Caractérisation d’une méthode de segmentation adaptative en TEP avec l’algorithme de reconstruction itératif bayésien Q.Clear™ et comparaison avec OSEM - 08/03/19
pages | 2 |
Iconographies | 0 |
Vidéos | 0 |
Autres | 0 |
Résumé |
Introduction |
Les algorithmes de reconstruction itérative utilisés en TEP de type OSEM offrent de bonnes performances pour la quantification des lésions. Cependant, la convergence ne pouvant être menée à terme afin de limiter l’augmentation du bruit, ces algorithmes sont suboptimales pour la restitution du contraste des lésions. Pour pallier à ce biais, General Electrics a implémenté l’algorithme Q.Clear utilisant un terme de régularisation du bruit basé sur une approche bayésienne. Ce terme, caractérisé par une valeur β, permet de contrôler le bruit et assure ainsi la convergence totale de l’algorithme. L’objectif de ce travail a été de caractériser différentes méthodes de segmentation standards en comparant les reconstructions Q.Clear et OSEM sur fantôme puis sur patient dans le cas de cancers pulmonaires CPNPC.
Méthodes |
Les acquisitions ont été réalisées sur une TEP/TDM MIDR (GE). L’étude sur fantôme a été menée avec l’objet test NEMA IEC pour des rapports de concentration sphère :fond de 2 :1, 5:1, 10:1 et 20:1. Les algorithmes OSEM VPFX et Q.Clear (β : 300, 400 et 500) ont été comparés pour différentes méthodes de segmentation de volume (volume anatomique, SUV40 % et seuillage adaptatif) afin de mesurer l’impact de Q.Clear sur le volume segmenté ainsi que sur la quantification des sphères. Une méthode de seuillage adaptatif (Nestle, 2007) a ensuite été caractérisée en fonction de la taille de la lésion et du contraste avec Q.Clear. L’étude a ensuite été menée sur 12 patients CPNPC afin d’évaluer l’influence de Q.Clear sur la quantification des volumes tumoraux.
Résultats |
Les acquisitions sur fantôme montrent que Q.Clear semble moins adapté que VPFX pour les méthodes de segmentation standards à seuillage fixe type SUV40 %. Q.Clear influence sensiblement les valeurs de SUVmax et SUVpeak par rapport à VPFX, en revanche les variations selon la valeur de β pour Q.Clear sont moins prononcées. Ainsi, le paramètre β ne semble pas impacter sensiblement la détermination du volume segmenté. À partir des mesures réalisées sur fantôme, une méthode de seuillage adaptatif spécifique aux reconstructions Q.Clear a été caractérisée selon la méthode décrite par Nestle.
Conclusions |
Cette étude a permis de caractériser une méthode de seuillage adaptatif en fonction du paramètre β et du rapport de contraste lésion/fond pour l’algorithme Q.Clear pouvant être appliquée lors de la segmentation de lésions sur des patients présentant des lésions pulmonaires.
Le texte complet de cet article est disponible en PDF.Mots clés : Seuillage adaptatif, Quantification, Segmentation, Volume tumoral, Cancer Pulmonaire
Plan
Vol 43 - N° 2
P. 215-216 - mars 2019 Retour au numéroBienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.
Déjà abonné à cette revue ?