EL ANÁLISIS DE IMÁGENES CEREBRALES CON FDG-PET EN RELACIÓN A UNA PLANTILLA DE ESTUDIOS NORMALES
Palabras clave:
PET, MRI, CT, Plantilla, Registración, Información MutuaResumen
En este trabajo se desarrollaron dos algoritmos de registro de imágenes cerebrales obtenidas mediante Tomografía Computada (CT), PET (Tomografía por Emisión de Positrones) y RMN (Resonancia Magnética Nuclear). El primero de ellos usa registración rígida basada en cuaterniones y el segundo utiliza una registración deformable basada en B-Splines, ambos aplicando maximización de la función de información mutua. Los algoritmos fueron validados utilizando datos adquiridos en el marco de la tesis: la registración rígida fue validada con fantomas con un error de 1.24 mm para registraciones de CT-RM (T1) y 1.57 mm para registraciones RM (T1)-PET, mientras que el algoritmo de registración deformable fue validado mediante imágenes de pacientes de PET con un error de 2.7 mm. Como parte de los objetivos del trabajo se generó y amplió una base de datos regional de estudios cerebrales con PET-FDG-F18 (FluoroDeoxiGlucosa) dentro del esquema de plantillas propuesto por el software SPM (Statistical Parametric Mapping). Esta plantilla regional fue exportada a la plataforma de visualización DICOM (Digital Imaging and Communication in Medicine) OsiriX ® para el análisis de casos patológicos. Se compararon 18 casos normales y 5 casos patológicos respecto de la plantilla generada. Los casos analizados coincidieron con el diagnóstico clínico, pudiendo analizarse patologías como Alzheimer, demencias frontotemporal y demencia de los cuerpos de Lewy. En el análisis estadístico de las imágenes con la plantillas se obtuvieron resultados concordantes con los hallazgos clínicos. Las diferentes técnicas de normalización de las imágenes permitieron realizar un análisis diferencial de los casos patológicos, aportando mayor información diagnóstica.
Autor de correspondencia: Carlos Caldart (hi_ten_mitsurugi@hotmail.com)
Referencias
1- Phelps, Michael E. PET, Physics, Instrumentation and Barridosners. Los Angeles, CA: Springer, 2006.
2– Maes F., Collignon A., Vandermeulen., Marchal G., Suetens P. Multimodality image registration by maximization of mutual information. IEEE Trans. Med. Imaging 16(2):187-198, 1997.
3– Andronache, A., Siebenthal, M. von, Szekely, G., Non-rigid registration of multi-modal images using both mutual information and cross-correlation. Medical Image Analysis 12 (2008) 3–15
4 – Isoardi R.A. – Optimización de análisis y registración de imágenes tomografícas. Tesis en doctorado en física, 2010.
5 – Hua X. et al. 3D characterization of brain atrophy in Alzheimer's disease and mild cognitive impairment using tensor-based morphometry. Neuroimage. 2008 May 15; 41(1): 19–34.
6- Mosconi Lisa, Wai H. Tsui1, Karl Herholz, Alberto Pupi, Alexander Drzezga, Giovanni Lucignani, Eric M. Reiman, Vjera Holthoff , Elke Kalbe, Sandro Sorbi, Janine Diehl-Schmid, Robert Perneczky, Francesca Clerici, Richard Caselli, Bettina Beuthien-Baumann. "Multicenter Standardized 18F-FDG PET Diagnosis of Mild Cognitive Impairment, Alzheimer’s Disease, and Other Dementias." THE JOURNAL OF NUCLEAR MEDICINE 49, no. 3 (March 2008): 49:390–398.
7 – Chen, Wei-Ping, et al. "Effect of an age-mismatched and sex-mismatched normal database on the diagnostic performance of [18F]-FDG-PET for Alzheimer’s disease: The Ishikawa Brain Imaging Study." Nuclear Medicine Communications 32, no. 12 (December 2011): 1128–1133.
8– Dukart et al. Differential effects of global and cerebellar normalization on detection anddifferentiation of dementia in FDG-PET studies. NeuroImage 49 (2010) 1490– 1495
9- Gispert, J.D., S. Reig, J. Pascau, V. Molina, A. Santos., and M. Desco. "Técnicas de cuantificación de imágenes PET (Tomografía por Emisión de Positrones): Aplicación al estudio de la esquizofrenia." Barcelona PET Conference, 2001.
10 - Luis Ibáñez, Will Schroeder, Lydia Ng, Josh Cates and the Insight Software Consortium, “The ITK Software Guide”, Second Edition, November 21 de 2005, http://www.itk.org, email: insight=users@itk.org
11- OsiriX: An Open-Source Software for Navigating in Multidimensional DICOM Images. J Digit Imaging. 2004 Sep;17(3):205-216.
12 – Friston, K.J., , C. Frith, P.F. Liddle, and R.S.J. Frackowiak. "Comparing functional (PET) images: the assessment of significant change." Journal of Cerebral Blood Flow and Metabolism, 1991: 11:690-699.
13- Alessio, A., et al., PET/CT barridosner instrumentation challenges, and solutions. Radiologic Clinics of North America, 2004. 42:p. 1071-1032.
14- Tzourio et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain. NeuroImage 15, 273–289 (2002) doi:10.1006/nimg.2001.0978
15- Yakushev et al. SPM-based count normalization provides excellent discrimination of mild Alzheimer's disease and amnestic mild cognitive impairment from healthy aging. NeuroImage 44 (20 09) 43 – 50
16- Popa, T., Ibañez, L., Cleary, K., Wong, K. H., ITK Implementation of Deformable Registration Methods for Time-varying (4D) Imaging Data. Insight Journal, 2007.
17- Romero, Gonzalo “Creación de una base de datos de referencia normal de actividad metabólica cerebral y cerebelar con PET-FDG”. Tesis Maestría en Física Médica, 2011
