PET Rekonstruktionen – Harmonisierung, alte und neue Ansätze

Zusammenfassung

Nach einer einführenden Erklärung der Funktionsweise der Positronen-Emissions-Tomografie (PET) Diagnostik werden Inhalt und Ziel der Rekonstruktion von PET-Daten vorgestellt. Es wird dargelegt, welche physikalischen Prozesse die PET-Bildgebung beeinflussen und wie diese im Rahmen der Rekonstruktion von PET-Daten korrigiert werden können. Dazu gehören Korrekturen für zufällige, gestreute und absorbierte Photonen sowie Korrekturen für Totzeiteffekte des Detektors.

Die beiden gängigsten PET-Rekonstruktionsverfahren, die gefilterte Rückprojektion (Filtered Back Projection, FBP) und der iterative Rekonstruktionsalgorithmus, werden erklärt und die jeweiligen Vor- und Nachteile dargelegt. Auf zwei Beispiele der iterativen Rekonstruktionsmethode wird detaillierter eingegangen: das Verfahren der Maximum Likelihood Expectation Maximization (MLEM) und die aktuell in der klinischen PET-Bildgebung am häufigsten angewendete Methode der Ordered Subsets Expectation Maximization (OSEM) Rekonstruktion. Weiterhin werden verschiedene Möglichkeiten der Reduktion von Bildrauschen bei iterativen Rekonstruktionen vorgestellt, wie beispielsweise die Bayesian Penalized Likelihood (BPL) Methode.

Es wird auf technische Neuerungen hinsichtlich der Gerätetechnik und der Software von PET-Geräten eingegangen. Time of Flight (ToF) Messung und Point Spread Function (PSF) Modellierungen im Rahmen der Rekonstruktion werden erklärt und deren Vor- und Nachteile dargestellt. Abschließend werden neue Möglichkeiten der datengestützten Bewegungskorrektur (data-driven motion correction) und Ansätze mittels künstlicher Intelligenz aufgegriffen.

Abstract

After a short introduction on how Positron Emission Tomography (PET) imaging works, the procedure and goals of PET data reconstruction are introduced. Physical processes that influence PET imaging are presented as well as ways to correct these in the scope of reconstructing of the PET data. Thereby, possible corrections for random, scattered and absorbed photons, as well as dead time corrections are explained.

The two most common PET reconstruction methods are the Filtered Back Projection (FBP) and iterative reconstruction algorithm. These methods are described and pros and cons are discussed. More detailed information is given on the Maximum Likelihood Expectation Maximization (MLEM) method in addition to the most frequently used method in clinical practice of Ordered Subsets Expectation Maximization (OSEM) reconstruction. Furthermore, different possibilities to reduce image noise embedded in iterative reconstruction methods are shown, like the Bayesian Penalized Likelihood (BPL) method.

Improvements and new innovations regarding the technology and software of PET systems are pointed out. Time of Flight (ToF) measurements and Point Spread Function (PSF) modeling in the context of reconstructions are assessed regarding advantages and drawbacks. Finally, new possibilities of data-driven motion correction and approaches using artificial intelligence are presented.

Schlüsselwörter

Positronen-Emissions-Tomografie (PET) - Bildrekonstruktion - gefilterte Rückprojektion - iterative Rekonstruktionsverfahren - Ordered Subsets Expectation Maximization (OSEM) - point spread function

Keywords

Positron Emission Tomography (PET) - image reconstruction - Filtered-Back-Projection - iterative reconstructions - Ordered Subsets Expectation Maximization (OSEM) - point spread function

• Literatur

• 1 Pelt DM, Batenburg KJ. Improving filtered backprojection reconstruction by data-dependent filtering. IEEE Trans Image Process 2014; 23: 4750-4762
• 2 Pietrzak A. Advances in PET-CT Imaging, a Technologist’s guide.
• 3 Rogasch JM, Hofheinz F, Lougovski A. et al. The influence of different signal-to-background ratios on spatial resolution and F18-FDG-PET quantification using point spread function and time-of-flight reconstruction. EJNMMI Phys 2014; 1: 12
• 4 Jaskowiak CJ, Bianco JA, Perlman SB. et al. Influence of reconstruction iterations on 18F-FDG PET/CT standardized uptake values. J Nucl Med 2005; 46: 424-428
• 5 Boellaard R, van Lingen A, Lammertsma AA. Experimental and clinical evaluation of iterative reconstruction (OSEM) in dynamic PET: quantitative characteristics and effects on kinetic modeling. J Nucl Med 2001; 42: 808-817
• 6 Boellaard R, Krak NC, Hoekstra OS. et al. Effects of noise, image resolution, and ROI definition on the accuracy of standard uptake values: a simulation study. J Nucl Med 2004; 45: 1519-1527
• 7 Nuyts J, Beque D, Dupont P. et al. A concave prior penalizing relative differences for maximum-a-posteriori reconstruction in emission tomography. IEEE Transactions on Nuclear Science 2002; 49: 56-60
• 8 Kadrmas DJ, Casey ME, Conti M. et al. Impact of time-of-flight on PET tumor detection. J Nucl Med 2009; 50: 1315-1323
• 9 Karp JS, Surti S, Daube-Witherspoon ME. et al. Benefit of time-of-flight in PET: experimental and clinical results. J Nucl Med 2008; 49: 462-470
• 10 Surti S, Karp JS, Popescu LM. et al. Investigation of time-of-flight benefit for fully 3-D PET. IEEE Trans Med Imaging 2006; 25: 529-538
• 11 Rahmim A, Qi J, Sossi V. Resolution modeling in PET imaging: theory, practice, benefits, and pitfalls. Med Phys 2013; 40: 064301
• 12 Aide N, Lasnon C, Kesner A. et al. New PET technologies - embracing progress and pushing the limits. Eur J Nucl Med Mol Imaging 2021; 48: 2711-2726
• 13 Kaalep A, Huisman M, Sera T. et al. Feasibility of PET/CT system performance harmonisation for quantitative multicentre (89)Zr studies. EJNMMI Phys 2018; 5: 26
• 14 Lasnon C, Desmonts C, Quak E. et al. Harmonizing SUVs in multicentre trials when using different generation PET systems: prospective validation in non-small cell lung cancer patients. Eur J Nucl Med Mol Imaging 2013; 40: 985-996
• 15 Sunderland JJ, Christian PE. Quantitative PET/CT scanner performance characterization based upon the society of nuclear medicine and molecular imaging clinical trials network oncology clinical simulator phantom. J Nucl Med 2015; 56: 145-152
• 16 Kaplan S, Zhu YM. Full-Dose PET Image Estimation from Low-Dose PET Image Using Deep Learning: a Pilot Study. J Digit Imaging 2019; 32: 773-778
• 17 Matsubara K, Ibaraki M, Nemoto M. et al. A review on AI in PET imaging. Ann Nucl Med 2022; 36: 133-143