从图像生成到衰减校正的直接正电子发射无重建成像系统设计
背景介绍
一百年前，Hevesy首次提出利用放射性示踪剂作为植物的生物指标，并后来在大鼠实验中得到验证。这一发现推动了核医学和分子成像作为生物医学领域的发展，使得在分子层面定量可视化生物过程成为可能。在众多成像技术中，单光子发射计算机断层扫描（SPECT）和正电子发射断层扫描（PET）显得尤为重要，它们能够通过标记化合物来定量检测生物功能和代谢。在这些技术发展的过程中，通过融合X射线计算机断层扫描（CT）或磁共振成像（MRI）获取解剖信息，进一步提升了诊断和数据修正的准确性。
然而，现有系统的一大限制在于图像重建过程中存在的时间消耗和噪声传播问题。鉴于此，近年来研究人员开始探索不依赖数学重建步骤的新一代分子成像方法，即直接正电子发射成像（DPEI）。DPEI利用超快飞行时间（TOF）探测器，通过检测511 keV伽马射线的差异来直接定位信号源。这种技术由于其节省空间和灵活的几何特性受到了广泛关注。为了进一步提高DPEI系统在临床实践中的实际适用性，本研究引入了一种全新的无重建成像方法，即直接µCompton成像，旨在从图像生成到衰减校正实现全程无重建成像。
研究来源
本文由Yuya Onishi、Fumio Hashimoto、Kibo Ote和Ryosuke Ota等科学家撰写，发表在《IEEE Transactions on Medical Imaging》期刊的2024年5月刊中。本文的研究工作主要由日本Hamamatsu Photonics K.K.中央研究实验室完成。
研究流程
直接µCompton成像算法
直接µCompton成像是一种通过外部正电子源生成放射性伽马射线并利用超快TOF探测器直接定位康普顿散射位置的成像方法。其主要流程包括生成正电子对撞并测量伽马射线抵达探测器的时间和位置，利用这些数据通过数学求解定位康普顿散射事件。
研究中，康普顿散射位置采用牛顿法求解，利用伽马射线与探测器的交互作用记录xyz位置和时间信息。根据公式推导的几何关系，通过逐事件的几何校正因子即Klein-Nishina公式，最终生成具有解剖信息的µCompton图像。
直接正电子发射成像算法
DPEI不需要使用准直器，通过相同的TOF探测器几何生成三维图像，仅需记录每个伽马光子在探测器的xyz位置和时间，通过数学求解定位湮灭事件的位置。
衰减校正
为了修正DPEI图像中的γ射线衰减，研究使用了µCompton图像。首先，将µCompton图像转换为三维衰减系数分布（µmap），然后计算衰减校正因子（ACF），最终生成经过衰减校正的DPEI图像。
实验设置
通过蒙特卡洛模拟评估全无重建成像系统的可行性。探测器采用单块铋锗酸盐晶体，尺寸为200×200 mm²，厚度为5 mm。模拟中使用的虚设体包括三种素材：空气、水和骨头。正电子源均匀注入水样本，并进行多次模拟验证以评估µCompton和DPEI成像的性能。同时，模拟实验还包括脑样本，以更接近临床场景。
数据分析
直接µCompton成像生成的图像强度反映了康普顿散射的概率，因而与衰减系数成线性关系。实验通过模拟不同元素和组织等对多种参数进行了分析，结果表明，µCompton图像可以转换为线性衰减系数分布，并且经过几何校正后生成的图像能够区分不同密度的材质。
DPEI图像则通过µCompton图像进行衰减校正，提高了图像的定量准确性。在不同探测器条件下评估了DPEI图像和µCompton图像的融合效果，结果表明，两者结合可以同时获取功能和解剖信息，提高了图像的实用性和诊断准确性。
研究结果
实验表明，直接µCompton成像生成的图像可以与DPEI图像进行融合，通过结合两种成像方法，能够实现功能和解剖信息的同时获取，提高了核医学临床检查的诊断准确性。此外，µCompton图像用于衰减校正可显著改进DPEI图像的定量精度。
在模拟的脑样本实验中，未经衰减校正的DPEI图像中心区域存在显著信号减弱，而通过µCompton图像进行衰减校正后，图像恢复了预期的定量值，显示出脑灰白质4:1的对比度。
研究结论
本文通过开发直接µCompton成像，展示了从图像生成到衰减校正的全无重建成像系统的可行性。通过蒙特卡洛模拟显示，使用这种多模态成像系统可以获取功能和解剖的混合图像，并且利用µCompton图像进行衰减校正显著提高了DPEI图像的定量准确性。整个无重建成像系统的实现为分子成像提供了新的视角和应用前景，为未来核医学和分子影像领域的发展提供了重要的技术支持。
研究亮点
- 新颖性: 研究提出的直接µCompton成像方法在无重建成像领域具有开创性，能够直接生成解剖信息。
- 实用性: 融合的成像系统不仅提高了图像的定量准确性，还使得功能与解剖信息的同时获取成为可能，增加了临床应用的潜力。
- 技术突破: 运用了先进的超快TOF探测器和深度学习技术，展示了在核医学影像技术中的巨大应用潜力和发展空间。