Approccio Bayesiano per la riduzione di dimensionalità dei parametri del modello compartimentale del tracciante PET [18F]FDG

Positron Emission Tomography (PET) with [18F]FDG (Fluorodeoxyglucose) is a nuclear imaging technique widely utilized in oncology. It plays a crucial role in examining physiological and pathophysiological processes in vivo, enabling the quantitative measurement of biochemical changes in the body. This facilitates the detection of anomalies in the metabolism of tissues of interest. To establish a connection between PET signals and internal biochemical processes, compartmental modeling is required. Parameter estimation can be performed either at region-of-interest (ROI) level or at the voxel level, fully exploiting the PET scanner spatial resolution. In specific situations, for example when studying a lesion, the information provided by ROI level analysis may not be enough, and a voxel level analysis would be required. The challenge lies in the type of signal obtained at the voxel level, characterized by a low Signal-to-Noise Ratio (SNR), in contrast to regional analysis. Currently, commonly employed methods for microparameter estimation at ROI level are not equally effective at the voxel level, due to the low SNR. Simplified approaches, such as the Patlak Graphical method, are available, but they generate parameters with less detailed physiological information. Therefore, there is a need for an approach able to produce reliable voxel-level results. A solution may be found in Bayesian approaches, which leverage a priori information to perform better in the presence of noisy data. Nevertheless, microparameter estimation in the model is based on the assumption of having a noise-free Input function. This typically requires arterial sampling, which can be uncomfortable and burdensome for the patient. An alternative is the Image-Derived Input Function (IDIF), which extracts the Input function directly from the PET image, using the Internal Carotid Arteries (ICA) or the Common Carotid Arteries (CCA), with corrections applied for Partial Volume Effect (PVE). This thesis focuses on exploring a Bayesian approach to enable adequate voxel-level microparameter estimation. Specifically, the Maximum a Posteriori (MAP) estimation method is employed. In our implementation, the prior information is derived from ROI-level estimates with the ultimate goal of obtaining precise voxel-level estimates. Additionally, the MAP estimation was tested with a constraint on a model parameter, k3, based on the voxel-wise Ki estimate obtained using Patlak's graphical analysis, to further reduce complexity. Furthermore, the impact of using different input functions extracted from different vascular ROIs was examined in this study. The analysis was performed on a dataset consisting of 10 subjects affected by glioma who underwent [18F]FDG acquisition on a PET/MR system at the University Hospital of Padova. To assess the reliability of the results obtained with the MAP, the parametric maps were compared to the ones obtained using another bayesian approach, i.e. the Variational Bayes (VB). Voxel-level esimates coming from the two different methods exhibit a high correlation. As for the input function, we observe that similar estimates are obtained when using ICA's IDIF with PVE correction or when using CCA's IDIF without any correction. This approach opens doors for future research in handling data fitting with respect to measurement error and examining the influence of constraints on the posterior calculation of the k3 parameter.

Positron Emission Tomography (PET) con [18F]FDG (Fluorodeossiglucosio) è una tecnica di imaging nucleare ampiamente utilizzata in oncologia. Ha un ruolo cruciale nell'esaminare i processi fisiologici e patofisiologici in vivo, consentendo la misurazione quantitativa dei cambiamenti biochimici nel corpo. Ciò facilita la rilevazione di anomalie nel metabolismo dei tessuti d'interesse. Per stabilire una connessione tra i segnali PET e i processi biochimici interni, è richiesto l'utilizzo di un modello compartimentale. La stima dei parametri può essere eseguita a livello di regione di interesse (ROI) o a livello di voxel, sfruttando appieno la risoluzione spaziale dello scanner PET. In situazioni specifiche, ad esempio nello studio di una lesione, le informazioni fornite dall'analisi a livello di ROI potrebbero non essere sufficienti, e sarebbe richiesta un'analisi a livello di voxel. La sfida risiede nel tipo di segnale ottenuto a livello di voxel, caratterizzato da un basso rapporto segnale-rumore (SNR), in contrasto al segnale ottenuto dall'analisi a livello di ROI. Attualmente, i metodi comunemente utilizzati per la stima dei microparametri a livello di ROI non sono altrettanto efficaci a livello di voxel, a causa del basso SNR. Approcci semplificati, come il metodo grafico di Patlak, sono applicabili, ma generano parametri con informazioni fisiologiche meno dettagliate. Pertanto, c'è la necessità di un approccio in grado di produrre risultati affidabili a livello di voxel. Una soluzione potrebbe essere negli stimatori Bayesiani, che sfruttano informazioni a priori per performare meglio in presenza di dati rumorosi. Tuttavia, la stima dei microparametri nel modello è basata sull'assunzione di disporre di una funzione di input priva di rumore. Questo richiede tipicamente campionamenti arteriali, che possono essere scomodi e gravosi per il paziente. Un'alternativa è la Image-derived Input Function (IDIF), che estrae la funzione di input direttamente dall'immagine PET, utilizzando le arterie carotidi interne (ICA) o le arterie carotidi comuni (CCA), con correzioni applicate per correggere i Partial Volume Effect (PVE). Questa tesi si concentra sull'esplorazione di un approccio bayesiano per consentire una stima adeguata dei microparametri a livello di voxel. In particolare, è stato utilizzato il metodo di stima Maximum A Posteriori (MAP). Nella nostra implementazione, le informazioni a priori derivano dalle stime a livello di ROI, con l'obiettivo finale di ottenere stime precise a livello di voxel. Inoltre, la stima MAP è stata testata con un vincolo su un parametro del modello, il k3, basato sulla stima voxel-wise di Ki ottenuta utilizzando l'analisi grafica di Patlak, per ridurre ulteriormente la complessità. Inoltre, è stata esaminata l'influenza dell'utilizzo di diverse funzioni di input estratte da diverse ROI vascolari in questo studio. L'analisi è stata eseguita su un dataset composto da 10 soggetti affetti da glioma sottoposti ad una acquisizione con tracciante [18F]FDG su un sistema PET/MR presso l'Ospedale Universitario di Padova. Per valutare l'affidabilità dei risultati ottenuti con la stima MAP, le mappe parametriche sono state confrontate con quelle ottenute utilizzando un altro approccio bayesiano, ovvero il Variational Bayes (VB). Le stime a livello di voxel ottenute dai due diversi metodi presentano una correlazione elevata. Per quanto riguarda la funzione di input, osserviamo che si ottengono stime simili utilizzando l'IDIF delle ICA con correzione del PVE o utilizzando l'IDIF delle CCA senza alcuna correzione. Questo approccio apre la strada a futuri studi sulla gestione dei dati rumorosi in relazione all'errore di misura e sull'ispezione dell'influenza dei vincoli sul calcolo a posteriori del parametro k3.