Кривая время-активность - Time-activity curve

Кривая зависимости активности от времени, показывающая концентрацию индикатора в интересующей области ткани (области интереса) с течением времени.

В медицинская визуализация, а кривая время-активность представляет собой кривую радиоактивности (с точки зрения концентрации), отложенную по оси y, в зависимости от времени, нанесенного на ось x. Он показывает концентрацию радиоактивный индикатор в пределах интересующей области изображения, измеренной с течением времени в результате динамического сканирования. Обычно, когда кривая время-активность получается внутри ткани, ее называют кривой зависимости активности ткани от времени, которая представляет концентрацию индикатора в интересующей области внутри ткани с течением времени.

Современный кинетический анализ выполняется с помощью различных методов медицинской визуализации, которые требуют кривой зависимости активности ткани от времени в качестве одного из входных данных для математической модели, например, в динамической модели. позитронно-эмиссионная томография (ПЭТ) визуализация, или перфузионная КТ, или с динамическим усилением контраста магнитно-резонансная томография (DCE-MRI) с использованием динамического сканирования. Динамическое сканирование - это сканирование, при котором двумерные (2D) или трехмерные (3D) изображения получаются снова и снова в течение периода времени, формируя временной ряд наборов данных 2D / 3D изображений. Например, сканирование динамической магнитно-резонансной томографии с усиленным контрастом, полученное в течение десяти минут, содержит короткие кадры изображения, полученные в течение 30 секунд, чтобы уловить быструю динамику индикатора гадолиния. Каждая точка данных на кривой время-активность представляет собой измерение концентрации индикатора из области, сегментированной на каждом из этих временных кадров изображений, полученных с течением времени.

Получение кривой время-активность

Кривые зависимости активности от времени получают с помощью анализа области интереса. Анализ интересующей области ограничивает данные изображения определенной областью, в которой можно проводить измерения, например, поясничными позвонками или шейкой бедра. Затем пиксели изображения в этой специально отмеченной области реплицируются на всех кадрах изображения динамического сканирования, и затем наносится среднее значение пикселя из всех кадров изображения в зависимости от времени, в которое эти кадры изображения были получены.

Концепция поясняется на примере ниже. Рассмотрим динамическое изображение, где каждая таблица представляет изображение, полученное в разное время, скажем, в момент времени t = 1 секунда, t = 2 секунды, t = 3 секунды, t = 4 секунды, t = 5 секунд и t = 6 секунд. . Предположим, что на этом изображении каждый воксель показывает концентрацию индикатора в единицах Бк / мл. Теперь предположим, что наша целевая область в каждом изображении - это только четыре центральных вокселя. Сначала идентифицируются четыре центральных пикселя в каждом изображении, что является нашей интересующей областью, затем для каждого кадра берется среднее значение.

1 1 1 1 1 2 2 1 1 2 2 1 1 1 1 1	2 2 2 2 2 3 3 2 2 3 3 2 2 2 2 2	3 3 3 3 3 4 4 3 3 4 4 3 3 3 3 3	4 4 4 4 4 6 6 4 4 6 6 4 4 4 4 4	3 3 3 3 3 4 4 3 3 4 4 3 3 3 3 3	2 2 2 2 2 3 3 2 2 3 3 2 2 2 2 2

t = 1 сек ........... t = 2 сек ............ t = 3 сек ............ t = 4 сек ............ t = 5 сек ............ t = 6 сек

В этом примере у нас будет среднее значение 2 для 1-го кадра при t = 1, 3 для 2-го кадра при t = 2, 4 для 3-го кадра при t = 3, 6 для 4-го кадра при t = 4. , 4 для 5-го кадра при t = 5 и 3 для 6-го кадра при t = 6. Теперь эти значения могут быть нанесены на график, где время указано на оси x, а усредненные значения концентрации - на оси y. График будет выглядеть следующим образом (при условии, что значения пикселей в изображении будут равны 0 при t = 0):

Кривая время-активность для примера, объясненного в тексте

Интересующую область (четыре центральных пикселя в приведенных выше примерах) можно определить вручную,^[1] полуавтомат,^[2] или автоматический^[3] методы. Ручное определение интересующей области требует, чтобы пользователь нарисовал произвольную границу вокруг целевой области, что является субъективным. Граница может быть отмечена точками или линиями разной толщины. Выбор также может быть осуществлен путем выбора значений координат. При выборе интересующей области пользователь может отслеживать свойства граничных пикселей, например, положение и значение текущего выбранного пикселя.

Полуавтоматические методы определяют интересующую область с минимальным взаимодействием с пользователем и могут быть в целом разделены на геометрический выбор.^[4][2] пороговое значение,^[5] и региональные методы выращивания,^[6] или комбинация любых двух или любых других критериев.^[7] В методах определения порога пиксели выше определенного уровня интенсивности в изображении включаются в интересующую область. В методах наращивания области пользователь выбирает начальный пиксель, который идентифицирует первый пиксель в интересующей области, и на основе критерия остановки соседние пиксели присоединяются к начальному пикселю, и когда алгоритм останавливает пиксели, окружающие начальные пиксели, образуют область представляет интерес.

Автоматические методы не требуют вмешательства пользователя,^[8] и их также называют итеративными или адаптивными методами, поскольку они работают на основе предварительных знаний о регионе, который необходимо проанализировать. Большинство полуавтоматических методов также можно автоматизировать, но они должны быть проверены на соответствие ручному золотому стандарту, разработанному экспертами.^[2][9]

Связь с артериальной входной функцией

Получение кривой время-активность в артерии является первым шагом к получению изображения, полученного на основе изображений. функция артериального ввода (IDAIF). Затем кривая артериальной активности-времени корректируется с учетом различных ошибок с использованием пробы артериальной / венозной крови, прежде чем функция ввода артериальной крови (AIF) может быть использована в качестве входных данных для модели для кинетического анализа.

Смотрите также

• Функция артериального ввода
• Позитронно-эмиссионная томография

Рекомендации

1. Mykkänen, Jouni M .; Юхола, Марти; Руотсалайнен, Улла (2000). «Извлечение VOI из изображений ПЭТ мозга». Международный журнал медицинской информатики. 58-59: 51–57. Дои:10.1016 / с 1386-5056 (00) 00075-7. ISSN  1386-5056.
2. Puri, T .; Blake, G.M .; Курран, К. М .; Carr, H .; Moore, A.E.B .; Colgan, N .; О'Коннелл, М. Дж .; Marsden, P.K .; Фогельман, И .; Фрост, М. Л. (2012). «Полуавтоматическая проверка области интереса на бедренной кости при ПЭТ / КТ 18F-фторида». Журнал технологий ядерной медицины. 40 (3): 168–174. Дои:10.2967 / jnmt.111.100107. ISSN  0091-4916.
3. Фэн, Юэ; Фанг, Хуэй; Цзян, Цзяньминь (2005), «Расширение области с автоматическим заполнением для сегментации семантических видеообъектов», Распознавание образов и анализ изображений, Springer Berlin Heidelberg, стр. 542–549, ISBN  978-3-540-28833-6, получено 2020 Проверить значения даты в: | дата доступа = (помощь)
4. Krak, Nanda C .; Boellaard, R .; Hoekstra, Otto S .; Twisk, Jos W. R .; Hoekstra, Corneline J .; Ламмерцма, Адриан А. (2004). «Влияние метода определения и реконструкции ROI на количественный результат и применимость в испытании по мониторингу ответа». Европейский журнал ядерной медицины и молекулярной визуализации. 32 (3): 294–301. Дои:10.1007 / s00259-004-1566-1. ISSN  1619-7070.
5. Санкур, Бюлент (2004). «Обзор методов определения порога изображения и количественная оценка эффективности». Журнал электронного изображения. 13 (1): 146. Дои:10.1117/1.1631315. ISSN  1017-9909.
6. ZHENG, L., JESSE, J. & HUGUES, T. (2001) Рост незасеянной области для сегментации трехмерного изображения. Избранные документы Пан-Сиднейского семинара по визуализации - Том 2. Сидней, Австралия, Австралийское компьютерное общество, Inc.
7. Пан, Чжигэн; Лу, Цзяньфэн (2007). "Байесовский алгоритм увеличения области для сегментации медицинских изображений". Вычислительная техника в науке и технике. 9 (4): 32–38. Дои:10.1109 / mcse.2007.67. ISSN  1521-9615.
8. Suzuki, H .; Ториваки, Дж. «Автоматическая установка пороговых значений для трехмерного отображения изображений МРТ головы». [Труды 1988] 9-я Международная конференция по распознаванию образов. IEEE Comput. Soc. Нажмите. Дои:10.1109 / icpr.1988.28473. ISBN  0-8186-0878-1.
9. Уивер, Жан Р .; Ау, Джесси Л.С. (1 октября 1997 г.). <128 :: aid-cyto5> 3.0.co; 2-9 «Применение автоматического определения порогового значения при анализе изображений клеток солидных опухолей человека, меченных маркерами пролиферации». Цитометрия. 29 (2): 128–135. Дои:10.1002 / (sici) 1097-0320 (19971001) 29: 2 <128 :: aid-cyto5> 3.0.co; 2-9. ISSN  0196-4763.