Respiratory Motion Detection and Compensation for PET Imaging of Patients with Lung Cancer

Abstract

Die Atembewegung erhöht die Unschärfe der PET-Aktivitäts-Verteilung im Thoraxbereich. Dies führt dazu, dass die räumliche Auflösung von PET-Bildern reduziert wird und quantitative Messungen verzerrt werden. Ziel dieser Masterarbeit ist es, den Einfluss einer projektionsbasierten und datenbasierten Bewegungsdetektions- und Kompensationstechnik auf die Beurteilung von Patienten mit Lungentumoren bei simulierten und realen PET-Aufnahmen mit respiratorischer Bewegung zu untersuchen. Die Validierung der datenbasierten Methode erfolgt mit Daten aus zwei Phantom-Experimenten, gefüllt mit 18F-FDG und gescannt in einem Biograph mCT PET/CT-System. Die datenbasierte Atmungsextraktion wurde gegen Atemsignale validiert, die mit einem Atemgürtel (Anzai AZ-733V) erhalten wurden. Die Optimierung des Respirationssignals mittels der datenbasierten Methode wurde in 12 patienten mit Lungenkrebs mit 18F-FDG PET/MR-Scans, die im Listmode erworben wurden, durchgeführt. Amplitudenbasierte Atmungs-Gating- und Rekonstruktions-Transformations-Durchschnittsbewegungskompensationstechniken (RTA-MoCo) wurden verwendet, um den Unschärfeeffekt der detektierten Atmungsbewegung zu begrenzen. Das Signal-zu-Rausch-Verhältnis (SNR) in den Frequenzspektren, das Kontrast-zu-Rausch-Verhältnis (CNR) in den rekonstruierten Bildern wurden als Gütezahlen verwendet, um die Leistung der Atembewegungserfassungstechniken zu bewerten. In ähnlicher Weise wurden das Läsion-zu-Hintergrund-Verhältnis (LBR) und das Bildrauschen als Gütezahlen verwendet, um die quantitative Genauigkeit der mit Bewegungsbegrenzungstechniken rekonstruierten Bilder (Gating und Rekonstruktion) zu bewerten. Das datenbasierte extrahierte respiratorische Signal zeigt eine hohe Ähnlichkeit mit dem externen Signal mit rs ≈ 0.9 für frequenzgefilterte Signale und rs ≈ 0.75 mit den gleitend gemittelten gefilterten Signalen. Ähnliche axiale Verschiebungen (zwischen 16 und 17 mm im Diapraghm, Referenzwert = 20 mm) wurden in den Gating-basierten Bildern beobachtet, die unter Verwendung externer, frequenzgefilterter und gleitend gemittelter gefilterter Signale erhalten wurden. Bei 8 der 12 analysierten Patienten wurde die Atembewegung erfolgreich nachgewiesen und extrahiert. Das SNR in den Frequenzspektren zeigte eine lineare Korrelation mit der geschätzten Bewegungsmenge (r2 = 0.704).Die bewegungsbegrenzten Bilder (Gated und RTA-MoCo) zeigten eine deutliche Zunahme des LBR um bis zu 20% (im Vergleich zu den Standard-statischen Bildern). Das Bildrauschen stieg für die gated-Bilder um bis zu 45%, während es für die RTA-MoCo-Bilder leicht reduziert wurde (≈ 15%). Die datenbasierte Atmungssignal-Extraktion ist mit Phantomdaten möglich, wobei ähnliche Ergebnisse wie bei externen Markern erhalten werden; mit Patientendaten war sie in 8 von 12 analysierten Fällen erfolgreich. Zukünftige Arbeiten umfassen die Auswertung weiterer Patientendatensätze und den Vergleich des datenbasierten Ansatzes mit anderen Bewegungserkennungsmethoden.

Respiratory motion adds blurring to the PET activity distribution in the thoracic area. As a result, spatial resolution of PET images is reduced and quantitative measures are biased. The aim of this master thesis is to evaluate the impact of a projection-based and data-driven motion detection and compensation technique in the assessment of patients with lung tumors in simulated and real PET acquisitions with respiratory motion. The validation of the data-driven method is done using data from two phantom experiments, filled with 18F-FDG and scanned in a Biograph mCT PET/CT system. The data-driven respiratory extraction was validated against respiratory signals obtained using a respiratory belt (Anzai AZ-733V). The optimization of the respiratory signal using the data-driven method in patients with lung cancer was performed in 12 18F-FDG PET/MR scans, acquired in listmode. Amplitude-based respiratory gating and reconstruct-transform-average motion compensation (RTA-MoCo) techniques were used to limit the blurring effect of the respiratory motion. The signal-to-noise ratio (SNR) in the frequency spectra and the contrast-to-noise ratio (CNR) in the reconstructed images were used as figures of merit to evaluate the performance of the respiratory motion detection techniques. Similarly, the lesion-to-background ratio (LBR) and the image noise were used as figures of merit to evaluate the quantitative accuracy of the images reconstructed with motion limiting techniques (gating and RTA-MoCo). The data-driven extracted respiratory signal shows a high similarity with external signal with rs ≈ 0.9 for frequency filtered signals and rs ≈ 0.75 for the moving average filtered signals. Similar axial displacements (between 16 and 18 mm in the diaphragm, reference value = 20 mm) were observed in the gated images obtained using external, frequency filtered and moving average filtered signals. Respiratory motion was successfully detected and extracted in 8 of the 12 analyzed patients. The SNR in the frequency spectra showed a linear correlation with the amount of estimated motion (r2 = 0.704). The motion-limited images (gated and RTA-MoCo) showed a clear increase in the LBR up to 20% (compared with the standard static images). The image noise increased for the gated images as much as 45%, while it was slightly reduced for the RTA-MoCo images (≈ 15%). The data-driven respiratory signal extraction is feasible in phantom data, obtaining similar results to the ones obtained with external markers; while in patient data it was successful in 8 of 12 analyzed cases. Future work includes the evaluation of further patient datasets and the comparison of the data-driven approach with other motion detection methodologies.