Bewegungskorrektur basierend auf 3D-Dekonvolution und
Segmentierung basierend auf Texturalen Eigenschaften zur
Optimierung der Tumorsegmentierung in der Positronen
Emissions Tomographie
- Bewegung und daraus resultierende Bewegungsartefakte während einer PET-Aufnahme
beeinträchtigen die quantitative (kleine Läsionen könnten übersehen werden) und qualitative (das
Volumen der Läsion überschätzt, im Gegensatz dazu die Intensität bzw. der Uptake unterschätzt)
Beurteilbarkeit. Unser entwickelter Bewegungskorrekturalgorithmus greift auf routinemässig
aufgenommene Bilder zurück und liefert deutlich verbesserte und genauere Darstellungen der
Traceranreicherung. Bei 3D Modellierung und Dekonvolution in 3D konnten Veränderungen im
Tumorvolumen bis zu 33,3% erzielt werden und in den Phantomstudien sogar bis zu 49% Volumen-
Verbesserung.
Ein weiterer Entwicklungsschritt in den letzten Jahren war die Etablierung textural basierter Analysen
von PET-Bildern. Wir nutzen diese Heterogenität innerhalb des Tumors in derBewegung und daraus resultierende Bewegungsartefakte während einer PET-Aufnahme
beeinträchtigen die quantitative (kleine Läsionen könnten übersehen werden) und qualitative (das
Volumen der Läsion überschätzt, im Gegensatz dazu die Intensität bzw. der Uptake unterschätzt)
Beurteilbarkeit. Unser entwickelter Bewegungskorrekturalgorithmus greift auf routinemässig
aufgenommene Bilder zurück und liefert deutlich verbesserte und genauere Darstellungen der
Traceranreicherung. Bei 3D Modellierung und Dekonvolution in 3D konnten Veränderungen im
Tumorvolumen bis zu 33,3% erzielt werden und in den Phantomstudien sogar bis zu 49% Volumen-
Verbesserung.
Ein weiterer Entwicklungsschritt in den letzten Jahren war die Etablierung textural basierter Analysen
von PET-Bildern. Wir nutzen diese Heterogenität innerhalb des Tumors in der PET-Bildgebung für die
Entwicklung von Algorithmen zur Tumorsegmentierung. Unsere entwickelten
Segmentierungsalgorithmen lieferten gute Ergebnisse. Die Segmentierung basierend auf der Entropie
lieferten in der Phantomstudie die besten Resultate, der KU-basiert und LE-basiert sowie der
Grenzwertbasierte Algorithmus konnten alle (bis auf 1 Ausnahme) Patienten-Läsionen gut
segmentieren. Alle segmentierten Volumina korrelierten sehr gut mit den pathologischen Volumina.
Zusammenfassend wurden in dieser Arbeit somit zwei wichtige Limitierungen für die PET-Bildgebung,
die Bewegungsunschärfe und die Segmentierung von Läsionen für die FDG-PET/CT bei Patienten mit
Lungenkarzinomen bearbeitet und entsprechende Korrekturalgorithmen entwickelt, die erfolgreich
anhand von Phantom- und Patientendatensätzen validiert werden konnten. Im nächsten Schritt
müssen diese Algorithmen Einzug in grössere, ggf. prospektive klinische Studien finden.…


- Positron Emission Tomography (PET) is becoming more and more important in clinical routine
applications. One of the major limitations is the sensitivity to patient motion especially in the thorax
to periodic respiratory movement. Another open point of discussion is the method how to define the
tumor volume, especially when the precise knowledge of the tumor borders is important as in
radiation treatment planning. Therefore, in this work these two topics to improve quantification in
PET imaging have been addressed. First a new motion correction algorithm was implemented using
image deblurring including movement information of a 4D Computed Tomography (CT). This method,
which has the advantage of not increasing the PET acquisition time as other motion correction
techniques, was applied to phantom and patient data and showedPositron Emission Tomography (PET) is becoming more and more important in clinical routine
applications. One of the major limitations is the sensitivity to patient motion especially in the thorax
to periodic respiratory movement. Another open point of discussion is the method how to define the
tumor volume, especially when the precise knowledge of the tumor borders is important as in
radiation treatment planning. Therefore, in this work these two topics to improve quantification in
PET imaging have been addressed. First a new motion correction algorithm was implemented using
image deblurring including movement information of a 4D Computed Tomography (CT). This method,
which has the advantage of not increasing the PET acquisition time as other motion correction
techniques, was applied to phantom and patient data and showed promising result in improvement of lesion quantification. In phantom studies an improvement of up to 49% in lesion volume and in
patient studies of up to 33.3% could be demonstrated.
In the second part of this work, a new segmentation method based on textural parameters was
implemented and validated as well in phantom and patient data. In the latter a validation with
histopathological data was performed showing a very good performance of the new algorithms,
especially in larger lesions. Best result could be shown in phantom data and patient data for the
segmentation algorithm based in the local entropy.
In summary, two algorithms were implemented and validated which can improve quantification of
PET imaging furthermore…

