Adaptation of baseline calculation in [18F]FDG functional PET accounting for different brain kinetics

Abstract

Positronen-Emissions-Tomographie (PET) ist eine äußerst vielfältige Bildgebungsmethode mit zahlreichen Anwendungsgebieten in klinischer Praxis und in der Forschung. Neueste Fortschritte und Methoden haben die mögliche temporale Auflösung deutlich gesteigert, und dadurch funktionelle Aufnahme von physiologischen Prozessen, wie etwa dem Glukosemetabolismus durch [18F]-Fluordesoxyglukose funktionelles PET ([18F]FDG fPET), ermöglicht. Da Glukose der Hauptenergielieferant des Gehirns ist, können damit neue Erkenntnisse über die Aktivierung des Gehirns gewonnen werden, was bereits in einer Vielzahl an Studien erfolgreich angewendet wurde. Die Auswertung von fPET Daten beinhaltet meist die Anwendung eines General Linear Models (GLM), um die basale Aufnahme des Radiotracers in Ruhe von Stimulationseffekten zu unterscheiden. Neueste Ergebnisse deuten jedoch auf möglicherweise künstlich erzeugte Effekte durch inakkurate Definition der basalen Aufnahme hin.Ziele dieser Diplomarbeit sind i) die Analyse des kinetischen Verhaltens des Radiotracers im Gehirn während [18F]FDG fPET Messungen, ii) die Erforschung möglicher Auswirkungen auf die Definition der basalen Radiotraceraufnahme und iii) eine potentielle Verbesserung üblicher Ansätze. Dafür wurden clustering Algorithmen eingesetzt, um Gehirnregionen mit ähnlicher Kinetik zu gruppieren. Mittels soft clustering Methoden wurden jedem Voxel des Gehirns relative Ähnlichkeiten für die entsprechenden Cluster zugeschrieben. Diese Ergebnisse wurden in die Auswertung des GLM integriert, um jeden Voxel individuell zu modellieren, basierend auf seiner Cluster Wahrscheinlichkeit, und demnach seiner Kinetik. Dadurch wird ein möglicher Einfluss der unterschiedlichen Kinetik auf das GLM direkt in die Baseline aufgenommen. Die Analyse wurde für verschiedene Datensätze sowohl mit als auch ohne kinetischem Modell durchgeführt und die entstandenen künstlichen (De-) Aktivierungen wurden mit bestehenden Forschungsergebnissen verglichen.Die Untersuchung der Kinetik im menschlichen Gehirn zeigte hohe Ähnlichkeit zwischen den erzeugten Clusterergebnissen der beiden verwendeten Datensätze (r = 0.88-0.95). Obwohl die adaptierte Definition der basalen Aufnahme, abgeleitet von der Kinetik des Radiotracers, zu einer grundsätzlichen Abnahme an künstlichen (De-) Aktivierungen führte, wiesen die Unterschiede zu gewöhnlichen Definitionen hohe Variabilität über Hirnregionen auf. Außerdem variierte das Ausmaß der (De-) Aktivierungen mit unterschiedlichen Konditionen, Radiotracer Applikationen und Definitionen der basalen Aufnahme. Aus diesen Ergebnissen lässt sich schließen, dass die Kinetik des Radiotracers nicht die Hauptursache für potentielle künstliche (De-) Aktivierungen darstellt und dass genaue Erwägung des Studiendesigns und der Definition der basalen Aufnahme diese künstlichen Effekte minimieren können.

Positron emission tomography (PET) is a versatile imaging modality with many possible uses, both in clinical practice and research. Recent advances and novel methods have increased the temporal resolution significantly, allowing functional imaging of physiological processes, including metabolism of glucose in [18F]-fluorodeoxyglucose functional PET ([18F]FDG fPET). Since glucose is the main energy source of the brain, this introduces exciting possibilities to investigate brain activity, which have been explored in a large number of studies over the last few years. Analysis of fPET data often includes the application of a general linear model (GLM) to separate baseline radiotracer uptake from task activations. However, recent work suggested that inaccurate definition may introduce artifactual (de-) activations.The aims of this thesis are i) to assess the kinetic behavior of the radiotracer in the brain for [18F]FDG fPET measurements, ii) investigate consequences on the baseline definition and iii) to potentially improve common baseline calculation approaches.To this end, clustering algorithms were used to group brain regions featuring similar kinetic baseline behavior across different datasets. Soft clustering methods were applied to assign relative cluster similarities to each brain voxel. These maps were then integrated into the GLM analysis, to individually model each voxel based on its cluster similarity and consequently its kinetic behavior. This effectively accounts for the impact of voxel-wise kinetic differences on the GLM. The analysis was implemented and evaluated for multiple datasets with and without the adapted baseline definition and the resulting artifactual (de-) activations were compared to previous research.Assessment of brain kinetics yielded high agreement between the two different datasets in the resulting clusters (r = 0.88-0.95). While the introduced baseline definition derived from tracer kinetics showed an overall decrease in artifactual (de-) activations, the differences compared to commonly used baseline regressors varied across brain regions. Moreover, the magnitude of artifactual (de-) activations exhibited considerable variation across conditions, radiotracer applications and baseline definitions. These findings suggest that tracer kinetics are not the main underlying cause of potential artifactual (de-) activations and that careful consideration of study design and baseline definition are also critical factors in mitigating these issues.