti. Questi volumi sono stati poi confrontati con quanto
risulta applicando una soglia fissa pari al 42%.
Per quanto i risultati siano ancora parziali per il ridotto numero di casi clinici analizzati, è evidente che QClear fornisce
valori di SUVmax e di TBR mediamente maggiori rispetta a OSEM, come atteso, ma non significativamente diversi e
anche non significativamente diversi risultano i volumi bersaglio determinati applicando i due modelli alle immagini
elaborate con il rispettivo algoritmo di ricostruzione.
Ben diverso il confronto tra la differenza dei volumi bersaglio ottenuti dai modelli rispetto al volume che risulta
applicando una soglia fissa del 42%: in questo caso la differenza tra OSEM e QClear diventa significativa (p<0,02) con
QClear che identifica volumi di dimensioni nettamente maggiori (media differenza % volume QClear rispetto
volume42% del 60% rispetto a 11% tra volume OSEM e volume42%).
Se ne deduce la necessità di implementare TS adattative in funzione dell’algoritmo di ricostruzione adottato.