DE102019211049A1

DE102019211049A1 - Myokardialer blutfluss mit zuverlässigkeitsmerkmal

Info

Publication number: DE102019211049A1
Application number: DE102019211049.5A
Authority: DE
Inventors: Antoine Saillant; Michael Chappell; Vijay Shah
Original assignee: University of Oxford; Siemens Medical Solutions USA Inc
Current assignee: University of Oxford; Siemens Medical Solutions USA Inc
Priority date: 2018-07-27
Filing date: 2019-07-25
Publication date: 2020-01-30
Also published as: US20200029925A1; CA3050591A1

Abstract

Verfahren, umfassend: Scannen eines Patienten mit einem PET-Scanner; Berechnen eines Patienten-myokardialen Blutfluss(MBF)-Parameterwerts und eines Patienten-MBF-Variationswertes des Patienten basierend auf dem Scannen; Vergleichen des Patienten-MBF-Variationswertes mit einem MBF-Variationsschwellenwert; und Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist.

Description

TECHNISCHES GEBIET
Diese Offenbarung bezieht sich im Allgemeinen auf die medizinische Bildgebung, insbesondere auf Verfahren und Vorrichtungen zur Schätzung des myokardialen Blutflusses.
HINTERGRUND
Die Quantifizierung des myokardialen Blutflusses (MBF) ist wichtig für die dynamische, kardiale Positronen-Emissions-Tomographie (PET)-Bildgebung. Durch den Vergleich der MBF-Werte zwischen einem Ruhezustand und nach einer Reaktion auf eine physiologische oder pharmakologische Belastung können Ärzte auch die myokardiale Flussreserve (MFR) bewerten, die das Verhältnis von Belastung MBF und Ruhe MBF ist. Zusammen können MBF und MFR die Diagnose verbessern, zum Beispiel bei Patienten mit Herzerkrankungen.
Die Schätzung von MBF in dynamischer PET kann durch viele unterschiedliche Prozesse beeinflusst werden, wie z.B. die Wahl der Rekonstruktionsmethode, die Art des Tracers oder das statistische Rauschen des Scanners. MBF-Schätzungen können auch durch zeitliche Probenahmestrategien, Nachbearbeitungsmethoden, Überlaufen von der rechten Herzkammer (RV) in das interventrikuläre Septum und die Bewegung des Patienten beeinflusst werden. Die Bewegung des Patienten kann eine Haupt-Fehlerquelle sein, insbesondere in klinischen Anwendungen. Bei der Bewegung des Patienten kann es vorkommen, dass die untersuchte Region nicht das gleiche Gewebe über unterschiedliche Bild-Frames darstellt, so dass die finale Schätzung des MBF weniger zuverlässig ist.
Die Zuverlässigkeit von MBF wurde mit einer visuellen Bestätigung des Perfusionsbildes und einer Überprüfung des dynamischen Scans bewertet. Häufig wurde eine sorgfältige visuelle Inspektion des myokardialen Perfusionsbildes (MPI) durchgeführt, um die MBF-Parameter zu validieren. Diese Lösung ist jedoch subjektiv und hängt von der Erfahrung des überprüfenden Arztes ab.
ZUSAMMENFASSUNG
In einigen Ausführungsformen umfasst ein Verfahren: Scannen eines Patienten mit einem PET-Scanner; Berechnen eines Patienten-myokardialen Blutfluss (MBF)-Parameterwerts und eines Patienten-MBF-Variationswertes des Patienten basierend auf dem Scannen; Vergleichen des Patienten-MBF-Variationswertes mit einem MBF-Variationsschwellenwert; und Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist.
Gemäß einem ersten Aspekt der Erfindung ist ein Verfahren vorgesehen, wobei das Verfahren umfasst: Zugreifen auf eine Vielzahl von verifizierten Positronen-Emissions-Tomographie (PET)-Bilddatensätzen; Anpassen eines myokardialen Blutfluss (MBF)-Modells an jeden der Vielzahl von verifizierten PET-Bilddatensätzen, um mindestens einen MBF-Parameterwert und mindestens einen Variationswert für jeden einzelnen der Vielzahl von PET-Bilddatensätzen zu bestimmen; Bestimmen einer Verteilung der Variation von der Vielzahl von Datensätzen; Bestimmen eines MBF-Variationsschwellenwerts für den mindestens einen MBF-Parameter basierend auf der Verteilung; Scannen eines Patienten mit einem PET-Scanner; Berechnen eines Patienten-MBF-Parameterwerts und eines Patienten-MBF-Variationswertes des Patienten basierend auf dem Scannen; und Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist. Bevorzugt wird ein Verfahren, ferner umfassend ein Anwenden einer Bewegungskorrektur auf Bilddaten aus dem Scannen, um bewegungskorrigierte Bilddaten bereitzustellen, als Reaktion auf das Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist. Bevorzugt wird ein Verfahren, ferner umfassend ein Berechnen eines aktualisierten Patienten-MBF-Parameterwertes und eines aktualisierten Patienten-MBF-Variationswertes des Patienten basierend auf den bewegungskorrigierten Bilddaten; und ein Bestimmen, dass der aktualisierte Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der aktualisierte Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist.
Bevorzugt wird ferner ein Verfahren, wobei der mindestens eine MBF-Parameter eine Austauschrate eines Tracermaterials von Blut in einen Geweberaum darstellt, wobei der Variationswert einen Variationskoeffizienten der Austauschrate darstellt und der MBF-Variationsschwellenwert auf einer Verteilung des Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen basiert. Dabei kann der MBF-Variationsschwellenwert ein Mittelwert aus dem Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen und etwa einer doppelten Standardabweichung des Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen ist.
Gemäß einem zweiten Aspekt der Erfindung wird ein Verfahren vorgesehen, wobei das Verfahren umfasst: Scannen eines Patienten mit einem PET-Scanner; Berechnen eines Patienten-myokardialen Blutfluss(MBF)-Parameterwerts und eines Patienten-MBF-Variationswertes des Patienten basierend auf dem Scannen; Vergleichen des Patienten-MBF-Variationswertes mit einem MBF-Variationsschwellenwert; und Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist.
Weiterhin wird ein Verfahren gemäß dem zweiten Aspekt bevorzugt, wobei der MBF-Variationsschwellenwert bereitgestellt wird durch: Zugreifen auf eine Vielzahl von verifizierten Positronen-Emissions-Tomographie (PET)-Bilddatensätzen; Anpassen eines MBF-Modells an jeden der Vielzahl von verifizierten PET-Bilddatensätzen, um mindestens einen MBF-Parameterwert und mindestens einen Variationswert für jeden einzelnen der Vielzahl von PET-Bilddatensätzen zu bestimmen; Bestimmen einer Verteilung der Variation zwischen der Vielzahl von Datensätzen; und Bestimmen eines MBF-Variationsschwellenwerts für den mindestens einen MBF-Parameter basierend auf der Verteilung.
Bevorzugt wird ein Verfahren gemäß dem zweiten Aspekt, ferner umfassend ein Anwenden einer Bewegungskorrektur auf Bilddaten aus dem Scannen, um bewegungskorrigierte Bilddaten bereitzustellen, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist.
Bevorzugt wird ferner ein Verfahren gemäß dem zweiten Aspekt, wobei das Verfahren ferner umfasst: Berechnen eines aktualisierten Patienten-MBF-Parameterwertes und eines aktualisierten Patienten-MBF-Variationswertes des Patienten basierend auf den bewegungskorrigierten Bilddaten; und ein Bestimmen, dass der aktualisierte Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der aktualisierte Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist.
Weiterhin wird ein Verfahren nach dem zweiten Aspekt bevorzugt, wobei der mindestens eine MBF-Parameter eine Austauschrate eines Tracermaterials von Blut in einen Geweberaum darstellt, wobei der Variationswert einen Variationskoeffizienten der Austauschrate darstellt und der MBF-Variationsschwellenwert auf einer Verteilung des Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen basiert. Dabei kann der MBF-Variationsschwellenwert ein Mittelwert aus dem Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen und etwa einer doppelten Standardabweichung des Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen ist.
Bevorzugt wird ein Verfahren nach dem zweiten Aspekt, wobei das Berechnen des Patienten-MBF-Parameterwerts ein Anpassen eines Bayes'schen Modells an die Daten aus dem Scannen umfasst.
Die Verfahrensschritte nach dem zweiten Aspekt der Erfindung können Teil des Verfahrens nach dem ersten Aspekt der Erfindung sein und umgekehrt.
Gemäß einem dritten Aspekt der Erfindung ist ein System vorgesehen, wobei das System umfasst: einen Scanner, der dazu ausgelegt ist, eine Aktivität eines Tracers in einem Patienten zu detektieren; einen Prozessor, der kommunikativ mit dem Scanner gekoppelt ist; und ein nicht-flüchtiges, maschinenlesbares Speichermedium, das Anweisungen und Daten speichert. Die Daten umfassen einen myokardialen Blutfluss (MBF)-Variationsschwellenwert. Die Anweisungen konfigurieren den Prozessor, ein Verfahren durchzuführen, das umfasst: Empfangen von Daten vom Scannen eines Patienten unter Verwendung des Scanners; Berechnen eines Patienten-MBF-Parameterwertes und eines Patienten-MBF-Variationswertes des Patienten basierend auf dem Scannen; Vergleichen des Patienten-MBF-Variationswertes mit dem MBF-Variationsschwellenwert; und Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist. Bevorzugt wird ein System gemäß dem dritten Aspekt, wobei die Anweisungen weiterhin Anweisungen umfassen, um den Prozessor zu veranlassen, den MBF-Variationsschwellenwert zu erzeugen durch: Zugreifen auf eine Vielzahl von verifizierten Positronen-Emissions-Tomographie (PET)-Bilddatensätzen; Anpassen eines myokardialen Blutfluss (MBF)-Modells an jeden der Vielzahl von verifizierten PET-Bilddatensätzen, um mindestens einen MBF-Parameterwert und mindestens einen Variationswert für jeden einzelnen der Vielzahl von PET-Bilddatensätzen zu bestimmen; Bestimmen einer Verteilung der Variation unter der Vielzahl von Datensätzen; und Bestimmen eines MBF-Variationsschwellenwerts für den mindestens einen MBF-Parameter basierend auf der Verteilung. Dabei kann der mindestens eine MBF-Parameter eine Austauschrate eines Tracermaterials von Blut in einen Geweberaum darstellen, wobei der Variationswert einen Variationskoeffizienten der Austauschrate darstellen kann und der MBF-Variationsschwellenwert auf einer Verteilung des Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen basieren kann.
Bevorzugt wird ein System gemäß dem dritten Aspekt, wobei die Anweisungen ferner Anweisungen umfassen zum Anwenden einer Bewegungskorrektur auf Bilddaten aus dem Scannen, um bewegungskorrigierte Bilddaten bereitzustellen, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist.
Weiterhin wird ein System gemäß dem dritten Aspekt bevorzugt, wobei die Anweisungen ferner Anweisungen umfassen zum: Berechnen eines aktualisierten Patienten-MBF-Parameterwertes und eines aktualisierten Patienten-MBF-Variationswertes des Patienten basierend auf den bewegungskorrigierten Bilddaten; und Bestimmen, dass der aktualisierte Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der aktualisierte Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist. Bevorzugt wird ein System gemäß dem dritten Aspekt, wobei das Berechnen des Patienten-MBF-Parameterwertes ein Anpassen eines Bayes'schen Modells an Daten aus dem Scannen umfasst.
Das System ist so ausgelegt, dass es ein Verfahren nach dem ersten Aspekt und ein Verfahren nach dem zweiten Aspekt der Erfindung durchführt.
Figurenliste

1 ist ein schematisches Diagramm eines exemplarischen Positronen-Emissions-Tomographie (PET)-Systems.
2 ist ein Blockdiagramm, das die Anweisungskomponenten des Systems in 1 darstellt.
3 ist ein Blockdiagramm eines Einraum-Modells eines kinetischen Modells.
4 ist eine Grafik, die die Tracer-Konzentrationsdaten und ein an die Daten angepasstes Modell zeigt.
5 zeigt eine Verteilung des K₁ myokardialen Blutfluss (MBF)-Parameters.
Die 6A-6C zeigen jeweils Variationskoeffizienten (CV)-Daten für den K₁ Parameter für die linke vordere absteigende Arterie (LAD), den linken Circumflexus (LCX) und die rechte Koronararterie (RCA).
Die 7A-7C sind jeweils PET-Bilder des Herzens, einschließlich der Ansicht der kurzen Achse, der horizontalen Längsachse und der vertikalen Längsachse.
8A ist eine Polarkarte von MBF in der LCX, RCA und LAD.
8B ist eine Polarkarte des CV der MBF-Daten in 8A.
8C ist eine vereinfachte Polarkarte des CV der MBF-Daten in 8A, um „Einschluss, Ausschluss“ Informationen bereitzustellen.
9 ist ein Flussdiagramm eines Verfahrens zur MBF-Zuverlässigkeitsbestimmung.

DETAILLIERTE BESCHREIBUNG
Diese Beschreibung der exemplarischen Ausführungsformen ist im Zusammenhang mit den beiliegenden Figuren auszulegen, die als Teil der gesamten schriftlichen Beschreibung zu betrachten sind.
Die Quantifizierung und Standardisierung der Schätzung des myokardialen Blutflusses (MBF) mit der dynamischen Positronen-Emissions-Tomographie (PET) ist ein wichtiges Forschungsgebiet für die dynamische kardiale PET-Bildgebung. Eine Vielzahl von Faktoren (z.B. Bildrekonstruktionsprotokolle oder Nachbearbeitungsmethoden) können die Schätzungen beeinflussen. Für den kinetischen Modellierungsaspekt selbst kann der Teilvolumeneffekt (PVE) zwischen der linken Herzkammer und dem myokardialen Gewebe schwierig zu überwinden sein. In Fällen mit geringer myokardialer Perfusion wird das gemittelte Signal aus dem Gewebe durch das Kammerblut-Signal dominiert, was zu fehlerhaften MBF-Schätzungen führen kann.
Diese Offenbarung beschreibt Systeme und Verfahren, die MBF-Parameter (z.B. K₁; k₂; V_b) zusammen mit einem quantitativen Wert schätzen, der die Unsicherheit in der Schätzung während der dynamischen kardialen PET-Bildgebung darstellt. Wie hierin verwendet, stellt K₁ die Austauschrate eines Materials (z.B. eines Tracers) von dem Blut in den Geweberaum dar, k₂ stellt den Transfer eines Materials aus dem Geweberaum in das Blut dar und V_b stellt einen Prozentsatz des arteriellen Blutgefäßes innerhalb des Gewebes dar, definiert zwischen 0 und 1.
In einigen Ausführungsformen bestimmen das System und das Verfahren ein Unsicherheitsmaß für eine MBF-Parameterschätzung aus neuen Scan-Daten in Echtzeit oder nahezu in Echtzeit. Liegt die Unsicherheit über einem vorgegebenen Schwellenwert, wird eine Bewegungskorrektur auf die PET-Bilddaten angewendet und das Bild wird über die Bildverarbeitungskette erneut verarbeitet. Der oder die MBF-Parameter und die Unsicherheit werden erneut in Echtzeit basierend auf dem bewegungskorrigierten Bild berechnet. Wenn der Unsicherheitswert immer noch den Schwellenwert überschreitet, alarmiert das System den Arzt, den Scan zu wiederholen, da die ursprüngliche MBF-Parameterschätzung als unzuverlässig angesehen wird.
1 zeigt ein Scannersystem 100, das eine Steuervorrichtung 110 zum Steuern eines Scanners 105 umfasst. Der Scanner 105 kann ein Magnetresonanz-(MR)-Scanner sein, wie beispielsweise ein „MAGNETOM VIDA“ ™ -Scanner, ein Computertomographie (CT) - Scanner, wie beispielsweise ein „SOMATOM CONFIDENCE RT Pro“™ CT-Scanner, ein PET-Scanner, wie beispielsweise der „BIOGRAPH HORIZON“™ PET/CT-Scanner, ein „SYMBIA INTEVO“ ™ Einzelphotonen-Emissions-Computertomographie (SPECT)/CT-System oder ein Ultraschallscanner wie beispielsweise das kardiovaskuläre Ultraschallsystem „ACUSON SC2000PRIME“™, die alle von Siemens Medical Solutions USA, Inc. of Malvern, PA verkauft werden. Der Scanner kann ein automatisiertes Kontrastmittel-Injektionssystem 120 zur automatischen Steuerung des Injektionsprofils umfassen, wie es „CARE CONTRAST“™ im „SOMATOM™ -Scanner von Siemens Medical Solutions USA, Inc. of Malvern, PA, bereitstellt, wobei der Kontrastmittelinjektor mit dem CT-Scanner verbunden werden kann, um eine synchronisierte Injektion und Scannen zu ermöglichen. Dies sind nur Beispiele, und es können auch andere Scannerhersteller und -modelle verwendet werden.
In einigen Ausführungsformen kann der Scanner 105 ein kontinuierlicher Bettenbewegungsscanner sein, der dazu ausgelegt ist, ein Bett 106 des Scanners von einem Anfang des einen oder der mehreren Scans zu einem Ende des einen oder der mehreren Scans zu bewegen. Der Scanner 105 weist ein bewegliches Bett zur Aufnahme eines Patienten und eine Vielzahl von Detektoren (nicht dargestellt) zum Detektieren eines Radiopharmazeutikums in einem Blutgefäß des Patienten auf. Entweder das Bett 106 oder die Vielzahl von Detektoren (nicht dargestellt) sind beweglich. In anderen Ausführungsformen ist der Scanner für Step-and-shoot-Scannen ausgelegt, wobei die Probenahme an jeder der beiden oder mehreren Orte durchgeführt wird, während sich das Bett nicht bewegt.
Wie hierin erläutert, kann sich ein „Scan“ oder „Durchlauf“ auf eine einzelne Verschiebung durch das Scannerbett 106 in Bezug auf den Scanner 105 oder eine einzelne Verschiebung durch den Scanner 105 in Bezug auf das Scannerbett 106 beziehen. Ein Scan oder Durchlauf kann in eine Richtung von Kopf bis Fuß (entsprechend dem Bett, das sich in eine Richtung von den Füßen des Patienten zum Kopf des Patienten bewegt) oder in eine Richtung von Fuß bis Kopf (entsprechend dem Bett, das sich in eine Richtung vom Kopf des Patienten zu den Füßen des Patienten bewegt) erfolgen. Ein Scan oder Durchlauf kann sich auf einen vollständigen Durchlauf (bei dem der Körper des Patienten von Kopf bis Fuß den Scanner 105 passiert) oder einen teilweisen Durchlauf (bei dem nur ein Teil (weniger als 100%) des Körpers des Patienten (z.B. das Herz des Patienten) den Scanner 105 passiert) beziehen. Wie hierin verwendet, können die Begriffe „Scan“ und „Durchlauf“ eine beliebige Kombination dieser drei Attribute aufweisen.
Die Steuervorrichtung 110 weist einen Prozessor 111 auf, der konfiguriert ist, um den Scanner 105 zu veranlassen, einen oder mehrere Scans des Patienten durchzuführen und Emissionen zu detektieren, die das Vorhandensein eines Radiopharmazeutikums in einem Blutgefäß des Patienten anzeigen. Jeder der einen oder der mehreren Scans umfasst das Schätzen des MBF basierend auf der Konzentration des Radiopharmazeutikums oder des Kontrastmittels, um den MBF basierend auf der Schätzung zu modellieren.
Der Prozessor 111 ist konfiguriert (z.B. per Software), um den Scanner 105 basierend auf dem geschätzten MBF, dem Injektionsprofil und der Verzögerung zwischen der Injektion des Radiopharmazeutikums oder des Kontrastmittels und der Durchführung des Scans zu steuern. Der Prozessor 111 kann Befehle an das automatisierte Injektionssystem 120 erteilen, um eine ausgewählte Dosis des Radiopharmazeutikums oder des Kontrastmittels gemäß dem geschätzten AIF zu injizieren. Der Prozessor 111 kann Benutzereingabe-/Ausgabevorrichtungen, wie beispielsweise eine Anzeige 122, aufweisen, die ein Touchscreen sein kann, der Benutzereingaben empfangen und Ausgaben anzeigen kann. Andere Eingabevorrichtungen (z.B. Tastatur oder Zeigevorrichtung, nicht dargestellt) können umfasst sein.
Der Prozessor 111 kann einen eingebetteten Prozessor, einen Computer, einen Mikrocontroller, eine anwendungsspezifische integrierte Schaltung (ASIC), eine programmierbare Gate-Anordnung oder dergleichen umfassen. Die Steuervorrichtung 110 umfasst einen Hauptspeicher 112, der ein nichtflüchtiges, maschinenlesbares Speichermedium wie einen dynamischen Arbeitsspeicher (DRAM) umfassen kann. Der sekundäre Speicher umfasst ein nichtflüchtiges, maschinenlesbares Speichermedium 114, wie beispielsweise ein Festkörperlaufwerk, ein Festplattenlaufwerk (HDD) und/oder ein Wechselspeicherlaufwerk, das einen Festkörperspeicher, ein optisches Laufwerk, ein Flash-Laufwerk, ein Magnetbandlaufwerk oder dergleichen umfassen kann. Das nichtflüchtige, maschinenlesbare Speichermedium 114 kann eine spürbare Speicherung der Anweisungen 116 der Computersoftware umfassen, um den Scanner 105 zu veranlassen, unterschiedliche Operationen (hierin beschrieben) und Daten 118 durchzuführen.
Das Injektionssystem 120 kann kalibrierte Injektionen an Patienten durchführen, ausgehend von einer Mehrfachdosis-Lösung aus Fluordesoxyglucose (FDG), Jod oder anderen Radiopharmazeutika oder einem Kontrastmittel. In einigen Ausführungsformen ist der Scanner 100 nicht mit einem automatisierten Injektionssystem 120 ausgestattet, wobei in diesem Fall ein separates Injektionssystem (nicht dargestellt) verwendet werden kann. Beispielsweise können einige Systeme ein externes Injektionssystem umfassen (nicht dargestellt), wie z.B. den radiopharmazeutischen „IRIS™“ Multidosis-Injektor, der von Comecer S.p.A., Castel Bolognese, Italien, verkauft wird. In einigen Ausführungsformen weist das Injektionssystem 120 eine drahtgebundene oder drahtlose Kommunikationsverbindung mit dem Prozessor 111 auf, um Dosierung, Injektionsprotokoll und Scan-Verzögerung automatisch an das Injektionssystem 120 zu übertragen.
2 ist ein Blockdiagramm eines Abschnitts des Anweisungsblocks 116 von 1.
Einige Ausführungsformen verwenden ein Bayes'sches Framework, das die kinetischen Parameter als Wahrscheinlichkeitsverteilung darstellt, um den myokardialen Blutfluss (MBF) zu modellieren. Zusätzlich zur Schätzung der kinetischen MBF-Parameter bietet das Bayes-Theorem auch ein Framework zum Schätzen von Unsicherheiten der Parameter in einem Modell. Das Bayes'sche Framework bietet Unsicherheitsmessungen für einen oder mehrere der kinetischen Parameter. Wenn die extrahierte Unsicherheit hoch ist, wird angenommen, dass der untersuchte Parameter eine hohe Variabilität - oder eine geringe Zuverlässigkeit - aufweist. Die Blöcke 202-208 werden durchgeführt, während die Systemdatenbank gefüllt wird (Erläuterung unten), und Block 210 wird im klinischen Umfeld durchgeführt.
Ein Bayes'scher Modellblock 202 verwendet die Daten der Zeit-Aktivität-Kurve (TAC) aus einem Patienten-Scan-Datensatz, um einen Satz von MBF-Parameterwerten zu erhalten. So kann beispielsweise das Bayes'sche Modell K₁, k₂, und V_b für jeden Patienten basierend auf dem jeweiligen Patienten-Scan-Datensatz schätzen.
In einem Bayes'schen Framework wird jeder Parameter als eine Wahrscheinlichkeitsverteilung anstelle eines Einzelwertes dargestellt, aus dem eine Unsicherheitsmetrik gezogen werden kann. Block 202 kann unterschiedliche Verfahren zur Lösung des Bayes-Inferenzproblems verwenden, wie z.B. die Monte Carlo Markov Chain (MCMC), eine Familie von Abtastalgorithmen. Eine weitere Möglichkeit, Bayes'sche Inferenz durchzuführen, ist die Verwendung von Bayes-Variation (VB), einem vollständig Bayes'schen Ansatz, der Variationstheorie verwendet, um die Lösung an die posteriore Verteilung anzunähern, die das Ergebnis einer Bayes'schen Analyse ist. VB weist einen niedrigeren Rechenaufwand als MCMC auf.
Ein Block 204 normiert die MBF-Parameterwerte aus Block 202. In einigen Ausführungsformen wird zur Bewertung der Zuverlässigkeit der MBF-Schätzung die Zuverlässigkeit eines einzelnen MBF-Parameters bewertet, um zu bestimmen, ob eine Bewegungskorrektur angewendet und/oder der Scan wiederholt werden soll. In einigen Ausführungsformen wird beispielsweise der MBF-Parameter K₁ bei der Zuverlässigkeitsbewertung als Ersatz für MBF verwendet. In einigen Ausführungsformen stellt die jeweilige Standardabweichung σ für den Wert von K₁ aus dem Bayes'schen Modell für jeden jeweiligen Patienten eine Zuverlässigkeit dar. In einigen Ausführungsformen kann die Standardabweichung durch Berechnen eines Variationskoeffizienten (CV= σ/ K₁) für jeden Patienten als dimensionsloser Wert normiert werden, der die Zuverlässigkeit einer K₁-Schätzung relativ zu K₁ für jeden Patienten anzeigt.
Block 206 konstruiert eine Datenbank mit a priori (simulierten oder klinischen) MBF-Konfidenzdaten, die zum Bestimmen einer Wahrscheinlichkeitsverteilungsfunktion für den Variationskoeffizienten (CV=σ/µ) von K₁ verwendet werden. Der jeweilige CV-Wert für jeden Patienten stellt einen entsprechenden Datenpunkt in der Datenbank zur Verfügung. In einigen Ausführungsformen sind Patienten-Scan-CV-Datenpunkte nur dann in der Datenbank umfasst, wenn die aus dem Patienten-Scan rekonstruierten Bilder von einem Experten oder Arzt als akzeptabel verifiziert (validiert) wurden. Unter der Annahme einer Gaußschen Verteilung der CV-Werte für validierte Bilder liegen 95% der CV-Werte innerhalb von 1,96 Standardabweichungen des mittleren CV-Wertes.
Bei Block 208 wird ein Schwellenwert CV-Wert ausgewählt (z.B. der mittlere CV± 1.96σ oder 2σ). Ein Patienten-Scan-Datensatz mit einem CV-Wert bei oder unter dem Schwellenwert kann als akzeptabel angesehen werden, und ein Patienten-Scan-Datensatz mit einem CV-Wert über dem Schwellenwert kann als unzuverlässig angesehen werden.
Block 210 wendet den CV-Schwellenwert an, um die Zuverlässigkeit neuer Scans in einer klinischen Umgebung zu bewerten. Wenn ein neuer Scan abgeschlossen ist, wird die Bayes'sche Modellanpassung durchgeführt, die einen geschätzten Mittelwert (µ_K1) von K₁ und die Standardabweichung σ _K1 (oder die Varianz σ_K1 ²) von K₁ für den neuen Scan bereitstellt. Das Verfahren bestimmt dann, ob der CV (=_σK1/µ_K1) des geschätzten K₁ für den neuen Scan den von Block 208 berechneten Schwellenwert CV (z.B. µ±2σ) überschreitet. Überschreitet der CV des geschätzten K₁ den Schwellenwert CV, wird eine Bewegungskorrektur auf die Bilddaten angewendet, das PET-Bild wird erneut verarbeitet, das Bayes'sche Modell wird erneut angepasst und K₁ wird erneut berechnet. Liegt der CV von K₁ noch außerhalb des zulässigen Bereichs, wird der Scan wiederholt.
In einigen Ausführungsformen können klinische Datensätze auf bewegungskorrigiert werden, und die MBF-Unsicherheiten können vor und nach der Bewegungskorrektur verglichen werden, um zu bestimmen, ob der Scan wiederholt werden soll. Basierend auf Trainingsdaten, die Unsicherheitsschätzungen aus Normalfällen und anormale Scans (bei denen MBF-Werte irreführend sein könnten) umfassen, können das System und das Verfahren verwendet werden, um unzuverlässige Scans automatisch zu kennzeichnen und den Arzt anzuweisen, den Scan zu wiederholen, für den ein unzuverlässiger Datensatz erhalten wurde.
MBF-Schätzung und PET-Raummodelle
Die Berechnung von MBF umfasst die kinetische Modellierung von Zeit-Aktivität-Kurven (TACs) des myokardialen Gewebes. TACs stellen die Entwicklung des Tracers als Funktion der Zeit dar und können durch ein kinetisches Modell beschrieben werden, aus dem anschließend Parameter zur Berechnung des MBF verwendet werden.
Um MBF zu berechnen, werden die TACs aus zwei Regionen von Interesse (ROIs) abgeleitet: der linken ventrikulären (LV) Kammer, um das arterielle Blut und das myokardiale Gewebe zu erhalten.
Bei der kinetischen PET-Modellierung beschreiben Raummodelle die Aufnahme des Tracers im Gewebe. Jeder Raum des Modells stellt einen möglichen Zustand des Tracers dar, insbesondere seinen physikalischen Ort oder seine chemische Form, wie in 3 dargestellt.
3 ist ein Blockdiagramm eines exemplarischen Einzelraum-Modells für das Bayes'sche Modell 202. In 3 wird Blut durch IF(t) angezeigt, und der Geweberaum wird als C1 dargestellt. In einigen Ausführungsformen hängt das Modell vom verwendeten Tracer und der Art des untersuchten Gewebes ab. In einigen Ausführungsformen ist das Modell für den Tracer Rubidium-82 (Rb-82), der für die MBF-Quantifizierung verwendet wird, ein Einraum-Gewebemodell. Die Reaktionsfunktion R(t), die den Tracer-Austausch zwischen dem Gewebe und dem Blut modelliert, ist in Gleichung (1) beschrieben: $R (t) = K_{1} e x p (- k_{2} t) * I F (t)$
wobei: IF(t) ist der zeitliche Verlauf der Konzentration des Tracers im arteriellen Blut, K₁ und k₂ sind die beiden Austauschraten zwischen dem Blut und dem Gewebe, und * ist der Faltungsoperator. In einem Einraum-Modell ist K₁ die Konstante für den in das Gewebe eintretenden Tracer aus dem Blut und k₂ die Konstante für den aus dem Gewebe austretenden Tracer, um in das Blut einzutreten.
Zusätzlich wird in Gleichung (2) eine partielle Volumeneffektkorrektur aus dem arteriellen Blut angewendet. Das Ersetzen der Gleichung (1) durch die Gleichung (2) ergibt die Gleichung (3):
$C_{t i s s} (t) = (1 - V_{b}) . R (t) + V_{b} . I F (t)$
$C_{t i s s} (t) = (1 - V_{b}) . [K_{1} e x p (- k_{2} t) * I F (t)] + V_{b} I F (t)$
wobei: V_b ist der Prozentsatz der arteriellen Blutgefäße im Gewebe, definiert zwischen 0 und 1.
Um den MBF für Rb-82 Bilder zu erhalten, wird die Renkin-Crone Gleichung angewendet, da die Beziehung zwischen K₁ und MBF nicht linear ist:
$K_{1} = M B F [1 - A e x p (- B / M B F)]$
wobei: A und B sind zwischen 0 und 1 definiert und haben je nach den Eigenschaften des Tracers unterschiedliche Werte. Die Form der Gleichung (4) zeigt, dass K₁ eine zunehmende Funktion von MBF ist. Daher spiegelt sich eine Verringerung der Unsicherheit in K₁ in einer Verringerung der Unsicherheit in MBF wider. So kann bei der Bestimmung der Akzeptanz eines PET-Scan-Datensatzes (mit oder ohne Bewegungskorrektur) der kinetische Parameter K₁ als Ersatz für MBF verwendet werden. Da die Berechnung von K₁ schneller ist als die Berechnung von MBF ist, kann K₁ in Echtzeit berechnet werden, um zu bestimmen, ob eine Bewegungskorrektur angewendet und/oder ein Scan wiederholt werden soll.
Messung der Unsicherheit mit Bayes-Variation
Ein PET kinetisches Modell M wird mit einem Satz von N Parametern parametrisiert p = {p₁ , ..., p_N}. Das gemessene Signal über die M-Zeitpunkte wird mit y = {y₁ ,... ,y_M} bezeichnet. In einem nicht einschränkenden Beispiel mit N = 3 sind die Parameter (K₁ ; k₂ ; V_b), und y ist eine Zeit-Aktivität-Kurve (TAC), die vom myokardialen Gewebe abgeleitet ist. Unter der Annahme, dass das Rauschen auf dem Signal ein additives Gauß'sches Rauschen mit Genauigkeit ϕ ist, kann man Θ = {p,ϕ} als den gesamten Parametersatz für das generative Modell der Daten definieren. Das PET-Kinetische Modell f(t,p) = C_tiss(t), (siehe Gleichung (3)), schätzt y = {f(t_j)}_j∈1,M) mit den wahrscheinlichsten Parametern p.
Unter Verwendung des Bayes-Theorems kann die posteriore Wahrscheinlichkeitsverteilung für die Modellparameter anhand der Daten y geschätzt werden:
$P (θ | y) = \frac{p (y | θ) p (θ)}{P (y)}$
wobei:

Die Vorherige P(θ) ist die Verteilung auf die Parameter, die die Vorkenntnisse über ihren Wert erfassen, bevor irgendwelche neue Daten berücksichtigt wurden. Die Wahrscheinlichkeit P (y|θ) ist die Wahrscheinlichkeit, y bei einem Parametersatz von Θ zu beobachten, und wird direkt aus dem Modell und der Beobachtung der Daten berechnet, die TAC y im Falle der PET-Kinetik. Der Beweis P(y) ist die Verteilung der beobachteten Daten, marginalisiert über die Parameter Θ, P(y) =∫ P(y|θ)P(θ)dΘ).

In einigen Ausführungsformen können MCMC-Algorithmen verwendet werden, um die Gleichungen zu lösen, die sich aus dem Bayes-Theorem ergeben, indem die posteriore Verteilung durch den Aufbau einer Markov-Kette abgetastet wird, die nach einer bestimmten Anzahl von Iterationen zu der posterioren Verteilung konvergiert.
In einigen Ausführungsformen kann Bayes-Variation (VB) verwendet werden, um die posteriore Verteilung zu approximieren. VB hat eine schnelle Konvergenz und vergleichsweise aufwendungsarme Berechnungen. Um Bayes-Gleichungen zu lösen, nähert sich VB dem wahren Vorherigen P(Θ|y) mit einer einfacheren Form Q(Θ) an. Das Lösen der Gleichungen aus dem Bayes-Theorem zur Bereitstellung der posterioren Verteilung wird dann auf die Maximierung der freien Energie F reduziert, wie in Gleichung (6) definiert:
$F = \int Q (θ) l o g (\frac{p (y | θ) p (θ)}{Q (θ)}) d θ$
Die Verteilung Q(Θ) kann mittels der Mittelfeldannäherung gewählt werden, wobei für die kinetische Modellierungsanwendung die Parameter des kinetischen Modells p und des Rauschmodells ϕ als unabhängig gelten: $Q (θ) = Q_{p} (p | y) Q_{ϕ} (ϕ | y)$
In einigen Ausführungsformen können die für die Anwendung des VB-Algorithmus in der PET-kinetischen Modellierung gewählten Vorherigen ein multivariater Normaler (MVN) für die kinetischen Modellparameter und eine Gamma-Verteilung Ga für die Rauschgenauigkeit ϕ sein, wie in den Gleichungen (7) bzw. (8) beschrieben.
$P (p) = M V N (p, m, \sum^{- 1})$
$P (ϕ) = G a (ϕ, s, c)$
Jeder kinetische Parameter wird somit durch eine Randverteilung auf p_i dargestellt, i ∈ {1, ..., N} , die einer Normalverteilung N(µ_i; σ_i ²) des jeweiligen Mittelwerts und der Standardabweichung (µ_i; σ_i) folgt. Der Mittelwert µ_i kann als beste Schätzung für den Parameter p_i angenommen werden, während die Standardabweichung σ_i mit der Unsicherheit in der Messung assoziiert ist.
Ebenso kann man Intervalle für die Parameter zeichnen; wenn beispielsweise ein Parameter p_i eine Gaußsche Verteilung aufweist, wird das 95% Konfidenzintervall CI₉₅ von p_i durch Gleichung (9) definiert:
$C I_{95} (p_{i}) = [μ_{i} - 1.96 σ_{i}; μ_{i} + 1.96 σ_{i}]$
Je breiter dieses Intervall ist, desto unsicherer ist der Schätzwert von p_i. Eine weitere Möglichkeit, die Unsicherheit zu betrachten, besteht darin, den Variationskoeffizienten CV(p_i) nach Gleichung (10) zu berechnen:
$CV (p_{i}) = σ_{i} / μ_{i};$
Der Variationskoeffizient stellt eine einheitliche Metrik dar, die den Vergleich zwischen unterschiedlichen Datensätzen ermöglicht. Ebenso gilt: Je höher der CV ist, desto größer ist die Unsicherheit auf dem Parameter.
4 ist ein Diagramm, das ein Beispiel für die Konzentration C_tiss(t) des Tracers in den ersten sechs Minuten nach der Injektion für einen Patienten zeigt. 4 zeigt die einzelnen Konzentrationsdatenpunkte aus dem Scan (gekennzeichnet durch „X“) und die entsprechende Bayes'sche Modellkurve 400. Das Modell liefert auch ein Unsicherheitsmaß σ.
5 zeigt ein Beispiel für die Wahrscheinlichkeitsverteilung des Variationskoeffizienten von K₁ für einen einzelnen Patienten. Der Variationskoeffizient von K₁ kann durch eine Gaußsche Verteilungsfunktion mit einem Mittelwert µ_K1 und einer Standardabweichung σ_K1 geschätzt werden (wobei σ aus der Normalverteilung von K₁ stammt). Die Variation von 5 kann durch Bestimmen des CV(K₁ )=(σ_K1/ µ_K1) normiert werden. Jeder Patienten-Scan-Datensatz in der Datenbank hat einen entsprechenden CV-Wert.
Die 6A-6C zeigen die Ergebnisse eines Beispiels für die Verwendung von MBF-Zuverlässigkeitsdaten. Eine Kohorte von 18 Rubidium-Belastung-Scans wurde untersucht, die zu gleichen Teilen auf Patienten mit visuell normaler und niedriger myokardialer Perfusion aufgeteilt wurden. Die MBF-Werte der normalen Patientenkohorte wurden von einem unabhängigen Experten überprüft und als plausible Darstellung des Blutflusses angesehen. Innerhalb der 9 abnormalen Datensätze wurden 15 Gebiete mit reduzierter Perfusion berücksichtigt (5 für die linke vordere absteigende Arterie (LAD), 4 für den linken Circumflexus (LCX), 6 für die rechte Koronararterie (RCA)). Die Bluteintrittsfunktion (BIF) und die Zeit-Aktivität-Kurven (TACs) wurden mit der Software „SYNGO.VIA“ von Siemens Medical Solutions USA, Inc., Malvern, PA extrahiert.
Die TACs wurden mit einem Einraum-Modell mit Überlauffaktor (SF) unter Verwendung eines Bayes-Variation (VB)-Algorithmus für die nichtlineare Modellanpassung anpasst. Jeder Parameter (K₁ , k₂ und SF) wurde durch eine Normalverteilung N(µ,σ²) dargestellt, wobei µ als bester geschätzter Parameterwert und σ als Maß für die Zuverlässigkeit der Schätzung genommen wurde. Zur Zweck der Beurteilung der Zuverlässigkeit wurde K₁ als Ersatz für MBF verwendet. Der Variationskoeffizient CV(K₁ ) =σ/µ wurde für jeden Patienten berechnet (6A-6C) und wird als einheitliches Maß für die Zuverlässigkeit der Flussschätzung verwendet. Der Mittelwert und die Standardabweichung des CV für die gesunde Patientenkohorte wurden berechnet, und der von µ+2σ definierte Schwellenwert wurde als Obergrenze angesehen, ab der die K₁ -Schätzung als unzuverlässig angesehen werden konnte.
Die 6A-6C zeigen die Werte von CV(K₁ ) für die 9 kranken Patienten. Von den 15 Gebieten, die durch einen kreisförmigen Umriss (O) als geringe Perfusion gekennzeichnet sind, wurden 11 K₁ -Werte nach dem Verfahren als unzuverlässig eingestuft. Diese 11 K₁ -Werte sind in den 6A-6C durch einen festen Punkt innerhalb eines kreisförmigen Umrisses gekennzeichnet. Darüber hinaus wurde keiner der Werte, die auf eine akzeptable Perfusion hinweisen, als unzuverlässig eingestuft. Das heißt, wie in den 6A-6C dargestellt, wurden alle Werte mit CV(K₁ )-Werten oberhalb des Schwellenwerts (gestrichelte Linie) vom unabhängigen Experten ebenfalls als unzuverlässig eingestuft. Die Durchschnittswerte des CV lagen bei 9,9% für LAD, 6,5% für LCX und 8,0% für RCA. Der abgeleitete Schwellenwert betrug 13,3% für LAD, 9,8% für LCX und 11,8% für RCA. So werden Scan-Ergebnisse, bei denen der CV von K₁ außerhalb des Schwellenwerts von µ±2σ liegt, stark als unzuverlässig eingestuft. So können mit dem Verfahren die Scans, für die mindestens ein Gebiet, in dem die K₁ -Werte als unzuverlässig bestimmt wurden, in Echtzeit oder nahezu in Echtzeit markiert werden, um die Scans zu wiederholen.
Die 7A-7C zeigen Standard-PET-Bildansichten des Herzens eines Patienten, einschließlich einer kurzen Achsenansicht (in 7A), einer horizontalen langen Achsenansicht (in 7B) und einer vertikalen langen Achsenansicht in 7C. Die 7A-7C sind im Graustufenformat dargestellt, so dass die Bereiche mit dem größten Blutfluss am hellsten und die mit dem geringsten Blutfluss am dunkelsten sind.
Einige Ausführungsformen bieten eine Qualitätskontrollkarte für MBF-Werte in einem leicht verständlichen Format. Ein Modellanpassungsalgorithmus kann die MBF-Parameterwerte schätzen und anzeigen. 8A zeigt beispielsweise den Parameter K₁ unter Verwendung eines Polarkartenformats 800 an, wie in Garcia, E. V., et al., „Quantification of Rotational Thallium-201 Myocardial Tomography", Journal of Nuclear Medicine, 26(1): 17-26 (1985) beschrieben. Die Polarkarte kann die Perfusion in der dreidimensionalen (3D) Herzoberfläche in einem zweidimensionalen (2D) Format anzeigen. In der Polarkarte entspricht der östliche Teil der Karte dem linken Circumflexus (LCX), der nordwestliche Teil der linken vorderen absteigenden Arterie (LAD) und der südwestliche Teil entspricht der rechten Koronararterie (RCA).
In einigen Ausführungsformen dieser Offenbarung erzeugt das System neben einem MBF-Parameterwert auch eine Konfidenzmessung in einer Polarkarte 810 (wie in 8B dargestellt). Jedes Segment in der Konfidenzpolarkarte 810 von 8B identifiziert einen CV, der dem geschätzten MBF-Wert des entsprechenden Segments in der MBF-Polarkarte von 8A entspricht.
In einigen Ausführungsformen kann der Arzt den CV in jeder einzelnen Zone in der Zuverlässigkeitspolarkarte von 8B betrachten und die Relevanz der entsprechenden MBF-Daten in 8A individuell beurteilen.
In weiteren Ausführungsformen, wie in 8C dargestellt, kann die Konfidenzkarte 820 in einem „Einschluss, Ausschluss“ Zusammenfassung-Format bereitgestellt werden. In 8C wird für jede der Regionen (auch „Gebiete“ genannt) LCX 821, RCA 822 und LAD 823 in 8C jeweils ein kombiniertes Zuverlässigkeitsmaß berechnet, basierend auf den individuellen CV-Werten für jede kleinere Zone in 8B. Die CV-Werte in einem bestimmten Gebiet werden als Durchschnitt der 100+ Zellen innerhalb von jeweils 1/3 der Polarkarte berechnet. Die kombinierten Zuverlässigkeitswerte der Regionen 821-823 werden mit dem CV-Schwellenwert von Block 208 verglichen (2). Jede Region mit einem CV unterhalb des CV-Schwellenwerts kann als akzeptabel angezeigt werden (z.B. durch grüne Farbe); jede Region mit einem CV von gleich oder größer als der CV-Schwellenwert kann als unzuverlässig angezeigt werden (z.B. durch rote Farbe). Wenn eine der drei Regionen 821-823 als unzuverlässig gekennzeichnet ist, werden die PET-Bilder mit Bewegungskorrektur erneut verarbeitet, und wenn eine der drei Regionen 821-823 immer noch als unzuverlässig gekennzeichnet ist, wird der Bediener aufgefordert, den PET-Scan des Patienten zu wiederholen.
In einigen Ausführungsformen wird die Polarkarte von 8B oder 8C auf der Anzeigevorrichtung 122 (1) angezeigt. In weiteren Ausführungsformen wird die Polarkarte von 8B oder 8C auf dem Drucker (nicht dargestellt) gedruckt. In einigen Ausführungsformen lösen die Polarkartenergebnisse automatisch die Anwendung der Bewegungskorrektur und die erneute Bearbeitung der Bilder für einen Scan aus, wie vorstehend erläutert.
9 ist ein Flussdiagramm eines exemplarischen Verfahrens. In einigen Ausführungsformen umfasst ein zweistufiger Arbeitsablauf eine Trainingsphase (Schritte 900-912) und eine klinische Phase (Schritte 914-926).
Bei Schritt 900 wird eine Schleife mit den Schritten 902-908 für jeden aus einer Vielzahl von dynamischen kardialen PET-Datensätzen und empfangenen Bildern wiederholt. So werden eine Vielzahl von Patientenherzen gescannt, Bilder empfangen und rekonstruiert.
Bei Schritt 902 wird das aus dem Scan rekonstruierte Bild von einem Prüfer verifiziert. In einigen Ausführungsformen überprüfen ein oder mehrere Experten die Bilder und liefern einen subjektiven Konfidenzwert, der das Bild auf einem Kontinuum zwischen akzeptabler Zuverlässigkeit und beschädigter Qualität charakterisiert. Der Konfidenzwert ist eine Bewertung der Zuverlässigkeit des verarbeiteten Bildes (im Gegensatz zu einem Maß für die Gesundheit der Patienten).
Bei Schritt 904 wird ein Modell an den Datensatz angepasst. In einigen Ausführungsformen werden beispielsweise Bayes-Variation oder Monte-Carlo Markov Chain (MCMC)-Inferenz verwendet. In einigen Ausführungsformen schätzt das Modell K₁ , k₂ und Vb. In einigen Ausführungsformen stellt das System einen MBF-Parameter (z.B. K₁ ) für Herzgewebe in einem Polargrafikformat mit entsprechender Zuverlässigkeit (z.B. CV= σ_i /µ_i) in einem Polargrafikformat gemäß 8B oder 8C zur Verfügung.
Bei Schritt 906 bestimmt der CV von K₁ -Block 204 des Prozessors 116 den CV von K₁ für den Patienten-Datensatz.
Bei Schritt 908 wird der verifizierte Datensatz in einer CV-Datenbank gespeichert, zusammen mit Informationen zum Erfassungsprotokoll und zum Rekonstruktionsprotokoll.
Bei Schritt 910 wird die Verteilung des CV von K₁ bestimmt. In einigen Ausführungsformen wird für jedes jeweilige Erfassungsprotokoll eine separate Verteilung bestimmt.
Bei Schritt 912 bestimmt der Prozessor 116 ein Konfidenzintervall für den CV um den mittleren CV für K₁ in der Trainingsdatenbank. So wird beispielsweise in einigen Ausführungsformen das Konfidenzintervall für den CV durch µ_K1CV± 2σ_K1CV angegeben.
Bei Schritt 914 wird ein neuer Scan eines Patienten in einer klinischen Umgebung gemäß einem Erfassungsprotokoll empfangen.
Bei Schritt 916 wird ein Bayes'sches Modell ohne Bewegungskorrektur an die Patienten-Scan-Daten angepasst. Beispielsweise kann das Modell K₁ , k₂ und V_b schätzen.
Bei Schritt 918 wird bestimmt, ob der CV von K₁ für den Patienten-Scan innerhalb des Konfidenzintervalls liegt (d.h. ob der CV kleiner als der CV-Schwellenwert entsprechend dem Erfassungsprotokoll ist). Wenn der CV innerhalb des Konfidenzintervalls liegt, wird Schritt 926 durchgeführt. Wenn der CV außerhalb des Konfidenzintervalls liegt, wird Schritt 920 durchgeführt.
Bei Schritt 920 werden die dem Patienten-Scan-Datensatz entsprechenden Bilder mit Bewegungskorrektur erneut verarbeitet.
Bei Schritt 922 wird der CV neu berechnet und es wird erneut bestimmt, ob der CV von K₁ für den Patienten-Scan innerhalb des Konfidenzintervalls liegt. Wenn der CV innerhalb des Konfidenzintervalls liegt, wird Schritt 926 durchgeführt. Wenn der CV außerhalb des Konfidenzintervalls liegt, wird Schritt 924 durchgeführt.
Bei Schritt 924 werden als Reaktion auf das Bestimmen, dass - auch nach der Bewegungskompensation - der CV für K₁ außerhalb des Konfidenzintervalls für den CV liegt, die Scan-Daten als unzuverlässig angesehen und der Scan wiederholt.
Bei Schritt 926 wird der MBF als ausreichend zuverlässig für die dynamische PET-Bildgebung angesehen.
Obwohl die Beispiele für die Beurteilung der Zuverlässigkeit von myokardialen Bildern oben beschrieben werden, können die Verfahren auf andere Organe übertragen werden. Obwohl die Beispiele anhand von Einzelraum-Modellen oben beschrieben werden, können unterschiedliche Modelle verwendet werden. Obwohl oben Beispiele beschrieben sind, in denen für den CV eines MBF-Parameters ein 95%-Konfidenzintervall verwendet wird, kann in anderen Ausführungsformen ein anderes Konfidenzintervall (z.B. 90%) verwendet werden.
Die hierin beschriebenen Verfahren und Systeme können eine automatisierte Qualitätskontrolle für PET-Bild-Scans ermöglichen und eine Bewegungskompensation und zusätzliche Verarbeitung zur Verbesserung der Zuverlässigkeit von PET-Bildern einleiten. Das Verfahren kann unzuverlässige Scan-Daten markieren und eine Anzeige liefern, wann ein Scan wiederholt werden soll.
Die hierin beschriebenen Verfahren und Systeme können zumindest teilweise in Form von computerimplementierten Prozessen und Vorrichtungen zur Durchführung dieser Prozesse ausgeführt sein. Die offenbarten Verfahren können auch zumindest teilweise in Form von greifbaren, nicht-flüchtigen, maschinenlesbaren Speichermedien verkörpert sein, die mit Computerprogrammcode kodiert sind. Die Medien können beispielsweise RAMs, ROMs, CD-ROMs, DVD-ROMs, BD-ROMs, Festplattenlaufwerke, Flash-Speicher oder andere nicht-flüchtige, maschinenlesbare Speichermedien umfassen, wobei ein Computer, wenn der Computerprogrammcode in den Computer geladen und von ihm ausgeführt wird, zu einer Vorrichtung zum Ausführen des Verfahrens wird. Die Verfahren können auch zumindest teilweise in Form eines Computers ausgeführt sein, in den Computerprogrammcode geladen und/oder ausgeführt wird, so dass der Computer zu einem Spezialzweckcomputer zum Ausführen der Verfahren wird. Wenn sie auf einem Universalprozessor implementiert sind, konfigurieren die Computerprogrammcode-Segmente den Prozessor so, dass er bestimmte Logikschaltungen erstellt. Die Verfahren können alternativ zumindest teilweise in einem digitalen Signalprozessor verkörpert sein, der aus anwendungsspezifischen integrierten Schaltungen zur Durchführung der Verfahren ausgebildet ist.
Obwohl der Gegenstand in Form von exemplarischen Ausführungsformen beschrieben wurde, ist er nicht darauf beschränkt. Vielmehr sollten die beigefügten Ansprüche breit ausgelegt werden, um auch andere Varianten und Ausführungsformen zu umfassen, die von einem Fachmann vorgenommen werden können.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

Garcia, E. V., et al., „Quantification of Rotational Thallium-201 Myocardial Tomography“, Journal of Nuclear Medicine, 26(1): 17-26 (1985) [0061]

Claims

Verfahren, umfassend: Zugreifen auf eine Vielzahl von verifizierten Positronen-Emissions-Tomographie (PET)-Bilddatensätzen; Anpassen eines myokardialen Blutfluss (MBF)-Modells an jeden der Vielzahl von verifizierten PET-Bilddatensätzen, um mindestens einen MBF-Parameterwert und mindestens einen Variationswert für jeden einzelnen der Vielzahl von PET-Bilddatensätzen zu bestimmen; Bestimmen einer Verteilung der Variation von der Vielzahl von Datensätzen; Bestimmen eines MBF-Variationsschwellenwerts für den mindestens einen MBF-Parameter basierend auf der Verteilung; Scannen eines Patienten mit einem PET-Scanner; Berechnen eines Patienten-MBF-Parameterwerts und eines Patienten-MBF-Variationswertes des Patienten basierend auf dem Scannen; und Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist.
Verfahren nach Anspruch 1, ferner umfassend ein Anwenden einer Bewegungskorrektur auf Bilddaten aus dem Scannen, um bewegungskorrigierte Bilddaten bereitzustellen, als Reaktion auf das Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist.
Verfahren nach Anspruch 1 oder 2, ferner umfassend: Berechnen eines aktualisierten Patienten-MBF-Parameterwertes und eines aktualisierten Patienten-MBF-Variationswertes des Patienten basierend auf den bewegungskorrigierten Bilddaten; und Bestimmen, dass der aktualisierte Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der aktualisierte Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist.
Verfahren nach einem der vorhergehenden Ansprüche, wobei der mindestens eine MBF-Parameter eine Austauschrate eines Tracermaterials von Blut in einen Geweberaum darstellt, wobei der Variationswert einen Variationskoeffizienten der Austauschrate darstellt und der MBF-Variationsschwellenwert auf einer Verteilung des Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen basiert.
Verfahren nach Anspruch 4, wobei der MBF-Variationsschwellenwert ein Mittelwert aus dem Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen und etwa einer doppelten Standardabweichung des Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen ist.
Verfahren, umfassend: Scannen eines Patienten mit einem PET-Scanner; Berechnen eines Patienten-myokardialen Blutfluss (MBF)-Parameterwerts und eines Patienten-MBF-Variationswertes des Patienten basierend auf dem Scannen; Vergleichen des Patienten-MBF-Variationswertes mit einem MBF-Variationsschwellenwert; und Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist.
Verfahren nach Anspruch 6, wobei der MBF-Variationsschwellenwert bereitgestellt wird durch: Zugreifen auf eine Vielzahl von verifizierten Positronen-Emissions-Tomographie (PET)-Bilddatensätzen; Anpassen eines MBF-Modells an jeden der Vielzahl von verifizierten PET-Bilddatensätzen, um mindestens einen MBF-Parameterwert und mindestens einen Variationswert für jeden einzelnen der Vielzahl von PET-Bilddatensätzen zu bestimmen; Bestimmen einer Verteilung der Variation von der Vielzahl von Datensätzen; und Bestimmen eines MBF-Variationsschwellenwerts für den mindestens einen MBF-Parameter basierend auf der Verteilung.
Verfahren nach den Ansprüchen 6 oder 7, ferner umfassend ein Anwenden einer Bewegungskorrektur auf Bilddaten aus dem Scannen, um bewegungskorrigierte Bilddaten bereitzustellen, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist.
Verfahren nach den Ansprüchen 6 bis 8, ferner umfassend: Berechnen eines aktualisierten Patienten-MBF-Parameterwertes und eines aktualisierten Patienten-MBF-Variationswertes des Patienten basierend auf den bewegungskorrigierten Bilddaten; und Bestimmen, dass der aktualisierte Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der aktualisierte Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist.
Verfahren nach den Ansprüchen 6 bis 9, wobei der mindestens eine MBF-Parameter eine Austauschrate eines Tracermaterials von Blut in einen Geweberaum darstellt, wobei der Variationswert einen Variationskoeffizienten der Austauschrate darstellt und der MBF-Variationsschwellenwert auf einer Verteilung des Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen basiert.
Verfahren nach Anspruch 10, wobei der MBF-Variationsschwellenwert ein Mittelwert aus dem Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen und etwa einer doppelten Standardabweichung des Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen ist.
Verfahren nach den Ansprüchen 6 bis 11, wobei das Berechnen des Patienten-MBF-Parameterwerts ein Anpassen eines Bayes'schen Modells an die Daten aus dem Scannen umfasst.
System, umfassend: einen Scanner, der dazu ausgelegt ist, eine Aktivität eines Tracers in einem Patienten zu detektieren; einen Prozessor, der kommunikativ mit dem Scanner gekoppelt ist; und ein nicht-flüchtiges, maschinenlesbares Speichermedium, das Anweisungen und Daten speichert, wobei: die Daten einen myokardialen Blutfluss(MBF)-Variationsschwellenwert umfassen; und die Anweisungen den Prozessor konfigurieren, um ein Verfahren durchzuführen, das umfasst: Empfangen von Daten vom Scannen eines Patienten unter Verwendung des Scanners; Berechnen eines Patienten-MBF-Parameterwertes und eines Patienten-MBF-Variationswertes des Patienten basierend auf dem Scannen; Vergleichen des Patienten-MBF-Variationswertes mit dem MBF-Variationsschwellenwert; und Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist.
System nach Anspruch 13, wobei die Anweisungen ferner Anweisungen umfassen, um den Prozessor zu veranlassen, den MBF-Variationsschwellenwert zu erzeugen durch: Zugreifen auf eine Vielzahl von verifizierten Positronen-Emissions-Tomographie (PET)-Bilddatensätzen; Anpassen eines myokardialen Blutfluss (MBF)-Modells an jeden der Vielzahl von verifizierten PET-Bilddatensätzen, um mindestens einen MBF-Parameterwert und mindestens einen Variationswert für jeden einzelnen der Vielzahl von PET-Bilddatensätzen zu bestimmen; Bestimmen einer Verteilung der Variation unter der Vielzahl von Datensätzen; und Bestimmen eines MBF-Variationsschwellenwerts für den mindestens einen MBF-Parameter basierend auf der Verteilung.
System nach Anspruch 14, wobei der mindestens eine MBF-Parameter eine Austauschrate eines Tracermaterials von Blut in einen Geweberaum darstellt, wobei der Variationswert einen Variationskoeffizienten der Austauschrate darstellt und der MBF-Variationsschwellenwert auf einer Verteilung des Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen basiert.
System nach Anspruch 15, wobei der MBF-Variationsschwellenwert ein Mittelwert aus dem Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen und etwa einer doppelten Standardabweichung des Variationskoeffizienten der Austauschraten für die Vielzahl von verifizierten PET-Bilddatensätzen ist.
System nach den Ansprüchen 13 bis 16, wobei die Anweisungen ferner Anweisungen umfassen zum Anwenden einer Bewegungskorrektur auf Bilddaten aus dem Scannen, um bewegungskorrigierte Bilddaten bereitzustellen, als Reaktion auf ein Bestimmen, dass der Patienten-MBF-Parameterwert unzuverlässig ist.
System nach den Ansprüchen 13 bis 17, wobei die Anweisungen ferner Anweisungen umfassen zum: Berechnen eines aktualisierten Patienten-MBF-Parameterwertes und eines aktualisierten Patienten-MBF-Variationswertes des Patienten basierend auf den bewegungskorrigierten Bilddaten; und Bestimmen, dass der aktualisierte Patienten-MBF-Parameterwert unzuverlässig ist, als Reaktion auf ein Bestimmen, dass der aktualisierte Patienten-MBF-Variationswert größer als der MBF-Variationsschwellenwert ist.
System nach den Ansprüchen 13 bis 18, wobei das Berechnen des Patienten-MBF-Parameterwertes ein Anpassen eines Bayes'schen Modells an Daten aus dem Scannen umfasst.