Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

TINJAU
AN

Rekonstruksi gambar untuk

pemindai PET/CT: pencapaian di
masa lalu dan tantangan di
masa
PET adalah depan
modalitas pencitraan medis dengan nilai klinis yang telah terbukti untuk diagnosis penyakit dan
pemantauan pengobatan. Integrasi PET dan CT pada pemindai modern memberikan sinergi dari dua
modalitas pencitraan. Melalui algoritme matematika yang berbeda, data PET dapat direkonstruksi
ke dalam distribusi spasial radiotracer yang disuntikkan. Dengan pencitraan dinamis, parameter kinetik dari
proses biologis tertentu juga dapat ditentukan. Berbagai upaya telah dikhususkan untuk pengembangan
metode rekonstruksi gambar PET selama empat dekade terakhir, yang mencakup metode rekonstruksi
analitik dan iteratif. Artikel ini memberikan gambaran umum tentang metode yang umum digunakan.
Tantangan saat ini dalam rekonstruksi gambar PET meliputi kuantifikasi yang lebih akurat, pencitraan
TOF, pemodelan sistem, koreksi gerakan, dan rekonstruksi dinamis. Kemajuan dalam aspek-aspek ini
dapat meningkatkan penggunaan pencitraan PET/CT dalam perawatan pasien dan dalam studi penelitian
klinis tentang patofisiologi dan intervensi terapeutik.

Kata kunci: rekonstruksi analitik ◼ pencitraan 3D sepenuhnya ◼ rekonstruksi berulang Shan Tong1 ,
◼ metode maksimalisasi ekspektasi kemungkinan maksimum ◼ PET
Adam M Alessio1
& Paul E
PET adalah modalitas pencitraan medis yang telah terbukti Kinahan†1
1Departemen Radiologi, Universitas
nilai klinis untuk mendeteksi, menentukan koreksi data. Kami kemudian Data tomografi PET
stadium dan memantau berbagai macam melanjutkan dengan metode ◼ Pernyataan masalah
penyakit. Teknik ini membutuhkan injeksi rekonstruksi untuk data PET 2D Akuisisi & representasi data
radiotracer, yang kemudian dipantau secara dan 3D. Terakhir, kami Pencitraan PET dapat mengukur distribusi
eksternal untuk menghasilkan data PET [1,2]. membahas tantangan saat ini spasial dari proses fungsional aktif, seperti
Melalui algoritma yang berbeda, data PET dalam rekonstruksi citra PET. metabolisme glukosa, dalam jaringan
dapat direkonstruksi ke dalam distribusi spasial Pekerjaan ini berfokus pada hidup. Fisika pencitraan PET dibahas secara
radiotracer. Pencitraan PET memberikan metode rekonstruksi gambar PET rinci di tempat lain [5]. Di sini kami akan
informasi non-invasif, informasi kuantitatif yang umum, dan penjelasan rinci menjelaskan secara singkat proses akuisisi
tentang proses biologis, dan informasi tentang pendekatan yang lebih data. Senyawa fungsional pertama-tama
fungsional tersebut dapat dikombinasikan maju dapat ditemukan dalam dilabeli dengan radioisotop pemancar
dengan informasi anatomi dari CT scan. literatur yang dirujuk. positron. Kemudian senyawa berlabel, yang
Integrasi PET dan CT pada pemindai PET/CT disebut radiotracer, disuntikkan ke dalam
modern memberikan sinergi dua modalitas subjek hidup dan secara istimewa
pencitraan, dan dapat mengarah pada terakumulasi di tempat senyawa tersebut
peningkatan diagnosis penyakit dan dimetabolisme. Saat radioisotop meluruh ke
pemantauan pengobatan [3,4]. keadaan stabil, posi- tron yang dipancarkan
Mengingat pencitraan PET dibatasi oleh bergerak dalam jarak pendek (biasanya <1
tingkat noise yang tinggi dan resolusi spasial mm) dan mengalami pemusnahan,
yang relatif buruk, banyak upaya penelitian menghasilkan dua foton pemusnahan.
telah dikhususkan untuk pengembangan dan Foton bergerak berlawanan arah di
peningkatan metode rekonstruksi gambar PET sepanjang garis yang kira-kira lurus, dan
sejak diperkenalkannya PET pada tahun 1970- dapat dideteksi di luar tubuh oleh pemindai
an. Artikel ini memberikan pengantar singkat PET. Jika dua foton terdeteksi dalam
tentang rekonstruksi tomografi dan gambaran jendela waktu yang singkat (jendela cepat),
umum metode yang umum digunakan untuk pendeteksian ini disebut peristiwa
PET. Kami mulai dengan perumusan masalah kebetulan. Pipa paralel yang
dan kemudian memperkenalkan metode menghubungkan dua elemen detektor
disebut tabung respons (GAMBAR 1). Dengan tidak adanya of Washington, Seattle WA, Amerika Serikat
†Penulisuntuk korespondensi: Tel.:
beberapa efek fisik yang mengganggu, seperti atenuasi, jumlah +1 206 543 0236
total peristiwa kebetulan yang terdeteksi oleh kedua elemen Faksimili: +1 206 543 8356
detektor akan sebanding dengan jumlah total pelacak yang kinahan@u.washington.edu

terkandung dalam tabung respons. Ini adalah kunci

pencitraan PET. Berdasarkan hubungan ini, seseorang
dapat memproses peristiwa kebetulan untuk merekonstruksi
distribusi senyawa berlabel.

10.2217/IIM.10.49 © 2010 Future Medicine Ltd Imaging Med (2010) 2(5), 529-545 ISSN 1755-5191 529

530 Imaging Med. (2010) kelompok sains masa

2(5) depan
 Rekonstruksi gambar untuk pemindai PET/CT
TINJAUAN

dari fakta bahwa satu titik dalam f(x, y)

Detektor 1
Pemind menelusuri sebuah sinusoid dalam ruang
ai proyeksi. Sinogram untuk sebuah objek adalah
sumb
uz superposisi dari semua sinusoid yang
dibobotkan dengan jumlah aktivitas pada setiap
titik dalam objek (GAMBAR 3).

Formulasi rekonstruksi gambar

Tujuan dari rekonstruksi gambar PET adalah
untuk memproyeksikan gambar penampang
dari distribusi radiotracer pada sebuah objek,
menggunakan kejadian kebetulan yang
TOR terdeteksi oleh pemindai. Formulasi matematis
Detektor 2 terperinci dari masalah ini disajikan dalam [6].
Di sini kami memformulasikan rekonstruksi
Pencitraan Med. © Future Science Group
(2010) gambar sebagai masalah invers linier.
Kami mendefinisikan vektor f sebagai gambar
Gambar 1. Tabung respons antara dua yang tidak diketahui. f adalah representasi
detektor. diskrit dari objek kontinu, yang biasanya
TOR: Tabung tanggapan. diwakili oleh elemen gambar 2D atau 3D
(yaitu, piksel atau vektor). Sistem pencitraan
Pertimbangkan bidang pencitraan 2D yang digambarkan oleh matriks H, y a n g disebut
melintasi objek. Distribusi aktivitas objek pada matriks pencitraan. Himpunan proyeksi
bidang ini dilambangkan sebagai f(x, y), dengan disusun menjadi vektor p. Proses pencitraan
x dan y adalah spa- dapat dimodelkan sebagai persamaan matriks
tunggal sebagai:
koordinat Kartesius awal. Untuk p = Hf (1)
mempermudah, tabung respons akan
direpresentasikan sebagai garis
respon (LOR) dalam bidang pencitraan ini. Formulasi ini mengasumsikan bahwa data
GAMBAR 2 menunjukkan bagaimana peristiwa PET bersifat deterministik, tidak mengandung
kebetulan diatur dalam kasus 2D. Integral garis gangguan statistik. Metode rekonstruksi
di sepanjang semua LOR paralel pada sudut Ø analitik didasarkan pada formulasi ini. Metode
membentuk proyeksi p(s, Ø), dengan s adalah ini memberikan solusi langsung f dari p, dan
jarak dari pusat bidang pandang. Kumpulan model pencitraan yang disederhanakan ini
semua proyeksi untuk semua sudut selanjutnya menghasilkan teknik rekonstruksi yang relatif
disusun ke dalam sebuah sinogram, yang cepat. Namun, data PET memiliki sifat
merupakan fungsi 2D dari s dan Ø. Sebuah stastistik yang melekat. Ada ketidakpastian
proyeksi tunggal, p(s, Ø) pada semua lokasi s, yang terkait dengan beberapa aspek fisika PET,
mengisi satu baris dalam sinogram. Nama termasuk: proses peluruhan positron, efek
'sinogram' berasal dari atenuasi, hamburan aditif dan peristiwa acak,
dan proses deteksi foton. Ketidakteraturan ini
Proyeksi
dapat dimodelkan untuk menghasilkan gambar
Sinogram
p(s, ϕ) rekonstruksi yang lebih tepat. Dalam hal ini,
s
PERSAMAAN 1 hanya memodelkan perilaku rata-rata
sistem pencitraan, dan formulasi statistik yang
y seharusnya:
ϕ
s E6 p@ = Hf (2)
ϕ
x di mana E[-] menunjukkan ekspektasi
Integrasikan matematis. Formulasi ini digunakan dalam
sepanjang sebagian besar metode rekonstruksi berulang.
LOR pada ϕyang s Seperti yang akan kita lihat nanti,
Sumber titik
tetap
Proyeksi sumber memodifikasi statistik data dapat menghasilkan
titik pada ϕ yang hasil rekonstruksi yang lebih baik.
berbeda
 Pencitraan PET 2D versus pencitraan PET sepenuhnya 3D
Gambar 2. Representasi data sinogram. Sebuah proyeksi dibentuk melalui
Pada pencitraan PET 2D, data hanya
TINJAUAN
integrasi distribusi Tong, Alessio
radiotracer & di sepanjang LOR pada sudut yang sama.
pada objek dikumpulkan pada bidang langsung dan bidang
Satu proyeksi mengisi satu baris dalam sinogram. Sebuah sumber titik menelusuri
Kinahan silang (GAMBAR 4). Bidang langsung tegak lurus
gelombang sinus dalam ruang proyeksi. terhadap sumbu pemindai, dan bidang silang
LOR: Garis respons. menghubungkan elemen detektor dalam dua
cincin detektor yang berdekatan. Gambar 2D
direkonstruksi pada

532 Imaging Med. (2010) kelompok sains masa

2(5) depan
 Rekonstruksi gambar untuk pemindai PET/CT
TINJAUAN

masing-masing bidang, dan ditumpuk untuk

membentuk volume gambar 3D. Jadi,
pencitraan PET 2D menghasilkan volume
gambar 3D.
Pada pencitraan 3D sepenuhnya, kebetulan
juga direkam di sepanjang bidang miring
(GAMBAR 4). Hal ini memungkinkan penggunaan
radiasi yang dipancarkan dengan lebih baik,
sehingga menghasilkan sensitivitas pemindai
yang meningkat. Untuk dosis radiasi dan waktu
pencitraan yang diberikan, pencitraan 3D
sepenuhnya biasanya menghasilkan 5-10 kali
lebih banyak peristiwa yang terdeteksi [7,8].
Peningkatan sensitivitas ini dapat
meningkatkan performa signal-to-noise dalam
gambar yang direkonstruksi. Namun di sisi
negatifnya, pengukuran 3D sepenuhnya Φ y
membutuhkan lebih banyak penyimpanan data
dan waktu pemrosesan rekonstruksi, dan
mengandung lebih banyak peristiwa kebetulan
yang tersebar dan acak daripada data 2D. Hal
ini menghambat penggunaan pencitraan 3D
sepenuhnya pada awal pengembangan PET.
Dengan kemajuan dalam penyimpanan data,
kecepatan komputasi dan koreksi scatter [9,10],
pencitraan 3D sepenuhnya sekarang banyak
digunakan secara klinis.

◼ Koreksi kuantitatif s x
Untuk mencapai pencitraan kuantitatif di
mana setiap nilai voxel gambar mewakili
konsentrasi aktivitas jaringan yang sebenarnya,
sejumlah faktor koreksi perlu diperkirakan [11].
Peristiwa kebetulan yang diukur dalam jendela
waktu yang cepat P terkait dengan peristiwa
kebetulan yang sebenarnya T sebagai:

P = N^AT + S + (3)
Rh

di mana A, R, S dan N adalah faktor koreksi
atenuasi, acak, sebaran dan normalisasi yang
akan dijelaskan di bawah ini. Koreksi ini dapat
diterapkan pada data PET mentah, atau dapat
digabungkan dalam metode rekonstruksi
berulang.
didominasi oleh hamburan Compton, yang mengurangi energi foton dan
mengubah arahnya. Apabila foton gagal bergerak sepanjang garis lurus, akibat
hamburan atau interaksi lainnya, foton akan dilemahkan, yang mewakili
degradasi terbesar pada data PET. Probabilitas pelemahan untuk pasangan foton
pemusnahan yang diberikan tidak bergantung pada posisi pemusnahan di
sepanjang LOR, sehingga memungkinkan untuk mengoreksi efek ini.

Koreksi atenuasi
Ketika positron yang dipancarkan
memusnahkan diri, maka akan membentuk
dua foton, masing-masing dengan energi 511
keV. Apabila kedua foton ini terdeteksi pada
saat yang sama, keduanya dipasangkan bersama
sebagai peristiwa kebetulan yang sesungguhnya.
Pada energi foton ini, sebagian besar foton
yang dipancarkan akan berinteraksi dalam
subjek sebelum keluar dari tubuh. Interaksi ini

kelompok sains masa www.futuremedicine.com 531

depan
 kejadian[13].
statistik acak. (C) Sinogram setelah koreksi sebaran dan acak, koreksi atenuasi,
normalisasi,
Pemindai dan koreksigabungan
PET-CT waktu mati.memberikan
Level jendela pada (C) adalah 10 kali level
jendela pada (A) dan (B). (D) Satu irisan transaksial volume gambar yang
solusi lain untuk masalah ini. Peta atenuasi 511
direkonstruksi dari sinogram.
TINJAUAN Tong, Alessio & keV dapat dihasilkan dari gambar CT. Metode
Kinahan
Faktor penskalaan multilinear digunakan untuk
koreksi mengonversi koefisien atenuasi yang diukur
atenuasi dengan CT sinar-x (biasanya pada 30-120 keV)
dapat ke
ditentukan
melalui
pengukuran
langsung.
Pemindaian
transmisi
dilakukan
dengan
menggunaka
n sumber
radiasi
eksternal
yang
mentransmisi
kan foton
melalui
tubuh ke
detektor.
Pemindaian
kosong juga
dilakukan,
dan rasio
antara
sinogram
kosong dan
sinogram
transmisi
dihitung
sebagai
faktor
koreksi
atenuasi
[11,12].
Kelemahan
utama dari
metode ini
adalah
estimasi yang
berisik untuk
pemindaian
transmisi
dengan
aktivitas
rendah.
Sebagai
alternatif,
data
transmisi
dapat
direkonstruk
si menjadi
gambar
koefisien
atenuasi
melalui
metode
532 Imaging Med. (2010) kelompok sains masa
2(5) depan
 Rekonstruksi gambar untuk pemindai PET/CT
TINJAUAN

cukup seragam di seluruh

Pesawat langsungPesawat bidang pandang,
silang Bidang miring kontribusinya perlu
Detektor dikoreksi untuk
kuantifikasi yang tepat.
Septa
Sebagian besar sistem
menggunakan beberapa
Transaksial bentuk

sumb
uz

Aksi
al

HEWAN Pengukuran
PELIHARAAN PET
2D sepenuhnya
pengukuran 3D
Gambar 4. Penampang aksial melalui pemindai PET multiruang yang
menunjukkan akuisisi 2D dan 3D. Dalam mode 2D, pemindai mengumpulkan
data dari bidang langsung dan silang. Dalam mode 3D, pemindai
mengumpulkan data dari semua bidang miring.

nilai pada 511 keV. Faktor koreksi untuk

elemen sinogram individu dihitung dengan
mengintegrasikan koefisien atenuasi sepanjang
LOR yang sesuai [14]. Penggunaan CT untuk
koreksi atenuasi PET dapat menyebabkan
sedikit bias karena perkiraan penskalaan energi
foton. Di sisi lain, koreksi atenuasi berbasis CT
menghasilkan faktor koreksi atenuasi dengan
noise yang jauh lebih rendah, dan pada waktu
pemindaian yang jauh lebih cepat,
dibandingkan dengan pemindaian transmisi
konvensional [15]. Saat ini, koreksi atenuasi
berbasis CT digunakan pada pemindai
PET/CT modern.
Setelah faktor koreksi atenuasi ditentukan
untuk setiap elemen sinogram, faktor tersebut
diterapkan sebagai faktor koreksi multiplikatif,
baik sebelum rekonstruksi atau selama
rekonstruksi berulang.

Koreksi sebaran & acak

Dalam pencitraan PET, data kebetulan yang
sesungguhnya terkontaminasi oleh dua jenis
efek fisiologis aditif, yaitu, kebetulan yang
tersebar dan kebetulan yang acak. Peristiwa
hamburan mengacu pada deteksi kebetulan di
mana satu atau kedua foton telah
dihamburkan. Jalur foton tidak linier setelah
hamburan, dan peristiwa tersebut tidak
diposisikan dengan benar. Meskipun peristiwa
hamburan menghasilkan sinyal kesalahan yang
kelompok sains masa www.futuremedicine.com 533
depan
ambang batas energi untuk membedakan foton yang sangat
terhambur dari foton 511 keV. Bahkan dengan thresholding, teknik
koreksi tambahan, seperti model hamburan yang disimulasikan, juga
TINJAUAN
diperlukan. Dalam metode Tong, Alessiopertama-tama
ini, gambar & direkonstruksi
tanpa Kinahan
koreksi hamburan, dan rekonstruksi awal, bersama dengan
peta atenuasi, digunakan untuk mensimulasikan peristiwa hamburan
[9,16,17].
Peristiwa acak mengacu pada pendeteksian secara kebetulan dua
foton dari pemusnahan yang terpisah. Peristiwa ini tidak
mengandung informasi spasial tentang pemusnahan, dan akan
menyebabkan berkurangnya kontras gambar dan artefak gambar.
Ada dua metode utama untuk estimasi peristiwa acak. Yang pertama
adalah dengan menggunakan jendela waktu yang tertunda, yang
berisi kejadian acak murni dan merupakan perkiraan kejadian acak di
jendela prompt [18,19]. Metode kedua adalah dengan mengestimasi laju
kejadian acak dari laju penghitungan tunggal untuk pasangan
detektor dan jendela waktu kebetulan yang diberikan. Meskipun
kedua metode ini dapat mengoreksi rata-rata data, data yang
dikoreksi masih memiliki varians yang berkurang karena noise yang
ditambahkan oleh kejadian acak [20].
Peristiwa sebaran dan estimasi peristiwa acak dikurangkan dari
data mentah, atau koreksi dapat dimasukkan dalam metode
rekonstruksi berulang.

Koreksi efisiensi detektor & koreksi waktu mati

Dalam sistem PET, efisiensi deteksi kebetulan bervariasi di antara
pasangan elemen detektor yang berbeda, karena variasi kecil dalam
bahan detektor, elektronik, dan geometri. Koreksi efisiensi detektor
('normalisasi') menggunakan faktor perkalian untuk mengoreksi
ketidakseragaman ini. Faktor koreksi dapat ditentukan dengan
mengumpulkan data dari sumber bidang yang seragam atau sumber
batang yang berputar dari aktivitas [21]. Cara lain adalah dengan
memfaktorkan efisiensi pasangan detektor sebagai hasil kali antara
efisiensi detektor individual dan faktor geometris, yang dikenal
sebagai metode berbasis komponen [22,23]. Metode-metode ini dapat
memberikan estimasi faktor normalisasi dengan varian yang rendah.
Setelah menerima foton, detektor memiliki periode waktu di mana
detektor 'mati' terhadap peristiwa baru. Pada laju cacah yang tinggi,
waktu mati di seluruh sistem dapat secara signifikan membatasi
efisiensi pendeteksian dan laju cacah sistem yang sebenarnya tidak
akan meningkat secara linier dengan aktivitas di bidang pandang.
Koreksi untuk waktu mati biasanya melibatkan model untuk
perilaku waktu mati sistem pada tingkat kecepatan hitungan yang
berbeda [24].

534 Imaging Med. (2010) kelompok sains masa

2(5) depan
 Rekonstruksi gambar untuk pemindai PET/CT
TINJAUAN

Rekonstruksi gambar PET 2D Hitungan dari pasangan detektor diproyeksikan

◼ Rekonstruksi gambar analitik Metode
rekonstruksi analitik mengasumsikan bahwa
data PET bebas dari noise, dan berusaha
menemukan solusi matematis langsung untuk
gambar dari proyeksi yang diketahui. Ulasan
komprehensif tentang topik ini diberikan oleh
Kinahan dkk. [25].
Teorema bagian tengah &
rekonstruksi Fourier langsung
Teorema bagian tengah (juga dikenal sebagai
irisan proyeksi atau teorema irisan pusat)
adalah batu penjuru rekonstruksi citra analitik.
Teorema ini menghubungkan data proyeksi
dengan distribusi aktivitas objek melalui alat
matematika yang disebut transformasi Fourier
[26]. Teorema bagian tengah 2D menyatakan
bahwa transformasi Fourier 1D
Bentuk proyeksi pada sudut Ø setara dengan
bagian pada sudut yang sama melalui pusat
transformasi Fourier 2D objek:
kembali ke dalam larik gambar di sepanjang
LOR yang bersebelahan dengan pasangan
detektor tersebut. Karena nilai aktivitas gambar
asli pada setiap lokasi hilang dalam proyeksi
balik, kami menempatkan nilai konstan ke
dalam semua piksel di sepanjang LOR. Dengan
mengulangi hal ini untuk semua pasangan
detektor, kita memperoleh superposisi linier
dari proyeksi balik.
Proyeksi balik lurus menghasilkan gambar
yang menyerupai distribusi aktivitas yang
sebenarnya, tetapi ini adalah versi objek yang
kabur, karena hitungan dibagi rata di sepanjang
LOR. Derivatif matematis menunjukkan
bahwa transformasi Fourier 2D dari proyeksi
balik adalah transformasi Fourier 2D dari objek
yang dibobotkan dengan jarak terbalik dari titik
asal [26]:
, vyh
F^vx
v (5)
dan istilah pembobotan

, zh = F^vx, vyh 1v=1 v2

+ v2 y (6)
P^vs
vx =vr cosz, vy =vr sinz (4) x

di mana P(vs, Ø) adalah transformasi Fourier 1D komputasi dan kesederhanaan implementasi. Rincian algoritme dapat ditemukan
dari proyeksi p(s, Ø), F(vx, vy) adalah transformasi di [26,28]. Di sini kami menjelaskan komponen utama dari metode ini.
Metode intuitif rekonstruksi gambar adalah proyeksi balik, yang merupakan
Fourier 2D dari distribusi objek f(x, y) dan vx
sambungan dari proses akuisisi data proyeksi ke depan.
adalah konjugat domain Fourier untuk x.
Berdasarkan teorema ini, metode Fourier
langsung
telah diusulkan untuk rekonstruksi gambar.
Metode ini mengambil transformasi Fourier 1D
dari setiap baris dalam sinogram (sesuai dengan
satu proyeksi), dan menginterpolasi dan
menjumlahkan hasilnya pada kisi persegi
panjang 2D dalam domain Fourier. Kemudian,
transformasi Fourier 2D invers dibentuk untuk
mendapatkan gambar. Kesulitan utama dalam
rekonstruksi Fourier langsung adalah
interpolasi yang terlibat. Gambar yang
direkonstruksi sangat bergantung pada
keakuratan interpolasi, dan sangat sensitif
terhadap kesalahan interpolasi. Meskipun
interpolasi dapat ditingkatkan dengan fungsi
basis yang berbeda [27], metode Fourier
langsung tidak digunakan secara luas seperti
metode proyeksi balik terfilter, yang akan
dijelaskan selanjutnya.

Proyeksi belakang yang difilter

Proyeksi balik yang difilter adalah metode yang
paling umum untuk rekonstruksi gambar
analitik. Metode ini juga merupakan metode
yang paling banyak digunakan untuk
rekonstruksi gambar CT. Popularitasnya
muncul dari kombinasi akurasi, kecepatan

kelompok sains masa www.futuremedicine.com 535

depan
memperkuat Untuk menghindari hal ini, langkah
frekuensi penyaringan dan proyeksi balik dipertukarkan,
rendah dan yang mengarah ke metode filtered-
TINJAUAN Tong, Alessio &
melemahkan backprojection (FBP) standar. Implementasi
Kinahan
frekuensi rekonstruksi FBP dapat diringkas sebagai
tinggi, yang berikut. Untuk setiap sudut proyeksi:
menyebabka ▪ Ambil transformasi Fourier 1D dari proyeksi
n hasil
▪ Dalam domain Fourier, saring proyeksi
rekonstruksi dengan filter ramp |vs| (bagian yang melalui
menjadi
filter kerucut 2D simetris rotasi, v)
kabur.
Langkah- ▪ Lakukan transformasi Fourier terbalik untuk
langkah mendapatkan proyeksi yang difilter
tambahan ▪ Memproyeksikan kembali proyeksi yang difilter
diperlukan
untuk
Kontrol kebisingan
mengompens
Dalam praktiknya, filter ramp |vs| perlu
asi
dimodifikasi untuk mengontrol tingkat noise
keburaman dalam gambar yang direkonstruksi. Deteksi
dalam foton adalah penghitungan acak
proyeksi
balik
langsung.
Metode yang
paling
mudah
adalah
rekonstruksi
pemfilteran
proyeksi
balik. Data
proyeksi
pertama-
tama
diproyeksika
n ke
belakang,
kemudian
disaring
dalam ruang
Fourier
dengan filter
kerucut v,
dan akhirnya
ditransforma
si Fourier
terbalik.
Kerugian
dari
pemfilteran
proyeksi
balik adalah
komputasi
ulang pada
langkah
proyeksi balik
(proyeksi
balik perlu
dihitung
pada matriks
gambar yang
lebih besar
daripada hasil
akhir) [25].

536 Imaging Med. (2010) kelompok sains masa

2(5) depan
 Rekonstruksi gambar untuk pemindai PET/CT
TINJAUAN

Tanpa penghalusan Filter Hanning 4 mm Filter Hanning 8 mm

Gambar 5. Perbandingan rekonstruksi proyeksi balik yang difilter dari data pasien yang
identik dengan tingkat kontrol derau yang berbeda. Tanpa penghalusan (A), filter Hanning 4
mm (B) dan filter Hanning 8 mm (C). Filter Hanning yang lebih luas dalam domain spasial (atau
setara dengan frekuensi cutoff yang lebih rendah dalam domain Fourier) menghasilkan gambar
yang lebih halus.
dengan tingkat noise yang tinggi karena jumlah analitik. Namun
foton yang terbatas. Filter ramp menguatkan demikian, peningkatan ini
komponen frekuensi tinggi, yang didominasi harus mengorbankan
oleh noise, sehingga menyebabkan rekonstruksi peningkatan kompleksitas
yang sangat bising. Salah satu solusinya adalah masalah rekonstruksi,
memodifikasi filter ramp dengan filter low-pass, sehingga tidak
yang menghasilkan filter yang mirip dengan memungkinkan untuk
filter ramp pada frekuensi rendah, tetapi mendapatkan solusi
amplitudonya berkurang pada frekuensi tinggi. analitik secara langsung.
Gambar yang direkonstruksi akan memiliki Akibatnya, masalah
tingkat noise yang berkurang, dengan rekonstruksi diselesaikan
mengorbankan resolusi gambar yang secara iteratif, yang
terdegradasi. Pilihan yang umum digunakan berarti estimasi gambar
adalah filter Hann atau filter Shepp-Logan [25]. secara progresif
Dengan memvariasikan frekuensi cutoff dari
filter, seseorang dapat memperoleh pertukaran
yang diinginkan antara tingkat kebisingan dan
resolusi spasial (GAMBAR 5). Derau pada gambar
yang direkonstruksi dikontrol dengan
mengorbankan resolusi. Idealnya, tradeoff
antara noise dan resolusi harus disesuaikan
untuk mengoptimalkan tugas klinis yang
dihadapi.

Keterbatasan metode rekonstruksi

gambar analitik
Meskipun metode rekonstruksi analitik,
khususnya algoritme FBP, cepat dan mudah
diimplementasikan, akurasi rekonstruksi dibatasi
oleh beberapa faktor. Pertama, rekonstruksi
gambar analitik tidak dapat memodelkan faktor
penurunan kualitas pada pemindai PET, seperti
hamburan antar kristal, rentang positron, dan
non-kolinieritas. Kedua, metode ini tidak
memperhitungkan variabilitas stokastik dalam
deteksi foton.

◼ Rekonstruksi gambar secara iteratif

Pemodelan derau statistik data PET dan efek
fisik dari model pencitraan dapat menghasilkan
peningkatan kinerja dibandingkan metode

kelompok sains masa www.futuremedicine.com 537

depan
diperbarui menuju solusi yang lebih baik. Pada awalnya, biaya
komputasi menghambat penggunaan klinis rekonstruksi berulang,
tetapi kemajuan dalam kecepatan komputasi dan pengembangan
TINJAUAN
algoritme Tong,
yang efisien telah Alessio & penggunaan klinis secara
memungkinkan
Kinahan
luas dari metode rekonstruksi gambar berulang [6,29-31].

Perumusan metode iteratif

Konsep dasar rekonstruksi berulang dirangkum di sini. Pertama, kita
membuat estimasi awal dari distribusi aktivitas objek. Kemudian kita
menghitung estimasi proyeksi dengan memproyeksikan ke depan
estimasi awal. Berdasarkan perbandingan antara estimasi dan proyek
terukur, estimasi awal disesuaikan dengan kriteria tertentu. Prosedur
'proyeksi ke depan, bandingkan, proyeksi kembali, sesuaikan' ini
diulang sampai gambar yang diestimasi mencapai solusi yang
diinginkan.
Semua metode iteratif dapat dicirikan dengan dua komponen
utama. Pertama, sebuah kriteria yang mendefinisikan gambar 'terbaik'.
Kriteria ini direpresentasikan sebagai fungsi objektif (atau biaya), yang
mengukur kemiripan (atau perbedaan) antara citra yang diestimasi
dan citra terbaik. Kriteria yang paling banyak digunakan adalah
pendekatan maximum likelihood (ML), yang akan dibahas secara rinci
nanti. Kriteria umum lainnya adalah prinsip kuadrat terkecil, yang
mengukur perbedaan antara proyeksi yang diukur dan yang
diperkirakan dengan menggunakan jarak Euclidean [32]. Kedua,
semua metode iteratif memerlukan algoritma numerik untuk
menentukan bagaimana estimasi citra harus diperbarui pada setiap
iterasi berdasarkan kriteria. Algoritma ekspektasi-maksimisasi (EM)
biasanya digunakan untuk menemukan estimasi citra ML, dan
algoritma MLEM klasik akan dibahas.
Secara historis, banyak upaya penelitian telah dikonsentrasikan
pada dua komponen ini: merancang kriteria optimasi dan
mengembangkan algoritme yang efisien. Namun, ada tiga faktor
kunci lain yang sangat mempengaruhi rekonstruksi

538 Imaging Med. (2010) kelompok sains masa

2(5) depan

hasil. Ketiga faktor ini perlu dipilih secara hati-
hati untuk mendapatkan perkiraan gambar yang
diinginkan. Pertama, representasi gambar
menentukan model untuk gambar. Yang paling
umum adalah menggunakan piksel yang tidak
jelas (elemen gambar 2D) atau vektor (elemen
gambar 3D) untuk mendiskritisasi domain
gambar. Metode alternatif telah diusulkan.
Salah satu contohnya adalah 'gumpalan', yang
memiliki simetri bola dan profil radial
berbentuk lonceng [27,33]. Kedua, model
pencitraan menggambarkan fisika proses
pengukuran. Model ini menghubungkan citra
dengan data. Matriks pencitraan H pada
PERSAMAAN 2 adalah model seperti itu, di mana
setiap elemen Hij berisi probabilitas bahwa
elemen citra fj berkontribusi pada elemen data pi.
Matriks ini dapat memodelkan pemetaan
geometris dari objek ke data, atau dapat juga
mencakup efek fisik lainnya seperti atenuasi dan
pengaburan detektor. Untuk yang terakhir,
matriks pencitraan dapat difaktorkan sebagai:
H = Hsensitivitas Hblur Hattenuasi Hgeometri Hpositron
dengan setiap matriks mewakili satu komponen
fisik [30,34,35]. Ketiga, model statistik
menggambarkan ketidakpastian pengukuran
PET (yaitu distribusi probabilitas pengukuran
di sekitar nilai rata-ratanya). Karena deteksi
foton didistribusikan secara Poisson, sebagian
besar metode
mengadopsi model Poisson. Namun, distribusi
pengukuran dapat diubah dengan koreksi data.
langkah seperti yang dijelaskan sebelumnya,
sehingga model lain telah diusulkan (misalnya,
model Poisson bergeser [36]) untuk
menggambarkan statistik data secara lebih
akurat.
kelompok sains masa
depan
Rekonstruksi gambar untuk pemindai PET/CT
TINJAUAN
Pilihan yang berbeda pada ketiga komponen
ini, bersama dengan variasi dalam kriteria dan
algoritme, telah menghasilkan berbagai macam
metode rekonstruksi berulang [6,29,30]. Kami
akan fokus pada dua metode yang paling
representatif dalam diskusi berikut ini, dan
kemudian meninjau secara singkat jenis
rekonstruksi berulang lainnya.
Metode MLEM
Estimasi kemungkinan maksimum adalah
metode estimasi statistik standar. Metode ini
menghasilkan estimasi yang memaksimalkan
fungsi likelihood (yaitu estimasi yang 'paling
mungkin' mengarah ke data yang diukur).
Algoritma EM adalah algoritma yang efisien
untuk menemukan estimasi ML. Rekonstruksi
gambar MLEM memberikan dasar bagi banyak
metode iteratif yang populer. Metode ini
mengadopsi ML sebagai kriteria optimasi, dan
menggunakan algoritma EM untuk
menemukan solusi optimal.
Algoritme EM, pertama kali dijelaskan secara rinci
(7) oleh Dempster dkk. [37], adalah algoritma
numerik untuk menyelesaikan masalah data
tidak lengkap dalam statistik.
Algoritma umum ini kemudian diperkenalkan
pada rekonstruksi tomografi emisi [38,39]. Untuk
rekonstruksi gambar dengan kemungkinan
Poisson, metode MLEM adalah persamaan
iteratif sederhana:
j
ftj(n)
ft (n +1) = pi
(8)
/ Hi'j
/Hij
ft
i'
i
/H
k
ik k (n)
di mana jft (n) adalah estimasi gambar untuk voxel j pada
iterasi n. Alur algoritme ditunjukkan pada
GAMBAR 6. Tebakan awal ft (0) (sering
j
kali kosong
www.futuremedicine.com 539
 Data yang
diukur
TINJAUAN Tong, Alessio &
Kinahan Inisialisa (1) Meneruskan
si proyek

Perkiraan gambar
baru

(2) Bandingkan
(4) Memperbarui
gambar dengan proyeksi
terukur

(3) Rasio proyeksi

balik ke semua
voxel

Gambar 6. Diagram alir algoritma ekspektasi-maksimisasi kemungkinan-maksimum.

Dimulai dari inisialisasi di kiri atas, algoritme secara iteratif memperbarui estimasi gambar dan
dihentikan setelah mencapai iterasi yang telah dipilih sebelumnya.

540 Imaging Med. (2010) kelompok sains masa

2(5) depan
 Rekonstruksi gambar untuk pemindai PET/CT
TINJAUAN

atau gambar skala abu-abu seragam) di mana b adalah indeks untuk subiterasi (yaitu,
diproyeksikan ke depan ke dalam domain pembaruan dengan satu subset data), dan
proyeksi (penyebut di sisi kanan). Kemudian, ft (n,0) = ft (n-1), ft (n,B) = ft (n). Setiap lintasan dari seluruh
perbandingan antara esti- i j j j
Proyeksi yang dikawinkan dan diukur dengan pergantian ruang
ditentukan [46]. Kategori metode yang
dengan menghitung rasionya. Rasio dalam lebih besar, di mana
domain proyeksi ini diproyeksikan kembali ke ordered subsets EM
domain gambar dan diberi bobot yang tepat, (OSEM) adalah yang
sehingga menghasilkan istilah koreksi. j paling populer, hanya
Akhirnya, estimasi gambar saat ini ft (n) dikalikan menggunakan sebagian
dengan istilah j
koreksi, menghasilkan estimasi data pada setiap
baru ft (n + 1). Proses ini diulangi dan estimasi pembaruan [47-49].
gambar konvergen ke solusi ML. Meskipun Algoritma OSEM [47]
algoritma MLEM memiliki perilaku mempartisi data proyeksi
konvergensi yang konsisten dan dapat ke dalam B subset
diprediksi, algoritma ini memiliki dua (biasanya saling terpisah)
kelemahan utama. Pertama, metode ini dan hanya menggunakan
menghasilkan gambar yang sangat berisik satu subset data Sb untuk
karena kondisi masalah yang tidak baik [39]. setiap pembaruan. Ini
Salah satu solusi yang umum adalah menghasilkan sedikit
menghentikan algoritma sebelum konvergensi, modifikasi dari
dan beberapa aturan penghentian telah persamaan pembaruan:
diusulkan [40,41]. Solusi lainnya adalah
menerapkan filter penghalus pada gambar yang
direkonstruksi untuk mengurangi noise [42].
Demikian juga, saringan (operasi yang
menekan derau frekuensi tinggi) dapat
diterapkan selama setiap iterasi untuk
menerapkan kehalusan [43].
Solusi ini mengurangi noise dengan
mengorbankan peningkatan bias.
Kelemahan kedua dari MLEM adalah
konvergensinya yang lambat. Meskipun
algoritme ini dihentikan di awal praktiknya,
algoritme ini biasanya membutuhkan banyak
iterasi (sekitar 30-100 iterasi dengan data PET
yang umum) untuk mencapai solusi yang dapat
diterima. Karena setiap iterasi melibatkan
proyeksi ke depan dan ke belakang, dan
rekonstruksi FBP setara dengan satu proyeksi ke
belakang, metode MLEM membutuhkan waktu
komputasi yang jauh lebih lama daripada
metode FBP.

Metode himpunan bagian yang

dipesan: himpunan bagian yang
dipesan EM
Untuk mengatasi masalah konvergensi yang
lambat, berbagai metode yang berbeda telah
diusulkan untuk mempercepat MLEM.
Beberapa peneliti m e r u m u s k a n kembali
persamaan pembaruan untuk meningkatkan
besarnya perubahan pada setiap iterasi [44,45],
dan yang lainnya mengusulkan untuk
memperbarui setiap piksel secara individual
dalam algoritme EM yang digeneralisasi
kelompok sains masa www.futuremedicine.com 541
depan
set data melibatkan lebih banyak pembaruan,
yang mengarah pada akselerasi yang signifikan dibandingkan dengan
MLEM. Jumlah himpunan bagian menentukan tingkat akselerasi.
TINJAUAN
Pada prakteknya, OSEMTong, konvergen
Alessiokira-kira
& B kali lebih cepat
daripada MLEM.
Kinahan GAMBAR 7 menunjukkan rekonstruksi OSEM pada
iterasi yang berbeda dengan jumlah subset yang berbeda. Perhatikan
bahwa hasil pada iterasi satu dengan sepuluh subset mirip dengan hasil
pada iterasi sepuluh dengan satu subset, yang mengindikasikan
bahwa MLEM (yaitu, OSEM dengan satu subset) membutuhkan
waktu komputasi sekitar sepuluh kali lipat waktu komputasi OSEM
dengan sepuluh subset untuk mendapatkan hasil rekonstruksi yang
sama.
Salah satu kelemahan dari OSEM adalah tidak ada jaminan bahwa
OSEM akan konvergen ke solusi ML. Seperti halnya metode
MLEM, karena tingkat kebisingan yang meningkat dengan iterasi,
algoritme akan berhenti lebih awal dan/atau gambar y a n g
direkonstruksi akan mengalami postmoothing (GAMBAR 8). Varian lain
dari metode berbasis subset termasuk algoritma EM iteratif blok
yang diskalakan [49] dan algoritma ML aksi-baris [48], yang terbukti
konvergen ke solusi ML dalam kondisi tertentu. Namun, OSEM saat
ini merupakan metode rekonstruksi iteratif yang paling banyak
digunakan.
Metode berulang lainnya
Sejauh ini kita telah membahas metode MLEM dan variannya,
algoritma OSEM. Sekarang kita akan mengulas secara singkat
ft tj(n, b -1)
= f
(n,b)
j
/Hi'j i d
i 'd Sb
beberapa jenis metode iteratif lainnya.
Teknik rekonstruksi aljabar (ART) sangat
diminati pada awal pengembangan tomografi
emisi. Rekonstruksi ART berupaya
menemukan gambar yang memenuhi
serangkaian batasan yang diketahui. B a t a s a n
ini ditentukan oleh data PET dan/atau
pengetahuan sebelumnya tentang gambar
(misalnya, aktivitas piksel non-negatif) [28].
Masalah ART diselesaikan secara iteratif dan
metode iteratif-blok (atau subset terurut)
tersedia untuk mempercepat konvergensi [50,51].
Keterbatasan utama dari ART adalah bahwa ia
tidak memodelkan statistik data PET, yang
menyebabkan komplikasi dengan adanya
gangguan statistik. Dalam rekonstruksi
tomografi emisi, metode ART telah digantikan
oleh metode statistik berbasis ML (misalnya,
MLEM, OSEM).
Selain menentukan seberapa baik estimasi
gambar sesuai dengan data (misalnya,
menggunakan kriteria ML), kita juga dapat
menyertakan properti gambar yang diinginkan
(misalnya, kehalusan, non-negativitas) dalam
optimasi.
pi
/ (9) kriteria zation. Pada dasarnya, metode ML
Hij
Sb
/H ftk (n, b -1)
ik
k mengasumsikan model statistik untuk data.
Dengan memasukkan

542 Imaging Med. (2010) kelompok sains masa

2(5) depan
 Rekonstruksi gambar untuk pemindai PET/CT
TINJAUAN

Iterasi 1 Iterasi 5 Iterasi 10

1 subset

5
himpunan
bagian

10
himpunan
bagian

Gambar 7. Rekonstruksi ekspektasi-maksimisasi himpunan bagian terurut dari data pasien

untuk iterasi dan jumlah himpunan bagian yang berbeda. (A) Rekonstruksi ekspektasi-maksimisasi
himpunan bagian terurut dengan satu himpunan bagian, yang setara dengan algoritma ekspektasi-
maksimisasi kemungkinan-maksimum; (B) ekspektasi-maksimisasi himpunan bagian terurut dengan
lima himpunan bagian;
(C) maksimalisasi ekspektasi himpunan bagian terurut dengan sepuluh himpunan bagian.

Dengan menggunakan model statistik untuk
data dan citra, kita akan sampai pada
perumusan rekonstruksi maxi-mum a posteriori
(MAP). Alih-alih memaksimalkan fungsi
likelihood, algo- ritma ini berusaha untuk
memaksimalkan densitas probabilitas posterior,
sehingga model apriori dari distribusi citra
diberlakukan dalam rekonstruksi. Hasil dari
algoritma ini adalah
Pengetahuan apriori, atau 'prior', sering kali
menjadi kendala kelancaran [46,52], yang
memberlakukan metode kontrol noise yang
lebih elegan daripada penghentian algoritma
secara dini. Prior juga dapat mencakup
informasi anatomi dari modalitas pencitraan
lain seperti CT atau MRI [53,54]. Solusi MAP
dapat dihitung dengan menggunakan
generalisasi dari EM

Tidak ada Filter Gaussian 5 Filter Gaussian 10

penghalusan mm mm

Gambar 8. Perbandingan rekonstruksi ekspektasi-maksimisasi himpunan bagian terurut

dari data pasien dengan parameter penghalusan yang berbeda (iterasi sepuluh, dengan
sepuluh himpunan bagian).
Tanpa penghalusan (A), filter Gaussian 5 mm (B) dan filter Gaussian 10 mm ditampilkan. Gambar yang 543
kelompok sains masa www.futuremedicine.com
lebih mulus, tetapi lebih buram diperoleh dengan meningkatkan jumlah postfiltering (A-C).
depan
TINJAUAN Tong, Alessio &
Kinahan

4 4
3 3
2 2
1 1
0 0
4 4
3 3
2 2
1 1
0 0

Gambar 9. Irisan transaksial dari simulasi gambar PET batang tubuh. Baris kedua memplot
profil horizontal melalui irisan dengan garis solid. Gambar direkonstruksi dengan (A) proyeksi balik
yang difilter, (B) kuadrat terkecil berbobot konvensional, (C) kuadrat terkecil berbobot dengan model
sistem yang lebih baik dan (D) kuadrat terkecil berbobot dengan model sistem yang lebih baik dan
anatomi sebelumnya.
Direproduksi dari [73].

algoritma [52,55,56], dan metode subset terurut dapat Fitur kedua dari data PET 3D adalah
diterapkan untuk mempercepat rekonstruksi redundansinya. Ingat dalam pencitraan 2D,
MAP [57,58]. Tantangan dari metode MAP volume gambar 3D direkonstruksi dengan
termasuk penentuan besarnya pengaruh yang menumpuk gambar yang terstruktur ulang dari
diinginkan dari prior dan permintaan masing-masing sinogram 2D melintang. Jadi,
komputasi tambahan untuk menerapkan kumpulan sinogram 2D saja sudah
informasi prior ini. mengandung informasi yang cukup untuk
Prior dalam rekonstruksi MAP dapat merekonstruksi volume gambar 3D. Dalam hal
dianggap sebagai penalti pada solusi untuk ini, data PET 3D sepenuhnya, yang berisi
menegakkan sifat-sifat yang diinginkan, deteksi dari bidang melintang dan miring,
sehingga metode MAP kadang-kadang disebut memiliki redundansi yang melekat. Redundansi
metode ML berpenalti. Formulasi penalti ini ini dapat dimanfaatkan untuk meningkatkan
dapat diperluas ke metode kuadrat terkecil performa signal-to-noise. Dan seperti yang
tradisional. Salah satu metode yang akan kita bahas nanti, fitur ini juga
representatif adalah algoritma kuadrat terkecil memberikan solusi untuk rekonstruksi analitik
berbobot [59,60], yang ekuivalen dengan metode 3D.
MAP dengan model likelihood Gaussian dalam
kondisi tertentu dari varians data [61]. ◼ Metode pembenahan ulang
Solusi intuitif untuk rekonstruksi PET 3D
Rekonstruksi gambar PET 3D tergantung pada posisi
◼ Data PET sepenuhnya 3D sumber titik di bidang
Pencitraan PET 3D sepenuhnya memperoleh pandang pemindai,
data dari bidang pencitraan melintang dan menyebabkan komplikasi
miring, menawarkan peningkatan sensitivitas untuk rekonstruksi
pemindai dan berpotensi meningkatkan kinerja gambar analitik [25].
signal-to-noise. Data PET 3D sepenuhnya
berbeda dari data 2D dalam dua aspek: respons
pemindai yang bervariasi secara spasial dan
redundansi data. Pada pencitraan 2D, detektor
simetris secara rotasi, sehingga proyeksi tersedia
pada semua sudut dalam bidang pencitraan.
Analog 3D adalah pemindai berbentuk bola
dengan detektor yang mengelilingi objek, yang
dalam praktiknya tidak realistis. Karena
sebagian besar pemindai PET memiliki
geometri silinder, proyeksi terpotong pada arah
aksial karena panjang aksial pemindai yang
terbatas, sehingga menghasilkan varians yang
besar dalam respons pemindai. Intensitas yang
diamati dari sumber titik akan bervariasi

544 Imaging Med. (2010) kelompok sains masa

2(5) depan
 adalah mengkonversi data 3D menjadi kumpulan data 2D yang
terpisah dan menerapkan strategi rekonstruksi 2D. Konversi ini
melibatkan suatu bentuk rata-rata sinyal, dan prosesnya disebut
'rebinning'. Rekonstruksi gambar untuk pemindai PET/CT
Metode rebinning yang paling mudah adalah rebinning irisan TINJAUAN
tunggal [62]. Metode ini menghitung posisi aksial rata-rata dari peristiwa
kebetulan, dan menempatkan peristiwa dalam sinogram yang paling
dekat dengan posisi rata-rata tersebut. Metode ini cepat dan efisien,
tetapi juga menyebabkan pengaburan pada arah aksial.
Metode yang lebih akurat adalah algoritma Fourier rebin- ning
(FORE). Rincian FORE berada di luar cakupan artikel ini dan kami
merujuk pembaca yang tertarik ke [63]. Pada prinsipnya, FORE
menghubungkan transformasi Fourier dari sinogram miring dengan
transformasi Fourier dari sinogram melintang. Hubungan perkiraan
ini mengubah sinogram miring menjadi satu set sinogram melintang
yang s a m a . Dibandingkan dengan rebinning irisan tunggal,
FORE sedikit mengurangi noise statistik, tetapi menghasilkan noise
statistik yang lebih signifikan.

kelompok sains masa www.futuremedicine.com 545

depan
TINJAUAN Tong, Alessio &
Kinahan

distorsi yang lebih sedikit [64]. Metode besar karena penambahan dimensi dalam
rebinning serupa termasuk FOREX [63,65] dan domain gambar dan proyeksi. Peningkatan ini
FORE-J [66], dan hubungannya dengan FORE membutuhkan lebih banyak ruang
dibahas dalam [66]. penyimpanan data dan lebih banyak waktu
Metode rebinning menguraikan masalah komputasi. Salah satu alat yang berguna adalah
rekonstruksi 3D menjadi satu set masalah 2D. model sistem terfaktor [30,34,35], seperti yang
Hal ini sangat mengurangi penyimpanan data ditunjukkan pada PERSAMAAN 7. Kemajuan dalam
dan kebutuhan komputasi. Lebih penting lagi, pemrosesan komputer dan algoritme yang lebih
data PET 3D yang telah di-rebinning dapat cepat membantu mengatasi tantangan ini.
direkonstruksi
menggunakan rekonstruksi 2D analitik atau iteratif.
metode rebinning. Keterbatasan metode 3D analitik. Untuk PET 3D, objek diwakili oleh sekumpulan voxel, bukan piksel
rebinning adalah bahwa metode ini 2D, dan model pencitraan menghubungkan aktivitas voxel dengan proyeksi 3D.
menyebabkan distorsi spasial atau amplifikasi Tantangan utama untuk rekonstruksi iteratif 3D sepenuhnya adalah
noise. kebutuhan komputasi. Model pencitraan H menjadi sangat

◼ Rekonstruksi analitik 3D Secara

konseptual, metode FBP dapat diperluas ke
rekonstruksi 3D. Namun, seperti yang telah
dibahas di bagian 'Data PET 3D sepenuhnya',
varians spasial dari data PET 3D mempersulit
rekonstruksi analitik. Sebagai contoh, karena
proyeksi terpotong pada arah aksial, maka tidak
mungkin untuk menghitung transformasi
Fourier proyeksi hanya dengan menggunakan
algoritma transformasi Fourier yang cepat.
Metode rekonstruksi analitik 3D yang paling
representatif adalah algoritma reprojeksi 3D [67].
Algoritma ini mengembalikan invariansi spasial
dengan memanfaatkan redundansi data.
Sinogram melintang diekstraksi dari data 3D dan
direkonstruksi dengan FBP 2D. Gambar yang
direkonstruksi ditumpuk menjadi volume
gambar 3D, yang kemudian direproduksi ke
dalam domain proyeksi. Dengan cara ini, wilayah
proyeksi yang tidak terukur dapat diperkirakan,
dan metode FBP 3D dapat digunakan untuk
rekonstruksi. Rincian lebih lanjut tentang
implementasi dapat ditemukan di [68].
Dibandingkan dengan rekonstruksi FBP 2D,
algoritme reprojeksi 3D dapat secara signifikan
meningkatkan performa signal-to-noise. Hal ini
berpotensi memungkinkan resolusi spasial yang
lebih tinggi dalam gambar yang direkonstruksi,
karena frekuensi cutoff yang lebih tinggi dapat
digunakan dalam filter rekonstruksi.

◼ Rekonstruksi gambar iteratif 3D Metode

rekonstruksi iteratif dapat secara langsung
diadaptasi ke data PET 3D, meskipun
kompleksitas komputasi untuk model
pencitraan H meningkat secara dramatis.
Metode iteratif dapat menyertakan varians
spasial data 3D dalam model pencitraan,
sehingga tidak ada langkah tambahan yang
diperlukan seperti pada rekonstruksi gambar

546 Imaging Med. (2010) kelompok sains masa

2(5) depan
Perkembangan & tantangan saat ini Lebih banyak parameter rekonstruksi yang
◼P terlibat dalam rekonstruksi berulang. Kami
e menyajikan contoh pada GAMBAR 7 & 8 tentang
m Rekonstruksi
bagaimana pilihan gambar
iterasi, jumlah untukdan
subset, pemindai PET/CT
i TINJAUAN
postsmooth dapat memengaruhi gambar akhir.
l Pemindai komersial biasanya menyediakan opsi
i bagi pengguna akhir untuk mengubah
h parameter ini. Untuk rekonstruksi tipe OSEM,
a set parameter yang optimal akan bergantung
n pada objek. Parameter rekonstruksi harus
dioptimalkan untuk tugas deteksi atau
p kuantifikasi tertentu. Evaluasi masih terus
a dilakukan untuk mempelajari bagaimana
r parameter yang berbeda mempengaruhi angka-
a angka dari gambar yang direkonstruksi.
m
e
t
e
r

r
e
k
o
n
s
t
r
u
k
s
i

g Gambar 10. Representasi penampang melintang dari dua pasien yang

a berbeda. (A-C) Pasien dengan kanker usus besar (119 kg, BMI = 46,5)
menunjukkan lesi (panah) di perut yang terlihat pada CT jauh lebih jelas pada
m gambar TOF daripada gambar non-TOF. (D-F) Pasien dengan kanker perut (115 kg,
b BMI = 38) menunjukkan struktur di aorta (panah) yang terlihat pada CT jauh lebih
a jelas pada gambar TOF daripada gambar non-TOF. CT dosis rendah (A & D), PET
r non-TOF dengan rekonstruksi ekspektasi-maksimalisasi kemungkinan maksimum
Salah satu (B & E), dan PET TOF dengan rekonstruksi ekspektasi-maksimalisasi
kemungkinan maksimum (C & F).
tantangan
Dicetak ulang dengan izin dari [83].
dalam
rekonstruksi
gambar
adalah
pemilihan
parameter
rekonstruksi
yang tepat.
Dalam
rekonstruksi
analitik,
frekuensi
roll-off dan
cutoff dari
filter
rekonstruksi
(misalnya,
filter Hann)
akan
menentukan
pertukaran
noise-
resolusi.
kelompok sains masa www.futuremedicine.com 547
depan
TINJAUAN Tong, Alessio &
Kinahan

(misalnya, kerangka kerja MAP) [53,54,69,70,73].

Biasanya, teknik-teknik ini mengharuskan
gambar anatomi harus disegmentasi terlebih
dahulu untuk memberikan informasi batas.
Namun, mensegmentasi gambar CT adalah
masalah yang berpotensi sulit dalam
praktiknya. Metode yang membutuhkan sedikit
atau tanpa segmentasi juga telah diusulkan, dan
salah satu pendekatannya adalah menggunakan
informasi timbal balik untuk menentukan prior
anatomi [74,75]. Tantangan lainnya adalah
registrasi dua modalitas gambar. Meskipun
pemindai PET/CT memungkinkan akuisisi
informasi fungsional dan anatomis dalam sesi
yang sama, gerakan fisiologis (misalnya,
gerakan jantung dan pernapasan) dapat
menyebabkan artefak pada gambar yang
digabungkan [76,77]. Masalah-masalah ini harus
dipertimbangkan dengan baik ketika
memasukkan informasi anatomi ke dalam
rekonstruksi gambar [78,79], dan tantangan yang
tercantum di atas telah menghambat adopsi
metode tersebut.
gambar PET (GAMBAR 9)
[53,54,69,70]. Beberapa
penelitian telah
menerapkan informasi
ana- tomis dalam langkah
pasca-pemrosesan [71,72].
Namun, ada hubungan
yang lebih jelas dengan
fisika pencitraan, jika
informasi anatomi
diintegrasikan dalam
rekonstruksi gambar

Gambar 11. Dua irisan transaksial dari studi fluorodeoxyglucose [18F] otak
pasien. (A) Rekonstruksi menggunakan pemodelan fungsi penyebaran titik
dan pemodelan garis respons pemindai. (B) Rekonstruksi dengan pemodelan garis
respons pemindai dan postfilter Gaussian 3 mm. Gambar pada (A) dan (B)
memiliki variabilitas piksel-ke-piksel yang sesuai pada materi putih pusat.
Rekonstruksi berbasis fungsi penyebaran titik dapat menyelesaikan fitur dengan
lebih jelas.

◼ Penggabungan informasi
anatomi
Pencitraan PET memiliki resolusi yang relatif
rendah dibandingkan dengan modalitas
pencitraan anatomi seperti CT dan MRI.
Pemindai PET/CT menawarkan keuntungan
berupa informasi anatomi (dari gambar CT)
yang dapat dimasukkan ke dalam rekonstruksi
gambar PET. Informasi anatomi tersebut dapat
memandu rekonstruksi gambar PET dan
regularisasi noise, yang mengarah pada
peningkatan kualitas gambar dalam hal rasio
signal-to-noise dan akurasi kuantitatif pada

548 Imaging Med. (2010) kelompok sains masa

2(5) depan
◼ Pencitraan TOF
Pencitraan TOF pada awalnya diusulkan pada awal pengembangan
pemindai PET pada tahun 1980-an. Dengan mengukur perbedaan
Rekonstruksi gambar untuk pemindai PET/CT
waktu kedatangan dari dua foton pemusnahan dalam detektor,
pencitraan TOF dapat mencoba memposisikan lokasi pemusnahan di TINJAUAN
sepanjang garis respons. Pemosisian TOF ini membutuhkan waktu
yang sangat cepat dan dapat mengarah pada peningkatan kinerja
signal-to-noise pada gambar yang direkonstruksi [80,81]. TOF PET
dipelajari secara ekstensif pada tahun 1980-an, tetapi resolusi waktu
yang memadai dan efisiensi detektor tidak dapat dicapai untuk
memberikan peningkatan kualitas gambar. Kemajuan instrumentasi
baru-baru ini telah memperbarui pengembangan pencitraan TOF dan
membuat PET TOF klinis menjadi kenyataan [82]. Penelitian telah
menunjukkan bahwa pencitraan TOF dapat memberikan
peningkatan kontras-ke-noise (GAMBAR 10)
[83] dan deteksi lesi [84] dalam PET klinis. Evaluasi lebih lanjut
mengenai manfaat pencitraan TOF dalam PET klinis masih
diperlukan.

◼ Pemodelan fungsi penyebaran titik

Performa metode rekonstruksi gambar iteratif dapat ditingkatkan
lebih lanjut apabila seluruh fisika proses pencitraan dimodelkan
secara akurat dan tepat. Salah satu komponen penting dari
pemodelan fisika adalah fungsi penyebaran titik detektor (PSF). PSF
detektor dalam ruang data proyeksi dapat diperoleh melalui turunan
analitik [85,86], simulasi Monte Carlo [35,87] atau pengukuran
eksperimental [88,89]. Sebagai alternatif, pemodelan resolusi dapat
dilakukan dalam ruang gambar yang direkonstruksi [90,91].
Memasukkan model PSF dalam metode rekonstruksi telah terbukti
meningkatkan kualitas spasial

kelompok sains masa www.futuremedicine.com 549

depan
TINJAUAN Tong, Alessio &
Kinahan

resolusi pada gambar yang direkonstruksi Kemudian dengan model kinetik pelacak, kumpulan gambar aktivitas yang
(GAMBAR 11) [87,88]. Pemodelan PSF juga dapat
direkonstruksi dapat digunakan untuk memperkirakan parameter fisiologis yang
meningkatkan pemulihan kontras [92,93] dan diminati (misalnya, laju metabolisme, perfusi jaringan) untuk wilayah yang
deteksi lesi [94]. Namun, ada pengakuan yang dipilih atau setiap voxel [102]. Secara konvensional, spasial
berkembang bahwa hasil rekonstruksi berbasis
PSF memiliki sifat noise yang berbeda [92] dan
mungkin mengandung kesalahan pengukuran
(misalnya, overshoot pada tepi objek, sering
disebut sebagai efek Gibbs) [89], yang masih
dalam evaluasi.

◼ Koreksi gerakan
Mengingat data untuk satu bidang pandang
pencitraan PET sering kali diperoleh dalam
waktu 2-5 menit, gerakan pasien selama
pencitraan dapat memengaruhi kinerja deteksi
dan kuantisasi PET. Strategi yang tepat
diperlukan untuk mengoreksi gerakan pasien
berskala besar (misalnya, gerakan kepala),
gerakan jantung, dan gerakan pernapasan.
Gerakan kepala diasumsikan kaku (yaitu, hanya
terdiri dari transformasi translasi dan rotasi).
Metode koreksi termasuk mendaftarkan
gambar yang diperoleh pada frame yang
berbeda [95], atau menggunakan data yang
diproyeksikan ke depan untuk deteksi gerakan
[96]. Pendekatan alternatif adalah mengoreksi
efek gerakan pada langkah pasca-pemrosesan,
dengan menggunakan algoritme dekonvolusi
[97]. Kompensasi untuk gerakan jantung dan
pernapasan yang tidak kaku biasanya
melibatkan metode gating, dengan setiap frame
yang digating mewakili siklus jantung atau
pernapasan tertentu (GAMBAR 12) [98]. Salah satu
metode koreksi adalah solusi dua langkah:
estimasi gerakan awal dari gambar gated (tanpa
koreksi gerakan dalam rekonstruksi), diikuti
dengan rekonstruksi yang disempurnakan
termasuk informasi gerakan [99]. Pendekatan
alternatif adalah memperkirakan gerakan dalam
langkah rekonstruksi [100,101].

◼ Rekonstruksi
dinamis/parametrik 4D
Pencitraan PET dinamis dapat dilakukan
melalui urutan akuisisi yang berdekatan, atau
akuisisi mode daftar yang diikuti oleh
spesifikasi bingkai waktu, semuanya mengarah
ke kumpulan data 4D. Akuisisi mode daftar
mencatat waktu deteksi setiap kejadian
kebetulan selain koordinat spasialnya. Dengan
pengelompokan ulang data yang tepat, data
mode daftar dapat diformat ulang menjadi
urutan bingkai waktu. Gambar distribusi
radioaktivitas pada setiap bingkai temporal
dapat direkonstruksi, menghasilkan perkiraan
perubahan aktivitas dari waktu ke waktu.
550 Imaging Med. (2010) kelompok sains masa
2(5) depan
distribusi berhubungan dengan dekorasi, yang
direkonstruk memungkinkan rekonstruksi yang cepat [106].
si secara Beberapa pendekatan juga mencoba
merekonstruksiRekonstruksi gambar untuk
gambar parametrik pemindai PET/CT
langsung
independen
untuk setiap dari data PET TINJAUAN
[107]. Artikel-artikel ulasan ini
bingkai memberikan diskusi yang lebih luas dan lebih
pencitraan. rinci tentang topik ini [108,109].
Akan tetapi,
pendekatan ◼ Rekonstruksi untuk
frame-by- pemindai khusus aplikasi
frame ini Sejak tahun 1990-an, kemajuan dalam
gagal instrumentasi [110] dan algoritme rekonstruksi
[35,111] telah meningkatkan resolusi spasial PET.
mengeksplor
asi informasi Kemajuan ini telah memungkinkan penerapan
temporal dari PET pada pencitraan hewan kecil (tikus dan
data dinamis, tikus), yang merupakan model penyakit
dan manusia yang tak ternilai harganya. Pencitraan
menyebabka PET hewan kecil telah memungkinkan
n pengujian cepat obat baru [112] dan
rekonstruksi meningkatkan pemahaman tentang ekspresi gen
[113]. Pembaca yang tertarik dirujuk ke artikel
yang berisik
karena ulasan ini untuk diskusi komprehensif tentang
rendahnya instrumentasi dan metodologi PET hewan kecil
[114,115]. Secara umum, sistem ini menawarkan
rasio signal-
to-noise data. tantangan yang menarik untuk rekonstruksi
Cara yang gambar karena membutuhkan kinerja resolusi
lebih tepat tinggi dan sering kali mengandung geometri
adalah baru, seperti sistem dengan celah detektor yang
melakukan besar atau gantry yang berputar.
rekonstruksi Kombinasi PET dan MRI saat ini
gambar atau merupakan area penelitian yang aktif. MRI
parameter memberikan gambar struktural dengan resolusi
kinetik dari spasial yang tinggi dan kontras jaringan lunak
kumpulan yang sangat baik. Pemindai MRI/PET yang
data 4D, terintegrasi dapat memungkinkan akuisisi
dengan simultan dari dua modalitas pencitraan dalam
menyertakan geometri yang tetap, dengan membangun
pemodelan sisipan PET ke dalam
temporal
tertentu Paru-paru
dalam
rekonstruksi.
Fungsi dasar
temporal Hati
yang halus
dapat
Gambar 12. Gambar lesi hati dari studi FDG seluruh tubuh.
digunakan
(A) Gerakan pernapasan menyebabkan keburaman lesi (tanda panah) dalam
untuk gambar yang direkonstruksi. (B) Koreksi gerakan pernapasan mengurangi
membatasi keburaman.
pilihan kurva
aktivitas
waktu yang
mungkin
[103-105].
Analisis
komponen
prinsip dapat
digunakan
untuk
mengubah
data PET
dinamis
menjadi set
yang
kelompok sains masa www.futuremedicine.com 551
depan
TINJAUAN Tong, Alessio &
Kinahan

pemindai MRI yang sudah ada atau
mengadopsi desain pemindai MRI yang baru
[116]. Sistem ini memberikan gambar MRI
resolusi tinggi yang selaras, yang dapat
digunakan sebagai prior anatomi untuk
rekonstruksi gambar PET dan memfasilitasi
lokalisasi sinyal PET yang tepat. Pemindaian
MRI/PET yang terintegrasi kemungkinan akan
menghasilkan peluang baru: misalnya,
mencitrakan dua target molekuler dengan
probe pencitraan MRI dan PET yang berbeda
[117]. Salah satu tantangan dari sistem
terintegrasi adalah interferensi antara dua
modalitas, yang harus diminimalkan untuk
mencapai kinerja yang konsisten dengan
perangkat PET atau MRI yang berdiri sendiri.
Tantangan lainnya adalah koreksi atenuasi data
PET menggunakan gambar MRI, yang berada
di luar
ruang lingkup artikel ini. Detail dari terintegrasi
Sistem MRI/PET disajikan dalam artikel ulasan
ini [116-119].
Perspektif masa depan
Rekonstruksi gambar PET adalah bidang yang
telah diteliti dengan baik namun terus
berkembang. Selain tantangan yang dibahas di
atas (pencitraan TOF, pemodelan sistem yang
lebih baik, koreksi gerakan dan pencitraan
dinamis), ada upaya lain yang sedang
berlangsung di bidang ini. Ada kebutuhan yang
terus meningkat untuk
kuantifikasi PET yang lebih akurat. Sebagai
contoh, metabolisme tumor melalui FDG-
PET/CT dapat digunakan sebagai biomarker,
yang harus akurat dan dapat direproduksi dalam
uji klinis multisenter, multivendor, dan meta-
analisis. Upaya tambahan diperlukan untuk
mengembangkan teknik rekonstruksi gambar
yang layak secara klinis yang memberikan
estimasi kuantitatif yang akurat dan tepat dari
distribusi pelacak, terlepas dari ukuran fitur,
bentuk dan lokasi. Rekonstruksi gambar
kuantitatif yang lebih baik, bersama dengan
kemajuan lain dalam instrumentasi dan
pemrosesan data, dapat meningkatkan
penggunaan pencitraan PET / CT dalam
perawatan pasien dan dalam studi klinis
patofisiologi dan intervensi terapeutik [120].
Pengungkapan kepentingan keuangan & kepentingan yang
bersaing
Pekerjaan ini didukung oleh hibah NIH HL086713,
CA74135 dan CA115870, dan dengan hibah dari GE
Kesehatan. Para penulis tidak memiliki afiliasi atau
keterlibatan keuangan yang relevan dengan organisasi atau
entitas mana pun yang memiliki kepentingan keuangan
atau konflik keuangan dengan pokok bahasan atau materi
yang dibahas dalam naskah ini selain yang telah
diungkapkan.
Tidak ada bantuan penulisan yang digunakan dalam
pembuatan naskah ini.

Ringkasan eksekutif
▪ Rekonstruksi gambar PET biasanya diformulasikan sebagai masalah invers linier. Sejumlah koreksi diperlukan untuk menghasilkan hasil
rekonstruksi kuantitatif.
▪ Metode rekonstruksi analitik memberikan solusi yang cepat dan langsung, tetapi tidak dapat memodelkan efek fisik pemindai PET
atau variabilitas statistik dalam pendeteksian foton. Proyeksi balik yang difilter adalah algoritme yang paling banyak digunakan
untuk rekonstruksi analitik.
▪ Metode rekonstruksi berulang dapat memodelkan noise statistik dari data PET dan efek fisik, sehingga menghasilkan rekonstruksi yang lebih
akurat dan meningkatkan kompleksitas masalah.
▪ Semua metode iteratif dapat dicirikan dengan dua komponen utama: satu set kriteria yang ditentukan secara matematis yang
mendefinisikan gambar 'terbaik', dan algoritma untuk menemukan solusinya.
▪ Rekonstruksi gambar ekspektasi-maksimisasi kemungkinan-maksimum menggunakan kemungkinan-maksimum sebagai kriteria
pengoptimalan, dan menggunakan algoritme ekspektasi-maksimisasi untuk menemukan solusi kemungkinan-maksimum. Variannya
yang populer, algoritma ekspektasi-maksimisasi himpunan bagian terurut, menggunakan himpunan bagian terurut untuk mempercepat
konvergensi. Biasanya rekonstruksi ekspektasi-maksimisasi himpunan bagian terurut dihentikan pada iterasi awal dan dilakukan
postmoothing untuk menekan noise.
▪ Tantangan saat ini dalam rekonstruksi gambar PET meliputi: kuantifikasi yang lebih akurat, pencitraan TOF, pemodelan sistem,
koreksi gerakan, dan pencitraan dinamis.
Dasar. Springer, London, Inggris PET/CT: apakah ada bedanya? J. Nucl. Med. 48(1), 36S-
Daftar Pustaka (2005). 44S (2007).
Makalah dengan catatan khusus telah disorot 2 Phelps ME: PET: Pencitraan Molekuler
sebagai: dan Aplikasi Biologisnya. Springer,
◼◼ sangat menarik
London, Inggris (2004).
1 Bailey D, Townsend D, Valk PE et al: 3 Weber WA, Figlin R: Memantau
Tomografi Emisi Positron: Ilmu Pengetahuan pengobatan kanker dengan

552 Imaging Med. (2010) kelompok sains masa

2(5) depan
4 Weber WA: Penggunaan PET untuk memantau 7 Cherry SR, Dahlbom
terapi kanker dan untuk memprediksi hasil. J. M, Hoffman EJ:
Nucl. Med. 46(6), 983-995 PET 3D
(2005). menggunakan Rekonstruksi gambar untuk pemindai PET/CT
5 Sorenson JA, Phelps ME: Fisika dalam Kedokteran tomograf multislice
konvensional tanpa
TINJAUAN
Nuklir. Grune & Stratton, FL, USA (1987).
septa. J. Komput.
6 Lewitt RM, Matej S: Tinjauan metode untuk
Assist. Tomogr. 15(4),
rekonstruksi gambar dari proyeksi dalam
655-668 (1991).
perhitungan emisi
tomografi. Prosiding IEEE 91(10), 1588-1611 8 Townsend DW, Geissbühler A, Defrise M
(2003). et al: Rekonstruksi tiga
dimensi penuh untuk
◼ ◼ Ikhtisar metode rekonstruksi gambar untuk kamera PET dengan
tomografi emisi. septa yang dapat
ditarik. IEEE Trans.
Med. Imag. 10(4), 505-
512 (1991).
9 Ollinger JM: Koreksi
sebaran berbasis
model untuk PET 3D
sepenuhnya. Phys.
Med. Biol. 41 (1),
153-176 (1996).
10 Wollenweber SD:
Parameterisasi koreksi
sebaran PET 3D
berbasis model. IEEE
Trans. Nucl. Sci. 49(3),
722-727 (2002).

kelompok sains masa www.futuremedicine.com 553

depan
TINJAUAN Tong, Alessio &
Kinahan

dalam Radiologi dan Kedokteran

11 Lewellen TK, Karp JS: Sistem PET. Dalam: 24 Germano G, Hoffman EJ: Investigasi laju cacah dan
Nuklir. Domaine d'Aix-
Tomografi Emisi: Dasar-dasar PET dan karakteristik waktu mati dari sistem PET resolusi tinggi. J.
Marlioz, Aix-les-Bains, Prancis,
SPECT. Wernick M, Avarsvold J (Eds). Komput. Assist. Tomogr. 12(5), 836-846 (1988).
4-6 Juli 1995.
Elsevier, CA, USA, 169-178 (2004). 25 Kinahan P, Defrise M, Clackdoyle R: Metode rekonstruksi
12 Bailey DL: Pemindaian transmisi dalam citra analitik. Dalam: Tomografi Emisi: Dasar-dasar PET dan
tomografi emisi. Eur. J. Nucl. Med. SPECT. Wernick M, Avarsvold J (Eds). Elsevier, London,
25(7), 774-787 (1998). Inggris, 421-442 (2004).
13 Fessler JA: Metode rekonstruksi gambar ◼ ◼ M embahas rekonstruksi gambar analitik secara detail.
statistik untuk tomografi transmisi. Dalam: 26 Kak AC, Slaney M: Prinsip-prinsip Pencitraan Tomografi
Buku Pegangan Pencitraan Medis: Vol. 2 Terkomputerisasi. IEEE Press, NY, Amerika Serikat (1988).
Pemrosesan dan Analisis Citra Medis. Sonka
M, Fitzpatrick JM (Eds). SPIE, FL,
◼ ◼ embahas tentang matematika
M

AMERIKA SERIKAT, 1-70 (2000). prinsip-prinsip pencitraan tomografi dan rekonstruksi

gambar.
14 Kinahan PE, Townsend DW, Beyer T et al:
Koreksi atenuasi untuk pemindai PET/CT 27 Lewitt RM: Alternatif untuk voxel untuk representasi
3D gabungan. Med. Phys. 25(10), gambar dalam algoritma rekonstruksi berulang. Phys. Med.
2046-2053 (1998). Biol. 37(3), 705-716
(1992).
15 Kinahan PE, Hasegawa BH, Beyer T:
Koreksi atenuasi berbasis sinar-X untuk 28 Herman GT: Rekonstruksi Gambar dari Proyeksi. Academic
pemindai PET/CT. Semin. Nucl. Med. 33(3), Press, NY, Amerika Serikat (1980).
166-179 29 Lalush DS, Wernick MN: Rekonstruksi gambar berulang.
(2003). Dalam: Tomografi Emisi: Dasar-dasar PET dan SPECT.
16 Watson C, Newport D, Casey ME: Wernick M, Avarsvold J (Eds). Elsevier, London, Inggris,
Evaluasi koreksi sebaran berbasis simulasi 443-472 (2004).
untuk pencitraan jantung PET 3D. IEEE ◼ ◼ Gambaran menyeluruh mengenai metode rekonstruksi
Trans. Nucl. Sci. 44, 90-97 (1997). gambar berulang.
17 Holdsworth CH, Levin CS, Farquhar TH 30 Leahy R, Qi J: Pendekatan statistik dalam tomografi emisi
et al: Investigasi teknik Monte Carlo yang positron kuantitatif. Stat. Comput. 10(2), 147-165 (2000).
dipercepat untuk simulasi PET dan koreksi
◼ ◼ S urvei tentang metode rekonstruksi gambar statistik.
sebaran PET 3D. IEEE Trans. Nucl. Sci.
48(1), 74-81 (2001). 31 Meikle SR, Hutton BF, Bailey D et al: Rekonstruksi EM yang
dipercepat untuk PET seluruh tubuh: potensi untuk
18 Brasse D, Kinahan PE, Lartizien C et al:
meningkatkan kemampuan deteksi tumor. Phys. Med. Biol.
Metode koreksi untuk kebetulan acak dalam
39(10),
PET seluruh tubuh 3D sepenuhnya: dampak
1689-1704 (1994).
pada kualitas data dan gambar. J. Nucl. Med.
46(5), 32 Kay SM: Dasar-dasar Pemrosesan Sinyal Statistik: Teori
859-867 (2005). Estimasi. Prentice Hall, NY, Amerika Serikat (1993).
19 Williams CW, Crabtree MC, Burgiss SG: 33 Lewitt RM: Representasi citra digital multidimensi
Desain dan karakteristik kinerja tomograf menggunakan fungsi jendela Kaiser-Bessel yang
aksial terkomputasi emisi positron: ECAT-II. digeneralisasi. J. Opt. Soc. Am. A. 7(10), 1834-1846 (1990).
IEEE Trans. Nucl. Sci. 26(1), 34 Qi J, Leahy RM, Hsu C et al: Rekonstruksi gambar Bayesian
619-627 (1979). 3D sepenuhnya untuk ECAT EXAT HR+. IEEE Trans. Nucl.
20 Stearns CW, McDaniel DL, Kohlmyer SG et Sci. 45, 1096-1103 (1998).
al: Estimasi kebetulan acak dari tingkat 35 Qi J, Leahy RM, Cherry SR et al: Rekonstruksi gambar
kejadian tunggal pada pemindai PET / CT Bayesian 3D resolusi tinggi menggunakan pemindai
Discovery ST. Prosiding Simposium Sains microPET hewan kecil. Phys. Med. Biol. 43, 1001-1013
Nuklir IEEE 2003 dan Konferensi Pencitraan (1998).
Medis. Portland, OR, AS, 19-25 Oktober, 5,
36 Yavuz M, Fessler JA: Penalized-likelihood estimator dan
3067-3069 (2003).
analisis noise untuk pemindaian transmisi PET yang
21 Hoffman EJ, Guerrero TM, Germano G et al: dikoreksi secara acak. IEEE Trans. Med. Imag. 18(8), 665-
Kalibrasi dan koreksi sistem PET untuk 674 (1999).
gambar kuantitatif dan akurat secara spasial.
IEEE Trans. Nucl. Sci. 36(1), 1108-1112
(1989).
22 Defrise M, Townsend DW, Bailey D et al:
Teknik normalisasi untuk data PET 3D.
Phys. Med. Biol. 36 (7), 939-952 (1991).
23 Casey ME, Gadagkar H, Newport D:
Metode berbasis komponen untuk normalisasi
dalam volume PET. Dipresentasikan di:
Pertemuan Internasional Ketiga tentang
Rekonstruksi Gambar Tiga Dimensi Sepenuhnya

554 Imaging Med. (2010) kelompok sains masa

2(5) depan
37 Dempster A, Laird N, Rubin D:
Kemungkinan maksimum dari data yang
tidak lengkap melalui algoritma EM. J. R.
Stat. Soc. 39(1), 1-28 (1977). Rekonstruksi gambar untuk pemindai PET/CT
38 Lange K, Carson R: Algoritma TINJAUAN
rekonstruksi EM untuk tomografi emisi
dan transmisi. J. Comput. Assist. Tomogr.
8(2), 306-316 (1984).
39 Shepp LA, Vardi Y: Rekonstruksi
kemungkinan maksimum untuk
tomografi emisi. IEEE Trans. Med. Imag.
2, 113-119 (1982).
40 Veklerov E, Llacer J: Aturan penghentian
untuk algoritma MLE berdasarkan pengujian
hipotesis statistik. IEEE Trans. Med. Imag.
6(4), 313-319 (1987).
41 Johnson VE: Sebuah catatan tentang aturan penghentian pada
Rekonstruksi EM-ML dari gambar ECT. IEEE
Trans. Med. Imag. 13(3), 569-571 (1994).
42 Llacer J, Veklerov E, Baxter LR et al: Hasil
studi karakteristik operasi penerima klinis
yang membandingkan proyeksi balik yang
difilter dan gambar estimator kemungkinan
maksimum dalam studi PET FDG. J. Nucl.
Med. 34, 1198-1203 (1993).
43 Snyder D, Miller MP: Penggunaan
saringan untuk menstabilkan gambar
yang dihasilkan dengan algoritma EM
untuk tomografi emisi. IEEE Trans. Nucl.
Sci. 32(5), 3864-3872 (1985).
44 Lewitt RM, Muehllehner G: Rekonstruksi
iteratif yang dipercepat untuk tomografi
emisi positron berdasarkan algoritma EM
untuk estimasi kemungkinan maksimum.
IEEE Trans. Med. Imag. 5(1), 16-22 (1986).
45 Kaufman L: Menerapkan dan mempercepat
algoritma EM untuk tomografi emisi positron.
IEEE Trans. Med. Imag. 6(1),
37-51 (1987).
46 Fessler JA, Hero AO: Rekonstruksi
gambar kemungkinan maksimum yang
dihukum menggunakan
algoritma EM umum yang berganti-ganti ruang.
IEEE Trans. Proses Citra. 4(10), 1417-1429
(1995).
47 Hudson H, Larkin R: Rekonstruksi
gambar yang dipercepat menggunakan
himpunan bagian dari data proyeksi yang
terurut. IEEE Trans. Med. Imag. 13, 601-
609 (1994).
48 Browne JA, De Pierro AR: Sebuah alternatif
tindakan-baris untuk algoritma EM untuk
memaksimalkan kemungkinan dalam
tomografi emisi. IEEE Trans. Med. Imag. 15,
687-699 (1996).
49 Byrne C: Metode iteratif-blok untuk
rekonstruksi gambar dari proyeksi. IEEE
Trans. Image Process. 5(5), 792-794 (1996).
50 Herman GT, Meyer LB: Teknik
rekonstruksi aljabar dapat dibuat efisien
secara komputasi. IEEE Trans. Med. Imag.
12, 600-609 (1993).
51 Censor Y, Herman GT: Tentang beberapa
teknik optimasi dalam rekonstruksi citra dari
proyeksi. Appl. Numer. Math. 3(5), 365-391
(1987).

kelompok sains masa www.futuremedicine.com 555

depan
TINJAUAN Tong, Alessio &
Kinahan
52 Hebert T, Leahy RM: Algoritma EM yang
digeneralisasi untuk rekonstruksi Bayesian 3-
D untuk data Poisson menggunakan prior
Gibbs. IEEE Trans. Med. Imag. 8(2), 194-
202 (1989).
53 Bowsher JE, Johnson VE, Turkington TG
et al: Rekonstruksi Bayesian dan
penggunaan informasi apriori anatomi
untuk tomografi emisi. IEEE Trans. Med.
Imag. 15(5), 673-686 (1996).
54 Gindi G, Lee M, Rangarajan A et al:
Rekonstruksi Bayesian dari gambar fungsional
menggunakan informasi anatomi sebagai
prior. IEEE Trans. Med. Imag. 12, 670-680
(1993).
55 De Pierro AR: Algoritma maksimisasi
ekspektasi yang dimodifikasi untuk estimasi
kemungkinan yang dihukum dalam tomografi
emisi. IEEE Trans. Med. Imag. 14(1), 132-137
(1995).
56 Green PJ: Rekonstruksi Bayesian untuk data
tomografi emisi menggunakan algoritma EM
yang dimodifikasi. IEEE Trans. Med. Imag.
9(1), 84-93 (1990).
57 De Pierro AR, Yamagishi M: Metode cepat
seperti EM untuk estimasi a posteriori
maksimum dalam tomografi emisi. IEEE
Trans. Med. Imag. 20(4), 280-288 (2001).
58 Lalush DS, Frey EC, Tsui BMW: Perkiraan
entropi maksimum yang cepat dalam SPECT
menggunakan algoritma RBI-MAP. IEEE
Trans. Med. Imag. 19(4), 286-294 (2000).
59 Fessler JA: Rekonstruksi citra kuadrat
terkecil berbobot untuk tomografi emisi
positron. IEEE Trans. Med. Imag. 13(2),
290-300 (1994).
60 Kaufman L: Kemungkinan maksimum,
kuadrat terkecil, dan kuadrat terkecil
berpenalti untuk PET. IEEE Trans. Med.
Imag. 12(2), 200-214
(1993).
61 Lalush D, Tsui B: Algoritma rekonstruksi
gradien konjugat a posteriori maksimum yang
cepat dan stabil. Med. Phys. 22(8), 1273-1284
(1995).
62 Daube-Witherspoon ME, Muehllehner G:
Perlakuan terhadap data aksial dalam PET
tiga dimensi. J. Nucl. Med. 28, 1717-1724
(1987).
63 Defrise M, Kinahan PE, Townsend DW et al:
Algoritma rebinning yang tepat dan perkiraan
untuk data PET 3-D. IEEE Trans. Med. Imag.
16(2), 145-158 (1997).
64 Matej S, Karp JS, Lewitt RM et al: Kinerja
algoritma rebinning Fourier untuk PET
dengan sudut penerimaan yang besar. Phys.
Med. Biol. 43, 787-795 (1998).
65 Liu X, Defrise M, Michel C et al: Metode
rebinning yang tepat untuk PET tiga dimensi.
IEEE Trans. Med. Imag. 18(8), 657-664
(1999).
556
66 Defrise M, Liu X: Algoritma
rebinning cepat untuk tomografi
emisi positron 3D menggunakan
persamaan John. Inverse Probl. 15,
1047-1065
(1999).
Imaging Med. (2010)
2(5)
67 Kinahan PE, Rogers JG: Rekonstruksi citra 3D analitik
menggunakan semua kejadian yang terdeteksi. IEEE Trans. Nucl.
Sci. 36, 964-968 (1989).
68 Defrise M, Kinahan PE: Akuisisi data dan rekonstruksi gambar
untuk PET 3D.
Dalam: Teori dan Praktik PET 3D 32.
Townsend DW, Bendriem B (Eds). Kluwer Academic Publishers,
Dordrecht, Belanda, 11-54 (1998).
69 Fessler JA, Clinthorne NH, Rogers WL: Rekonstruksi citra emisi yang
diregulasi menggunakan informasi sisi yang tidak sempurna. IEEE
Trans. Nucl. Sci. 39(5), 1464-1471 (1992).
70 Comtat C, Kinahan PE, Fessler JA et al: Rekonstruksi yang layak
secara klinis dari data PET/CT seluruh tubuh 3D menggunakan
label anatomi yang kabur. Phys. Med. Biol. 47, 1-20 (2002).
71 Cheng PM, Kinahan PE, Alessio A et al: Koreksi volume parsial
pasca-rekonstruksi p a d a pencitraan PET/CT menggunakan
informasi CT. Dipresentasikan di: Masyarakat Radiologi Amerika
Utara. Chicago, IL, AS, 28 November - 3 Desember 2004 (Abstrak
371).
72 Boussion N, Hatt M, Lamare F et al:
Pendekatan berbasis gambar multiresolusi untuk koreksi efek volume
parsial dalam tomografi emisi. Phys. Med. Biol. 51(7), 1857-1876
(2006).
73 Alessio A, Kinahan P: Kuantisasi yang lebih baik untuk rekonstruksi
gambar PET/CT dengan pemodelan sistem dan prior anatomi. Med.
Phys. 33, 4095-4103 (2006).
74 Rangarajan A, Hsiao IT, Gindi G: Kerangka kerja campuran gabungan
Bayesian untuk integrasi informasi anatomi dalam rekonstruksi citra
fungsional. J. Matematika. Pencitraan Vis. 12, 199-217 (2000).
75 Somayajula S, Asma E, Leahy R: Rekonstruksi citra PET
menggunakan informasi anatomi melalui prior berbasis informasi
timbal balik. Catatan Konferensi Simposium Sains Nuklir 2722-2726
(2005).
76 Cohade C, Osman M, Marshall LT et al: PET/CT: akurasi registrasi
spasial PET dan CT pada lesi paru. Eur. J. Nucl. Med. 30, 721-726
(2003).
77 Osman M, Cohade C, Nakamoto Y et al: Lokalisasi lesi yang tidak
akurat secara klinis yang signifikan dengan PET/CT: frekuensi pada
300 pasien. J. Nucl. Med. 44, 240-243 (2003).
78 Camara O, Delso G, Colliot O et al: Penggabungan eksplisit informasi
anatomi sebelumnya ke dalam registrasi non-kaku CT toraks dan
abdomen serta gambar PET emisi seluruh tubuh 18-FDG. IEEE
Trans. Med. Imag. 26(2), 164-178 (2007).
79 Qiao F, Pan T, Clark J et al: Model gerak dan anatomi sendi untuk
rekonstruksi citra PET. Med. Phys. 34(12),
4626-4639 (2007).
kelompok sains masa
depan
 matriks sistem analitik
80 Lewellen TK: Hewan
dalam PET: aplikasi
Peliharaan Waktu
untuk pencitraan
Penerbangan. Semin. Nucl.
jantung Rb-82. Phys.
Med. 28, 268-275 (1998).
Med. Biol. 53(21),
Rekonstruksi gambar untuk pemindai PET/CT
81 Moses WW: Waktu penerbangan di PET ditinjau
kembali.
5947-5965 TINJAUAN
(2008).
IEEE Trans. Nucl. Sci. 50, 1325-1330
(2003). 92 Tong S, Alessio A,
Kinahan P: Kebisingan
82 Moses WW: Kemajuan terkini dan sifat sinyal dalam
dan kemajuan masa depan rekonstruksi gambar
dalam PET waktu penerbangan. PET 3D sepenuhnya
Nucl. Instrum. Metode Phys. Res. berbasis PSF: evaluasi
580 (2), 919-924 (2007). eksperimental. Phys.
83 Karp JS, Surti S, Daube- Med. Biol. 55 (5),
Witherspoon ME et al: 1453-1473
Manfaat waktu (2010).
penerbangan dalam PET: 93 De Bernardi E,
hasil eksperimental dan Mazzoli M, Zito F
klinis. J. Nucl. Med. 49(3), et al: Pemulihan
462-470 (2008). resolusi dalam PET
84 Kadrmas DJ, Casey M, selama rekonstruksi
Conti M et al: Dampak AWOSEM: studi
waktu penerbangan pada evaluasi kinerja.
deteksi tumor PET. J. Nucl. IEEE Trans. Nucl.
Med. 50(8), 1315-1323 Sci. 54(5), 1626-
(2009). 1638 (2007).
85 Schmitt D, Karuta B, Carrier C et al:
Komputasi fungsi penyebaran
titik yang cepat dari fungsi
apertur dalam tomografi emisi
positron resolusi tinggi. IEEE
Trans. Med.
Imag. 7(1), 2-12 (1988).
86 Strul D, Slates RB, Dahlbom M et al:
Model fungsi respons detektor
analitik yang ditingkatkan untuk
pemindai PET berdiameter kecil
multilayer. Phys. Med. Biol.
48(8),
979-994 (2003).
87 Alessio A, Kinahan P,
Lewellen TK: Pemodelan
dan penggabungan fungsi
respons sistem dalam PET
seluruh tubuh 3D. IEEE
Trans. Med. Imag. 25(7),
828-837
(2006).
88 Panin V, Kehren F, Michel C
et al: Rekonstruksi PET
sepenuhnya 3D dengan
matriks sistem yang berasal
dari pengukuran sumber titik.
IEEE Trans. Med. Imag. 25(7),
907-921
(2006).
89 Alessio A, Stearns CW, Tong S
et al: Aplikasi dan evaluasi
model sistem varian spasial
terukur untuk rekonstruksi
citra PET. IEEE Trans. Med.
Imag. 29(3), 938-946 (2010).
90 Pembaca AJ, Julyan PJ,
Williams H et al: Pemodelan
sistem algoritma EM dengan
teknik ruang gambar untuk
rekonstruksi PET. IEEE
Trans. Nucl. Sci. 50(5), 1392-
1397 (2003).
91 Rahmim A, Tang J, Lodge MA
et al: Pemodelan resolusi
kelompok sains masa www.futuremedicine.com 557
depan
TINJAUAN Tong, Alessio &
Kinahan
94 Kadrmas DJ, Casey M, Black N et al:
Perbandingan eksperimental dari kemampuan
deteksi lesi untuk skema rekonstruksi PET 3D
sepenuhnya. IEEE Trans. Med. Imag. 28(4),
523-534 (2009).
95 Tellman L, Fulton R, Pietrzyk U et al:
Konsep registrasi dan koreksi gerakan
kepala dalam emisi positron
tomografi. Med. Phys. 16(1), 67-74 (2006).
96 Hutton BF, Kyme AZ, Lau YH et al:
Algoritma rekonstruksi/registrasi 3D hibrida
untuk koreksi gerakan kepala dalam tomografi
emisi. IEEE Trans. Nucl. Sci. 49, 188-194
(2002).
97 Menke M, Atkins MS, Buckley KR:
Metode kompensasi untuk gerakan kepala
yang terdeteksi selama pencitraan PET.
IEEE Trans. Nucl. Sci. 43, 310-317 (1996).
98 Visvikis D, Lamare F, Bruyant P et al:
Gerakan pernapasan dalam tomografi
emisi positron untuk aplikasi onkologi:
masalah dan solusi. Nucl. Instrum. Metode
Phys. Res. 569, 453-457 (2006).
99 Gravier E, Yang Y: Rekonstruksi kompensasi
gerak dari urutan gambar tomografi. IEEE
Trans. Nucl. Sci. 52, 51-56 (2005).
100 Cao Z, Gilland DR, Mair B et al: Estimasi
gerakan tiga dimensi dengan rekonstruksi
gambar untuk ECT jantung berpagar.
IEEE Trans. Nucl. Sci. 50, 384-388 (2003).
101 Jacobs M, Fessler JA: Estimasi gabungan
parameter citra dan deformasi dalam PET yang
dikoreksi gerakan. Catatan Konferensi
Simposium Sains Nuklir IEEE, 3290-3294
(2003).
102 Morris ED, Enders C, Schmidt K et al:
Pemodelan kinetik dalam tomografi
emisi positron. Dalam: Tomografi Emisi:
558
Dasar-dasar PET dan SPECT. Wernick M,
Avarsvold J (Eds). Elsevier, London, Inggris,
499-540 (2004).
103 Nichols TE, Qi J, Asma E et al: Rekonstruksi
spatiotemporal dari data PET mode-daftar.
IEEE Trans. Med. Imag. 21(4), 396-404
(2002).
104 Verhaeghe Y, D'Asseler Y, Vandenberghe S et
al: Investigasi teknik regularisasi temporal
untuk rekonstruksi PET dinamis
menggunakan spline temporal. Med. Phys. 34
(5), 1766-1778 (2007).
105 Pembaca AJ, Sureau F, Comtat C et al:
Estimasi gabungan gambar PET dinamis dan
fungsi dasar temporal menggunakan ML-EM
4D sepenuhnya. Phys. Med. Biol. 51(21),
5455-5474 (2006).
106 Wernick MN, Infusion EJ, Milosevic M:
Rekonstruksi gambar spatio-temporal yang
cepat untuk PET dinamis. IEEE Trans. Med.
Imag. 18(3), 185-195 (1999).
107 Kamsak ME, Bouman C, Morris ED
et al: Rekonstruksi langsung gambar parameter
kinetik dari data PET dinamis. IEEE Trans.
Med. Imag. 24(5), 636-650
(2005).
108 Tsoumpas C, Turkheimer F, Thielemans K:
Studi metode estimasi parametrik langsung
dan tidak langsung dari model linier dalam
tomografi emisi positron dinamis. Med. Phys.
35(4), 1299-1309 (2008).
109 Tsoumpas C, Turkheimer F, Thielemans K:
Survei pendekatan untuk rekonstruksi citra
parametrik langsung pada tomografi emisi.
Med. Phys. 35(9), 3963-3971
(2008).
110 Tai YC, Laforest R: Aspek instrumentasi
hewan peliharaan. Annu. Rev. Biomed. Eng.
7, 255-285 (2005).
Imaging Med. (2010)
2(5)
111 Chatziioannou A, Qi J, Moore A et al:
Perbandingan algoritma a posteriori
maksimum 3D dan algoritma proyeksi balik
yang difilter untuk
resolusi tinggi dan pencitraan hewan
dengan microPET. IEEE Trans. Med.
Imag. 19(5), 507-512 (2000).
112 Cherry SR: Dasar-dasar tomografi emisi
positron dan aplikasi dalam
pengembangan obat praklinis. J. Clin.
Farmakol. 41, 482-491 (2001).
113 Gambhir SS, Herschman HR, Cherry SR
et al: Pencitraan ekspresi transgen dengan
teknologi pencitraan radionuklida. Neoplasia
2, 118-138 (2000).
114 Chatziioannou A: Pencitraan molekuler hewan
kecil dengan tomograf PET khusus. Eur. J.
Nucl. Med. 29(1), 98-114 (2002).
115 Rowland DJ, Cherry SR: Instrumentasi dan
metodologi kedokteran nuklir praklinis hewan
kecil. Semin. Nucl. Med. 28(3), 209-222
(2008).
116 Cherry SR: Pencitraan multimodalitas: di luar
PET/CT dan SPECT/CT. Semin. Nucl. Med.
39(5), 348-353 (2009).
117 Cherry SR, Louie AY, Jacobs RE: Integrasi
tomografi emisi positron dengan pencitraan
resonansi magnetik. Pros IEEE 96(3), 416-438
(2008).
118 Cherry SR: Pencitraan molekuler dan
genomik in vivo: tantangan baru untuk fisika
pencitraan. Phys. Med. Biol. 49(3), R13-R48
(2004).
119 Cherry SR: Sistem pencitraan in vivo
multimodalitas: dua kali lipat kekuatan atau
dua kali lipat masalah. Annu. Pdt. Biomed.
Eng. 8, 35-62
(2006).
120 Kinahan P, Doot R, Wanner-Roybal M et al:
Penilaian PET/CT terhadap respons terhadap
terapi: pengukuran perubahan tumor, data
kebenaran, dan kesalahan. Terj. Oncol. 2(4),
23-230 (2009).
kelompok sains masa
depan