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 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.