Ricostruzione spazio-temporale di immagini PET con diffeomorfismo appreso

Positron Emission Tomography (PET) is a medical imaging modality to reconstruct the distribution of metabolic activity that is used to detect cancer lesions thanks to their peculiar metabolic fingerprints. However, since it requires long acquisition time, it is affected by motion artifacts and this leads to a difficult detection of small size tumours, that are the most important for early-stage diagnosis. The Morphed Maximum Likelihood Activity and Attenuation (M-MLAA) algorithm has been developed to assess the motion artifact problem by gaining advantage of gated data and SynthMorph image registration network to reconstruct a motion corrected image. This project’s goal is to implement the M-MLAA algorithm on clinical data and to evaluate its performance; unfortunately, this was not achieved due to problems in the implementation of the Maximum Likelihood Activity and Attenuation (MLAA) algorithm on Synergistic Image Reconstruction Framework (SIRF) Python library. The results show that those problems might be caused by an incorrect definition of the Radon transform in the library. Despite that, M-MLAA algorithm shows good performances when tested on synthetic data, suggesting that it could be a promising motion correction reconstruction method for PET images, capable of detecting early-stage cancer lesions.

La Tomografia ad Emissione di Positroni (PET) è una modalità di imaging medico per ricostruire la distribuzione dell’attività metabolica, che viene utilizzata per rilevare lesioni tumorali grazie alle loro peculiari impronte metaboliche. Tuttavia, poiché richiede un lungo tempo di acquisizione, è soggetta ad artefatti da movimento e ciò porta ad una difficile individuazione dei tumori di piccole dimensioni, che sono i più importanti per una diagnosi precoce. L’algoritmo Morphed Maximum Likelihood Activity and Attenuation (M-MLAA) è stato sviluppato per affrontare il problema degli artefatti da movimento sfruttando i dati suddivisi in gate e la rete neurale SynthMorph per la registrazione di immagini, al fine di ricostruire un’immagine corretta dagli artefatti di movimento. L’obiettivo di questo progetto è l’implementazione su dati clinici dell’algoritmo M-MLAA e la valutazione delle sue prestazioni; purtroppo, ciò non è stato possibile a causa di problemi nell’implementazione dell’algoritmo Maximum Likelihood Activity and Attenuation (MLAA) sulla libreria Python Synergistic Image Reconstruction Framework (SIRF). I risultati mostrano che tali problemi potrebbero essere causati da una definizione errata della trasformata di Radon nella libreria. Nonostante ciò, l’algoritmo M-MLAA mostra buone prestazioni quando testato su dati sintetici, suggerendo che potrebbe rappresentare un promettente metodo di correzione dagli artefatti di movimento nella ricostruzione di immagini PET, consentendo di individuare lesioni tumorali in fase precoce.