Aplikace Li-Ma metody na scintigrafické vyšetření příštítných tělísek. P. Karhan, P. Fiala, J. Ptáček

Transkript

1 Aplkace L-Ma metody na scntgrafcké vyšetření příštítných tělísek P. Karhan, P. Fala, J. Ptáček

2 Vyšetření příštítných tělísek dagnostka hyperparatyreózy: lokalzace tkáně příštítných tělísek neexstence radofarmaka pro zobrazení jen příštítných tělísek, ale zobrazuje se štítná žláza a p.t. bývají v překryvu. nejefektvnější kombnace tří metod: SPECT/CT, dvoufázová scntgrafe a subtrakční metoda subtrakční metoda využívána nejčastěj s 99m Tc- MIBI pro zobrazení p.t. a š.ž. a 99m TcO - pro zobrazení jen š.ž.

3 Subtrakční metoda odečtení obrazů pxel po pxelu I subtr =I MIBI TcO α I normalzační koefcent a vybírán lékařem na základě zkušenost tak, aby štítná žláza zankla v okolních tkáních (EANM, SNM) jasná nterpretace rychlý výpočet nutnost dobré regstrace obrazů

4 Subtrakční metoda poztvní pacent 99m TcO - 99m Tc-MIBI subtrakce

5 Subtrakční metoda vyšší šum než u původních obrazů: σ 2 (I subtr ) σ 2 (I MIBI )+ α 2 σ 2 TcO (I ) I MIBI + α 2 TcO I šum nezávslý na hodnotě v pxelu: =? 3=? =? σ (3)=? 16 nehomogenní neposson., negauss. šum pokles poměru sgnálu k šumu SNR I MIBI TcO α I I MIBI + α 2 TcO I

6 Subtrakční metoda zelený ROI σ (I )=10,2 I =8,2 čevený ROI σ (I )=16,1 I =9,9

7 Subtrakční metoda SNR S G =SNR I MIBI TcO α I I MIBI + α 2 TcO I gaussovská aproxmace Possonova rozdělení SNR odhadnutelný pxel po pxelu jasná nterpretace: kolkrát rozdíl mez obrazy převyšuje šum v nekonečné lmtě normální rozdělení N(0,1) má homogenní jednotkový gaussovský šum hraje rol testovací statstky (převod do p-hodnot) možnost jej statstcky dále studovat (RFT...)

8 On-off metody používané pro hledání zdrojů kosmckého záření porovnání dat z oblastí off - mmo zdroj (pozadí) a on - oblast se zdrojem (pozadí + sgnál) obv. předpoklád possonovského charakteru dat 99m TcO - : off měření 99m Tc-MIBI: on měření

9 S G L-Ma metoda platné jen v nekonečné lmtě, pro konečné hodnoty systematcká chyba nevychýlená aproxmace od L a Ma: S LM =2 1/2{ N on ln[ 1+ α α T. L, Y. Ma: Analyss methods for results n gamma-ray astronomy, Astrophys J, 272 (1983), pp výpočet pxel po pxelu N =I platnost pro N 10 ; 0,1 α 10 N on ] N on + N off + N off ln[ (1+ α ) N off N on + N off ]}1/2

10 L-Ma metoda poztvní pacent 99m TcO - (vlevo) 99m Tc-MIBI (vpravo) subtrakce (vlevo) L-Ma (vpravo)

11 Rozšíření L-Ma metody L-Ma metoda založena na testu hypotézy: s pomocí pevného a lze provést subtrakc na nulu: I MIBI TcO α I =0 kde neplatí tato hypotéza, vychází vysoké LM hodnoty S a musí být známé (v prax lékař odhaduje) předpoklad, že subtrakce se provádí na nulové pozadí (v prax se odečítá na homogenní pozadí, proto nízký kontrast L-Ma obrazu) potřeba rozšíření na hypotézu: s pomocí pevného a lze provést subtrakc na homogenní pozadí m: I MIBI TcO α I =μ

12 Rozšíření L-Ma metody I MIBI 1/2{ S elm =2 I MIBI TcO ln[ α μ + μ ] + I TcO + μ (α + 1)+ μ (I MIBI + I TcO TcO μ = 1 2[ I TcO MIBI + I α + 1 ( + I TcO MIBI + I α + 1 μ TcO α + μ )2 TcO α + I TcO α + 1 ] TcO μ + TcO ln[ I TcO μ TcO α ] )} 1/2

13 Rozšíření L-Ma metody výpočet pxel po pxelu lze generovat parametrcké obrazy výpočetní náročnost stejného řádu jako subtrakce O(n) předpoklady stejné jako u subtrakce jeden volný parametr m navíc oprot subtrakc, možnost ML odhadu platnost ověřena smulacem pro N > 10; 0,1 < a <10, m < 100

14 Rozšíření L-Ma metody výpočet pxel po pxelu lze generovat parametrcké obrazy výpočetní náročnost stejného řádu jako subtrakce O(n) předpoklady stejné jako u subtrakce jeden volný parametr m navíc oprot subtrakc, možnost ML odhadu platnost ověřena smulacem pro N > 10; 0,1 < a <10, m < 100

15 Rozšíření L-Ma metody poztvní pacent 99m Tc-MIBI (vlevo nahoře), subtrakce (vlevo dole) a rozšířená L-Ma metoda (vpravo)

16 Rozšíření L-Ma metody poztvní pacent práh 3 (hladna významnost 0,28 % ) zobrazeno 3136 pxelů 0,28 % odpovídá 9 bílým pxelům (tzn. u negatvního pacenta by v průměru mělo být 9 pxelů bílých)

17 Rozšíření L-Ma metody fůze 99m Tc-MIBI a rozšířené L-Ma metody s prahem 3 (pravděpodobnos t náhody 0,28 % )

18 Rozšíření L-Ma metody negatvní pacent 99m TcO - (vlevo) 99m Tc-MIBI (vpravo) subtrakce (vlevo) L-Ma práh 3 (vpravo) očekáváno 9 pxelů bílých

19 Shrnutí L-Ma metoda může doplnt subtrakc př nízké kvaltě scntgramů výpočetní náročnost předpoklady stejné jako u subtrakce generuje parametrcké obrazy s: snadnou nterpretací (SNR) homogenním gaussovským šumem standardzovatelný rozsah hodnot porovnatelnost mez studem možnost pevného prahování s jasnou pravděpodobnostní nterpretací (SL 5 %; 0,28 %...)

20 Děkuj za pozornost.

21 L-Ma metoda poztvní pacent červený ROI zelený ROI Kvantl-kvantlový graf rozdělení hodnot L-Ma v obraze: vlevo nepřítomnost ložska, vpravo přítomnost ložska; modrá přímka značí očekávané rozdělení

22 Rozšíření L-Ma metody poztvní pacent červený ROI zelený ROI kvantl-kvantlový graf rozdělení hodnot rošířené L-Ma metody vlevo nepřítomnost ložska, vpravo přítomnost ložska

23 Rozšíření L-Ma metody negatvní pacent kvantl kvantlový graf pro celou zobrazenou oblast pacenta bez nálezu