Back to search

National and Kapodistrian University of Athens

Anatomically aware machine learning modeling of PET count rates for detection and quantification of radiotracer extravasation

Abstract

dc:description

Υπόβαθρο: Η Τομογραφία Εκπομπής Ποζιτρονίων σε συνδυασμό με την Αξονι κή Τομογραφία (PET/CT) χρησιμοποιείται ευρέως για την εκτίμηση της έκτασης των νοσημάτων και της μεταβολικής δραστηριότητας. Ενώ η αξονική τομογραφία παρέχει ανατομική πληροφορία, η PET επιτρέπει την ποσοτική αξιολόγηση φυσιολογικών διεργα σιών μέσω της πρόσληψης ραδιοφαρμάκου, η οποία συνήθως εκφράζεται με τη χρήση της Τυποποιημένης Τιμής Πρόσληψης (Standardized Uptake Value, SUV). Η αξιοπιστία των μετρήσεων SUV εξαρτάται σε μεγάλο βαθμό από την ορθή χορήγηση του ραδιοφαρμάκου. Ηεξαγγείωση, η οποία ορίζεται ως η ακούσια διαρροή του ραδιοφαρμάκου στο σημείο της έγχυσης, μειώνει την πραγματικά κυκλοφορούσα ενεργότητα και οδηγεί σε συστηματική υποεκτίμηση των καταγεγραμμένων ςουντς και των ποσοτικών δεικτών. Σκοπός: Στόχος της παρούσας εργασίας είναι η ανάπτυξη ενός πλαισίου βασισμένου σε δεδομένα για την πρόβλεψη των αναμενόμενων ρυθμών καταμέτρησης PET σε διαφο ρετικές ανατομικές περιοχές εξετάσεων 18F-FDG PET/CT. Μέσω της σύγκρισης μεταξύ προβλεπόμενων και μετρούμενων counts, η προτεινόμενη μεθοδολογία επιδιώκει να εντο πίσει αποκλίσεις που σχετίζονται με εξαγγείωση, να εκτιμήσει τη μη ανιχνευόμενη ενερ γότητα και να επιτρέψει τη διόρθωση επηρεαζόμενων ποσοτικών δεικτών, όπως το SUV. Επιπλέον, αποσκοπεί στην υποστήριξη της λήψης κλινικών αποφάσεων, παρέχοντας τη δυνατότητα προσαρμογής παραμέτρων όπως ο χρόνος λήψης ή η πραγματική ενεργότητα κατά τη στιγμή της σάρωσης, όταν η εξαγγείωση έχει εντοπιστεί εκ των προτέρων. Μέθοδοι: Αναλύθηκε αναδρομικά σύνολο δεδομένων αποτελούμενο από 105 ασθε νείς που υποβλήθηκαν σε απεικόνιση 18F-FDG PET/CT. Για κάθε ασθενή συλλέχθηκαν δημογραφικά, ανθρωπομετρικά και σχετιζόμενα με την εξέταση χαρακτηριστικά, συμπερι λαμβανομένων της χορηγούμενης ενεργότητας, του χρόνου πρόσληψης και των μετρούμε νων ρυθμών καταμέτρησης ανά θέση κλίνης. Οι ανατομικές περιοχές ορίστηκαν βάσει της κανονικοποιημένης αξονικής θέσης. Εκπαιδεύτηκαν πολλαπλά μοντέλα μηχανικής μάθη σης, συμπεριλαμβανομένων της Γραμμικής Παλινδρόμησης, του Elastic Net, του Random Forest και του XGBoost, με σκοπό την πρόβλεψη των ρυθμών καταμέτρησης ανά ανατομική περιοχή. Η απόδοση των μοντέλων αξιολογήθηκε με τη χρήση τυπικών μετρικών (RMSE, MAE και R2) καθώς και με διασταυρούμενη επικύρωση (cross-validation). Οι αποκλίσεις μεταξύ προβλεπόμενων και μετρούμενων ςουντς θεωρήθηκαν ως μη ανιχνευ όμενα ςουντς και μετατράπηκαν σε ενεργότητα μέσω της ευαισθησίας του συστήματος PET, επιτρέποντας την εκτίμηση της εξαγγειωμένης ενεργότητας και τη συνακόλουθη διόρθωση των τιμών SUV. Αποτελέσματα: Η απόδοση των μοντέλων παρουσίασε διαφοροποιήσεις μεταξύ των ανατομικών περιοχών, με τη μεγαλύτερη ακρίβεια πρόβλεψης να παρατηρείται σε περιοχές χαμηλότερης φυσιολογικής μεταβλητότητας, όπως ο τράχηλος και ο θώρακας (R2 ≈ 0.35 0.40), ενώ χαμηλότερη απόδοση καταγράφηκε σε περιοχές με αυξημένη μεταβλητότητα, όπως η κοιλιακή χώρα και η κεφαλή. Τα μοντέλα Γραμμικής Παλινδρόμησης και Elastic Net παρουσίασαν τη σταθερότερη συνολική συμπεριφορά, ενώ τα πιο σύνθετα μοντέλα δεν οδήγησαν σε σημαντική βελτίωση της απόδοσης. Η προτεινόμενη μεθοδολογία εντόπισε επιτυχώς αποκλίσεις σε γνωστές περιπτώσεις εξαγγείωσης και επέτρεψε την εκτίμηση της απολεσθείσας ενεργότητας, οδηγώντας σε συντελεστές διόρθωσης από 10% έως και 50% σε σοβαρές περιπτώσεις εξαγγείωσης, επηρεάζοντας κυρίως τις τιμές SUV. Συμπεράσματα: Η προτεινόμενη προσέγγιση μοντελοποίησης ανά ανατομική περιο χή παρέχει μια πρακτική και επεκτάσιμη μέθοδο για την ανίχνευση εξαγγειώσεων ραδιο φαρμάκου απευθείας από τα δεδομένα της PET εξέτασης. Μέσω της εκτίμησης της μη ανιχνευόμενης ενεργότητας και της διόρθωσης των τιμών SUV, το πλαίσιο αυτό έχει τη δυνατότητα να βελτιώσει την ακρίβεια και την αξιοπιστία της ποσοτικής απεικόνισης PET χωρίς την ανάγκη πρόσθετου εξοπλισμού. Επιπλέον, η ανάπτυξη ενός διαδραστικού ερ γαλείου που επιτρέπει την άμεση σύγκριση μεταξύ μετρούμενων και αναμενόμενων counts μπορεί να βοηθήσει τους ιατρούς στον εντοπισμό και την εκτίμηση μιας εξαγγείωσης, στην αξιολόγηση της έκτασής της και στην πραγματοποίηση έγκαιρων προσαρμογών της κλινικής διαδικασίας.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Κουκοπούλου Αικατερίνη
  • Koukopoulou Aikaterini

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:5410374
OAI identifier oai:identifier
oai:lib.uoa.gr:uoadl:5410374

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-07-24
Source record
OAI-PMH GetRecord
citation

Κουκοπούλου Αικατερίνη; Koukopoulou Aikaterini. Anatomically aware machine learning modeling of PET count rates for detection and quantification of radiotracer extravasation. 2026. https://pergamos.lib.uoa.gr/uoa/dl/object/5410374