Krooninen sairaus

tiivistelmä

Tarkoitus

Vertasimme vaimennus korjaus PET kuvien kierteisen CT (PET /HCT) ja hengitystä keskimääräisiä CT (PET /ACT) potilailla, joilla on ei-pienisoluinen keuhkosyöpä (NSCLC), jonka tavoitteena on tutkia vaikutusta hengityksen keskimääräisiä CT

18F FDG PET tekstuuriparametrin.

Materiaalit ja menetelmät

yhteensä 56 potilasta otettiin. Kasvaimet segmentoitu esilääkitystiedot PET Kuvien adaptiivista kynnystä. Kaksitoista eri tekstuuriparametrin laskettiin: vakio oton arvo (SUV) entropia, tasaisuus, entropia, erilaisuus, homogeenisuus, karkeus, busyness, kontrasti, monimutkaisuus, harmaa-tason epätasaisuutta, vyöhyke-koon epätasaisuutta, ja korkea harmaa tason suuri alue korostetaan. Vertailut PET /HCT ja PET /ACT suoritettiin käyttämällä Wilcoxonin rank testejä, intraclass korrelaatiokertoimet, ja Bland-Altman-analyysi. Vastaanotin toimii (ROC) käyrät sekä yhden ja usean Coxin Regressioanalyysistä käytettiin tunnistamaan parametrejä merkittävästi liittyy tiettyyn tautiin eloonjäämisen (DSS). Kiinteä kynnys 45% suurimmasta SUV (T45) käytettiin vahvistettavaksi.

Tulokset

SUV suurin ja koko leesio glykolyysin (TLG) olivat merkittävästi korkeammat PET /ACT. Kuitenkin tekstuuriparametrin saatu PET /ACT ja PET /HCT osoitti suurta sopimusta. Alhaisimpia vaihtelu kahden yksityiskohtaiset havaittiin SUV entropia (9,7%) ja entropia (9,8%). SUV entropia, entropia, ja karkeus sekä PET /ACT ja PET /HCT liittyi merkittävästi DSS. Validation analyysit käyttäen T45 vahvisti hyödyllisyydestä SUV entropia ja entropia sekä PET /HCT ja PET /ACT ennustamiseen DSS, mutta vain karkeus PET /ACT saavutti tilastollisen merkittävyyden kynnysarvo.

Johtopäätökset

Tuloksemme osoittavat, että 1) tekstuuriparametrin PET /ACT ovat kliinisesti käyttökelpoisia ennustaminen selviytymisen pienisoluista keuhkosyöpää ja 2) SUV entropia ja entropia ovat kestäviä ja vaimennus korjausmenetelmät.

Citation: Cheng NM Fang Y-HD, Tsan DL, Hsu CH, Yen TC (2016) Hengitys keskimääräisiä CT vaimennus korjaus PET Images – Vaikutus PET Texture ominaisuudet ei-pienisoluinen keuhkosyöpä Potilaat. PLoS ONE 11 (3): e0150509. doi: 10,1371 /journal.pone.0150509

Editor: Quan Sing Ng, National Cancer Centre Singapore, SINGAPORE

vastaanotettu: 21 elokuu 2015; Hyväksytty: 14 helmikuu 2016; Julkaistu: 01 maaliskuu 2016

Copyright: © 2016 Cheng et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Data Saatavuus: Kaikki asiaankuuluvat tiedot ovat paperi- ja sen tukeminen Information tiedostoja.

rahoitus: kirjoittajat saanut mitään erityistä rahoitusta tähän työhön.

kilpailevat edut: kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä olemassa.

Johdanto

Vaikka merkittäviä edistysaskeleita täsmähoitoihin [1], ennuste potilaita, joilla on ei-pienisoluinen keuhkosyöpä (NSCLC) pysyy synkkä.

18F-FDG PET kuvantamisen olennainen rooli diagnosoinnissa ja lavastus NSCLC. Viime vuosina on havaittu lisääntyneen käytön FDG PET kuvantamisen kliinisen päätöksenteon [2]. Niinpä suurin standardoitu otto arvot (SUV

max) [3, 4] ja koko leesio glykolyysin (TLG) [5, 6] on osoitettu olevan kliinisesti käyttökelpoinen ennustamiseen hoitovasteen ja kliinisiä tuloksia NSCLC potilaiden. Kasvain heterogeenisyys on yleensä liittyvät huonoon ennusteeseen ja hoidon vastus [7]. Kasvava näyttö osoittaa, että FDG PET Tekstuuripiirteiden heijastaa kasvaimen heterogeenisyys voi ennustaa hoitovasteen ja eloonjäämisen NSCLC [8-11] ja lukuisia muita pahanlaatuisia kasvaimia [12-20]. Louhinnan useita kvantitatiivisen kuva ominaisuuksia on viitattu ”radiomics” ja lupaava menetelmänä tunnistaa tietyn ennustetekijöiden allekirjoituksia [10, 21-26]. Tässä skenaariossa tarkkoja ja toistettavissa mittaukset tekstuurin ominaisuudet ovat välttämättömiä kliiniseen käyttöön. Valitettavasti hengityksen liikkeen aikana PET /TT johtaa kuvanlaadun ja vaikeuttaa oikean kvantifiointiin kuvantamisen parametreja [27-29]. Tämä heikentyminen johtuu poikkeamasta rinnassa aseman välillä kierteisen CT (HCT) ja PET kuvien [30, 31]. Sen sijaan tilannekuvan hengitystä syklin (kuten HCT kuvia), PET ovat tulokset keskiarvon hengitysjaksoihin. On huomattava, että ajallinen ero PET ja TT lopulta tuo epäsuhta artefakteja PET kuvia. Tämän kysymyksen, vaimennus korjaus PET kuvien hengitystä keskimäärin CT (ACT) on käytetty. Sen sijaan tarjoaa liikkumaton CT kuva, ACT simuloi PET hankintaprosessia keskiarvoistamalla signaali aikana hengitysjakson useista pieniannoksista cine CT-kuvia. Aiemmat tutkimukset ovat osoittaneet, että ACT korjaus voidaan parantaa PET kuvien vähentämällä vääristymät ja optimoimalla kvantifiointiin SUV [31-34]. Kuitenkin hyödyllisyys ACT korjaamiseksi PET Tekstuuripiirteiden ei ole tutkittu perusteellisesti. Lisäksi tiedot mahdollisista ennustetekijöiden vaikutukset eri PET Tekstuuripiirteiden NSCLC potilaat ovat niukkoja. Johtuen lisääntyvästä käytöstä

18F-FDG PET /TT kliinisissä tutkimuksissa, analyysi vaihtelua liittyvä vaimennus korjaus ansaitsee tutkimuksessa. Siksi suunniteltu nykyisen tutkimuksen vertailla vaimennus korjaus PET kuvien HCT ja ACT NSCLC, jonka tavoitteena on tutkia vaikutusta hengityksen keskimääräisiä CT FDG PET tekstuuriparametrin.

Materiaalit ja menetelmät

Potilaat

Institutional Review Board of Chang Gung Memorial Hospital at Linkou hyväksyi tutkimussuunnitelman (102-3810B). Kirjallinen suostumus saatiin kaikilta potilailta ennen ACT. Tutkimus koostui potilaista, joilla patologisesti todistettu NSCLC jotka oli määrä tehdään lopullisia hoidon parantava tarkoitus. Kaikki tutkimukseen osallistuneista koki

18F-FDG PET tautien lavastus. Hoito lähestymistapa oli seuraava: 1) radikaaleja vaiheessa IA potilaille, 2) radikaaleja plus adjuvanttihoitoa vaiheessa IB ja IIA potilasta, 3) neoadjuvant hoito (kemoterapia, sädehoito tai samanaikainen chemoradiotherpy [CCRT]) ja operaation vaiheen IIB ja IIIA potilaita, ja 4) kemoterapia, sädehoito, tai CCRT ja toiminta (läsnäollessa kokoisen tauti) vaiheessa IIIB potilaille. Potilaat, joilla on M1 sairastavia potilaita ei otettu. Potilaita lavastettu mukaan 2010 (7

th edition) American sekakomitean Cancer (AJCC) lavastus järjestelmä. Me jälkikäteen tarkistetaan kliinisen kaavioita poimia yleispiirteet ja kliinisiä tuloksia osallistujien. Tautikohtaiset eloonjäämisen (DSS) – määritellään diagnoosista NSCLC liittyvä kuolema – toimi tärkein tulosmittari.

PET /TT vantamismenetelmää

Potilaita pyydettiin paastoamaan 6 h ennen tutkimusta. Mukaan meidän toimielinpolitiikkaa, potilailla, joilla veren glukoosipitoisuus on yli 200 mg /dl oli heidän scan pelattavaksi. Kaikki osallistujat oli kuvattu käyttäen samaa PET /TT skanneri (Discovery ST16, GE Healthcare). Skannaukset saatiin 50 min laskimoon FDG annon. Injektoidusta annoksesta FDG laskettiin painon ja vaihteli 370 ja 555 MBq. HCT tiedot hankittiin seuraavin asetuksin: 120 kV, automaattinen mA (alue: 10-300 mA), pitch 1,75: 1, collimation 16 x 3,75 mm, ja vuorottelujaksossa 0,5 s. Koko kehon PET päästöjen skannaukset tehtiin 2D-tilassa ja hankitaan kallon reiden puoliväliin. Sen jälkeen HCT ja PET hankinta, pieniannoksinen cine TT suoritettiin käyttäen seuraavia asetuksia: 120 kV, automaattinen mA (alue: 10-25 mA mukaan potilaan kehon painoa), kierto kierto 0,5 s, collimation 8 x 2,5 mm, ja cine kesto 5,9 s. Tavoitteena oli sisällyttää keuhkolohkoissa kahdenvälisesti keuhkojen kärjestä kupolin maksan [32, 35-37]. Kymmenen vaiheet cine CT-kuvia otettiin keskiarvo saamiseksi ACT. Ei laskimoon kontrastinparannus käytettiin, ja kuvantaminen suoritettiin vapaasti hengitys tilassa. Ei esi- tai in-scan hengitys valmentaja hengitysteiden valvontaa käytettiin. Vaimennus korjaus PET kuvien suoritettiin sekä HCT ja ACT samoja PET data [30, 32, 35]. PET päästötiedot olivat rekonstruoitu vaimennuksen korjausta käyttäen sekä HCT ja ACT vaimennus karttoja. Transaksiaalinen emission kuvat rekonstruoitiin käyttämällä tilattu subsets odotuksen maksimointi (OSEM) 4 toistojen ja 10 osajoukot. PET kuvat oli rekonstruoitu 128 × 128 kuvaa matriisi joiden voxel koko 4,46 x 5,46 x 3,27 mm

3 sekä PET /HCT ja PET /ACT. Lisäannoksen 2,5 mSv (5 mGy) käytettiin potilaan ruumiin paino 70 kg [38].

PET /TT kuvan data-analyysi

pmod 3,3 ohjelmistopaketti (pmod Technologies Ltd, Zurich, Sveitsi) käytettiin kasvaimen segmentointia. Haimme kaksi tapaa kasvaimen segmentointia eli (1) adaptiivisen kynnyksen lähestymistapaa Tutkimusanalyysi ja (2) 45% SUV

max (T45) validointitarkoituksissa. Mukautuva kynnys määritettiin käyttämällä keskimääräistä intensiteetti vokselin muotoiltu 70% kasvaimen SUVmax

(I

tarkoittaa 70%

) B plus taustalla tarkoittaa SUV [39]. Aortankaaresta käytettiin taustamittaus ja mikään tutkimukseen osallistuneista oli aortan kaaren hyökkäystä. Kaksi tekijää (N.M.C. ja T.C.Y.) contoured aortankaaresta käyttäen 1 cm:

3 tilavuudet etua (VOI) ja tulosten keskiarvo laskettiin. Pidettiin huolta jättää calcified alueille aortan kaaren. Lopuksi mukautuva kynnys laskettiin seuraavalla kaavalla: 0,15 × (

I

tarkoittaa 70%

) + tausta. T45 lähestymistapa on aiemmin käytetty määrittely NSCLC kasvaimia [8]. SUV

max, keskiarvo SUV, ja Tekstuuripiirteiden määritettiin käyttäen kasvain VOI. TLG laskettiin seuraavasti: TLG = keskimääräinen SUV x metabolisen kasvaimen tilavuus (MTV) [40]. Emme analysoi nodal vaurioita, koska niiden pienen koon.

Histogrammi analyysi, normalisoitu harmaa-tason yhteistyötä esiintyminen matriisi (NGLCM) [41, 42], naapuruston harmaa-sävyeron matriisi (NGTDM) [43] , ja harmaa taso koko vyöhykkeen matriisi (GLSZM) [44] sovellettiin laskemiseen PET tekstuurin ominaisuuksia. Koska lukuisat Tekstuuripiirteiden on raportoitu [12, 45, 46], me nimenomaan keskityttiin niihin käytetään ennustamaan selviytymistä potilailla, joilla syöpäsairauksia. Useita tekstuuriparametrin, kuten entropian, tasaisuus, yhdenmukaisuus ja erilaisuuden välillä NGLCM [11, 14, 47, 48], harmaa-tason epätasaisuutta (GLNU), vyöhyke-koon epätasaisuutta (ZSNU), korkea harmaa tason suuri alue korostetaan (HGLZE) alkaen GLSZM [14, 19], ja NGTDM perustuu karkeus, busyness, kontrastia ja monimutkaisuus [8] on käytetty hengissä ennustamiseen potilailla, joilla on NSCLC, ruokatorven syöpä, ja pään ja kaulan pahanlaatuisia kasvaimia. Lisäksi arvioimme SUV entropia perustuu histogrammissa analyysiin, koska sen kestävyys johtuen erilaisista jälleenrakennukseen asetuksia [45, 49]. Kaikkiaan 12 eri Tekstuuripiirteiden tutkittiin. Intensiteetti arvot kirjataan Vois alunperin resampled osaksi 64 jäteastioita normalisoida kuvien ja äänen vaimentamiseksi laskemiseksi Tekstuuripiirteiden [13]. Laskelmat on Tekstuuripiirteiden suoritettiin käyttäen Chang-Keinutie Image Texture Analysis Toolbox (CGITA) toteutetaan MATLAB 2012a (Mathworks Inc., Natick, MA, USA). Yksityiskohdat matemaattisiin malleihin ja rakenne matriisit ja laskennan on aiemmin kuvattu yksityiskohtaisesti [14, 50].

Tilastollinen

Koska useimmat Tekstuuripiirteiden osoitti vinossa jakeluun, ei- parametrinen Wilcoxonin-rank-testiä käytettiin pariksi vertailuja PET /HCT ja PET /ACT parametrit. Vastavuoroiset yhdistykset Tekstuuripiirteiden PET /HCT ja PET /ACT tutkittiin käyttäen intraclass korrelaatiokertoimet (ICC). Precision määriteltiin puolet leveydestä 95%: n luottamusväli (CI) ja käytettiin indikaattorina luotettavuutta. Bland-Altman-analyysi käytettiin vertailtaessa kaksi mittausta. Erot kahden parametrin (eli PET /ACT arvot miinus PET /HCT arvot) piirrettiin niiden keskimääräinen (esim. Keskiarvo PET /HCT ja PET /ACT-arvot) ja ilmoitetaan prosentteina. Alempi ja ylempi uusittavuuden marginaalit (LRL ja URL, vastaavasti) laskettiin ± 1,96 keskihajontaa (SD). Vaihtelut määriteltiin vaihteluväli LRL ja URL. Eksploratiivisessa analyysi, arviointi tekstuuriparametrin perustui askel eteenpäin prosessissa. Mediaani seuranta-ajan koko tutkimuskohortissa oli 26,2 kuukautta (vaihteluväli: +2,5-74,8kuukausi), kun se oli 59,0 kuukautta (vaihteluväli: 40,4-+74,8kuukausi) potilailla, jotka selvisivät. Koska kaikki kirjoilla tapauksista seurattiin vähintään 3 vuoden ajan tai kunnes kuolema, vastaanotin toimii (ROC) käyriä käytettiin aluksi tunnistamaan kuvan piirteitä liittyy 3 vuoden DSS. Kaikki parametrit, joiden pinta-ala käyrän eri 0,5 valittiin jatkotutkimuksiin. Optimaalinen raja-arvot tunnistettiin määrittämällä piste, jossa summa herkkyys ja spesifisyys (Youdenin n indeksi) oli suurin. Dichotomizing potilaat mukaan optimaaliset raja-arvot käytettiin myöhemmissä yhden ja usean Coxin regressioanalyysillä. Koska korkea collinearity eri Tekstuuripiirteiden rakensimme Coxin monimuuttuja regressiomalleja sisällyttää vain yksi rakenne parametri ja seuraavat kovariaatit: ikä, solutyypin (adenokarsinooma

vs

. Ei-adenokarsinooma), AJCC (vaihe I, II

vs

. vaihe III), ja radikaaleja (kyllä ​​

vs

. no). Kaikki laskelmat suoritettiin PASW Statistics 18 ohjelmistopaketti (SPSS Inc., Chicago, IL, USA). Soveltamisen jälkeen Bonferronin korjauksen,

P

arvo 0,017 (eli 0,05 /3) pidettiin tilastollisesti merkitsevä.

Tulokset

Potilaat

välisenä heinäkuussa 2007 ja kesäkuussa 2009, yhteensä 56 peräkkäisen potilailla (36 urosta, 20 naarasta, mediaani-ikä 68 vuotta, ikäryhmä: 34-84 vuotta) oli mukana. Mediaani seuranta-ajan koko tutkimuskohortissa oli 26,2 kuukautta (vaihteluväli: +2,5-74,8kuukausi), kun se oli 59,0 kuukautta (vaihteluväli: 40,4-+74,8kuukausi) potilailla, jotka selvisivät. Kliiniset ominaisuudet tutkimukseen osallistuneista on esitetty taulukossa 1. Yleisin histologinen tyyppi oli adenokarsinooma (n = 31, 55,4%), ja suurin osa potilaista oli diagnosoitu pitkälle vaiheessa (vaihe IIIA tai IIIB, n = 36, 64,2 %). Kaksikymmentäkaksi (39,3%) kasvaimia sijaitsee alemman keuhkojen lohkoa, kun taas 34 (60,7%) oli yläkulmassa tai oikealle keskellä lohkoa. Kaikkiaan 29 potilasta (51,8%) sai radikaaleja. Mediaani glukoositaso ennen FDG PET kuvantaminen oli 93 mg /dl (vaihteluväli: 65-151 mg /dl). Ei ollut merkittäviä interobserver eroja taustasäteily sekä PET /HCT (tarkkailija 1

vs

. 2: 1,60 ± 0,30 vs. 1,62 ± 0,31, P = 0,325) ja PET /ACT (1,65 ± 0,34

vs

. 1,65 ± 0,32, P = 0,960). Ei havaittu eroja arvoissa tuloksena adaptiivisen kynnysarvojen (2,88 ± 0,80

vs

. 2,91 ± 0,81, P = 0,318 ja 2,96 ± 0,82

vs

. 2,96 ± 0,83, P = 0,954 varten PET /HCT ja PET /ACT, vastaavasti). Käyttämällä keskimääräistä kynnys kasvaimen rajaamista, mediaani MTV PET /HCT ja PET /ACT olivat 26,19 cm

3 ja 26,58 cm

3, vastaavasti (Wilcoxonin-riveissä testi,

P

= 0,426).

PET kuva-analyysi

tulokset Wilcoxonin rekisteröitymispäivämäärä riveissä testit paljastivat, että PET /ACT saatu merkittäviä suurempi SUV

max, SUV tarkoita, ja TLG arvoja. Kuitenkin kaikki rakenne parametrit eivät osoittaneet merkittäviä eroja (taulukko 2). Erityisesti SUV

max kasvaimia sijaitsee alemman keuhkojen olivat merkittävästi korkeammat PET /ACT, mutta samat arvot havaittiin kasvaimia, jotka johtuvat muiden sivustojen (S1 taulukko). Eroista huolimatta SUV

max, SUV tarkoita, ja TLG välillä PET /HCT ja PET /ACT, ICC-analyysi paljasti suuri korrelaatio ja hyvä tarkkuus (ICC: 0,993, 0,994, ja 0,993, tarkkuus: 0,35, 0,35, ja 0,40% SUV

max, SUV tarkoita, ja TLG, vastaavasti). HGLZE osoitti alhaisin korrelaatio ja tarkkuutta (0,919 ja 4,35%, tässä järjestyksessä). Korkea korrelaatiokertoimet (ICC 0,95) on yleensä huomattava muu Tekstuuripiirteiden (taulukko 3). Vaihtelut SUV

max ja SUV tarkoittavat Bland-Altman-analyysi oli 25,4% ja 18,1%, tässä järjestyksessä. Alimmalla tasolla vaihtelu näkyi SUV entropia (9,7%) ja sen jälkeen entropian (9,8%), mikä käy ilmi kuvassa 1. Niistä NGTDM ja GLSZM parametrit, karkeus ja GLNU oli pienin muuntelun (33,0% ja 45,2%, vastaavasti). Korkeimman vaihtelua todettiin kontrastin (104,9%) ja HGLZM (80,6%), S1 Kuva. Vaihtelu arvot ovat yli 50% oli ilmeistä yhdenmukaisuus (56,6%), harrastukset (52,9%), monimutkaisuus (67,1%), ZSNU (74,4%), ja HGLZE (80,6%). Korkea asteita korrelaatio tekstuuriparametrin (│ρ│ = 0,614-0,993 PET /HCT ja │ρ│ = 0,567-0,993 PET /ACT, kaikki

P

0,001) näkyivät sekä PET /ACT ja PET /HCT.

Dot-ja-line kaaviot SUV entropia (A), entropia (B), ja karkeus (C). Tulokset Bland-Altman-analyysi SUV entropia (D), entropia (E), ja karkeus (F).

Survival analyysi

Lopussa tutkimuskohde, 36 potilasta kuoli (35 NSCLC ja yksi akuutti sydäninfarkti). Kaikkiaan 47 potilasta (83,9%) oli taudin etenemisen seuranta-aikana. Kolme menetelmiä (ROC käyrä analyysit, yhden muuttujan Coxin regressioanalyysi, Coxin monimuuttuja regressio analyysi) käytettiin tutkimaan ennustetekijöiden roolia tekstuuriparametrin. Tulokset ROC käyrä analyysit (S2 taulukko) paljasti, että SUV satunnaisuutta, tasaisuus, entropia, karkeus, kontrasti, GLNU ja ZSNU PET /HCT ja PET /ACT olivat tilastollisesti merkitseviä. Kun potilaat kahtia mukaan optimaaliset raja-arvot, löysimme suuren yhdenmukaisuuden tekstuuriparametrin peräisin PET /HCT ja PET /ACT. Identifcal kerrostuminen tuloksia saatiin osalta entropia ja karkeuden; 55 56 tapauksessa (98,2%) perustuivat cut-off GLNU; 54 (96,4%) ja ZSNU; 53 (94,6%) yhtenäisyyden ja 50 (89,3%) ja SUV entropia. ICC, tarkkuus, ja vaihtelu eivät osoittaneet merkittäviä assosiaatioita ositusta johdonmukaisuus (Spearmanin ρ = -0,211, 0,266 ja -0,248,

P

= 0,559, 0,457 ja 0,490, tässä järjestyksessä). Myöhemmin analyyseistä yhden ja usean Cox malleja vahvisti merkittävä rooli SUV entropian entropia, ja karkeus sekä PET /HCT ja PET /ACT ennustamisessa DSS (taulukko 4). Täydelliset tulokset yhden ja usean Coxin Regressioanalyysistä esitetään S5 taulukossa. Kaplan-Meier DSS PET /HCT ja PET /ACT parametrit on esitetty kuvassa 2.

Kaplan-Meier DSS ryhmiteltynä erillisiä raja-arvot PET /HCT ja PET /ACT parametrit . Cut-off-arvot on esitetty S2 taulukossa. Log-rank-testi

P

arvot ovat myös raportoitu.

Validation data

MTV ja TLG rajattuja käyttäen T45 menetelmää olivat merkittävästi alhaisemmat kuin ne, jotka saatiin sopeutuvaa kynnyksen lähestymistapa (Wilcoxonin-riveissä testi, sekä

P

0,001). Merkittävät suurempi SUV

max, SUV keskiarvo ja TLG olivat ilmeisiä (S3 taulukko), kun taas kaikki tekstuuriparametrin ei osoittanut tilastollisesti merkitseviä eroja. Korkea lisähintaa tunnistettiin. SUV entropia ja entropia paljasti alhaisimmat asteita vaihtelua PET /ACT ja PET /HCT, kun taas kontrastin ja HGLZE jatkui suuret vaihtelut (S4 taulukko). Käyttämällä T45 menetelmää validointitarkoituksissa, ennakoivan roolin SUV entropia ja entropia sekä PET /HCT ja PET /ACT DSS vahvistettiin käyttäen kaikkia kolmea menetelmien (ROC käyrät sekä yhden ja usean Coxin regressioanalyysillä). Kuitenkin rooli karkeuden säilyi merkitsevänä vain PET /ACT (taulukko 5). Kaplan-Meier DSS nämä analyysit on raportoitu kuvassa 3.

Kaplan-Meier DSS hinnat ryhmiteltynä erillisiä raja-arvot PET /HCT ja PET /ACT parametrit. Cut-off-arvot on esitetty S2 taulukossa. Log-rank-testi

P

arvot ovat myös raportoitu.

Keskustelu

Kun määritellään PET kuvien nojaa tarkka vaimennus korjaus karttoja. Kuitenkin hengitys liike pysyy edelleen suuri haaste PET /TT kuvantaminen. PET /HCT kohdistusvirhe esiintyy, kun HCT kuvausta suoritetaan aikana inspiraation [27-29, 51]. Niinpä joutuneiden pallean ilmatäytteinen keuhkojen kudoksiin johtaa aliarvioimiselta vaimennuskertoimen. Koska PET /ACT voidaan tehokkaasti vähentää tämän ongelman suurempi SUV

max arvot syntyivät PET /ACT (varsinkin vaurioiden sijaitsee alemman jossa selvempi hengityksen liikkeen odotettiin). Sen sijaan, SUV

max arvot eivät eroa merkittävästi paikoissa eri alemmasta ja taustan. Erityisesti rakenne indeksit saadaan PET /ACT ja PET /HCT olivat suurelta osin samanlaiset jopa keuhkojen alaosaan kentät. Tekstuuripiirteiden lasketaan käyttämällä koko kasvaimen näytteenotto ja ovat hyödyllisiä arvioitaessa suhteita useiden voxels ja niiden naapuruston (eikä samalla vokseli). Siksi ne ovat yleisesti, vaikka eri vaimennus korjaus menetelmiä.

PET entropia on osoitettu ennustaa selviytymisen potilailla, joilla on varhaisen vaiheen NSCLC [48]. Nykyisessä tutkimuksessa, emme vain voi jäljitellä tätä päätelmää mutta osoitti myös, että heterogeeninen PET kuvien liittyivät epäedullinen DSS. Heterogeeniset kuvat oli ominaista suuremmat arvot SUV entropia ja entropia. Erityisesti SUV entropia ja entropia perustuvat NGLCM sekä PET /HCT ja PET /ACT olivat merkittäviä ennustajia selviytymistä. Lisäksi SUV entropia ja entropia pysyi johdonmukaisesti riippumatta eri PET rekonstruktioparametrien (iteraation numero, FWHM, ja pikselikoko) [49] ja vaimennus korjaus menetelmiä. NGTDM kehitettiin alun perin määrittää ihmisen näköhavainnon. Karkea kuva heijastaa läsnä tasaisen intensiteetin jakauma, esim. homogeeninen kuva. Vaikka edellinen tutkimus osoitti ennustetyövälineenä rooli karkeutta [8], tämä parametri näyttää suuressa määrin vaihtelua mukaan eri segmentointi menetelmien, PET hankinta tilat, ja kuvan muodostamiseen asetukset [45, 49, 52, 53]. Kuten odotettua, karkeus arvot tässä tutkimuksessa oli ominaista voimakas määrin vaihtelua mukaan vaimennus korjausmenetelmällä (33,0% ja 55,0% adaptiivisen kynnyksen ja T45 menetelmiä, vastaavasti). Erityisesti karkeus oli merkitsevästi yhteydessä DSS käyttäen adaptiivista kynnyksen menetelmällä. Kuitenkin vain marginaalinen yhdistys havaittiin, kun T45 rajauksen ilman liikettä korvausta haettiin. Sen sijaan, SUV entropia ja entropia (joka oli ominaista alhaisempi laajuus vaihtelu) olivat merkittäviä sekä PET /ACT ja PET /HCT.

Eri meidän tuloksia, Yip et al. [54] raportoitu merkittäviä eroja PET /HCT ja 4D PET /CT karkeus ja busyness arvoja. 4D-PET /TT, 4D-CT-kuvia viidestä eri hengitysteiden vaihetta valitaan samat kuin vastaavan 4D-PET perusteella saadun PET /HCT. Näin ollen lasken 4D-PET fotonien on erilainen kuin PET /HCT, jolla on korkeampi kohina on ilmeistä 4D PET (jotka saattavat haitata laskemaan tarkasti Tekstuuripiirteiden). Kysymys siitä, onko nämä erot voivat vaikuttaa eloonjäämiseen ennustaminen on edelleen auki. Eri 4D-PET /CT, PET /ACT käyttää samaa PET kuvia ja kaikki vaiheet PET signaaleja käytetään. Tämä havainto voi selittää rajoitetun erot tekstuuriparametrin välillä PET /HCT ja PET /ACT.

havainnot korostavat käyttäen standardoitua lähestymistapaa PET tekstuurianalyysiin [55] NSCLC potilailla. Voidaan väittää, että monimuotoisuus PET tekstuuriparametrin (johtuvat eroista kohde segmentointi, Rebin prosessi, jälleenrakennus asetuksia, ja /tai terminologia) voivat haitata soveltaminen tekstuurin perustuva analyysi kliinisessä työssä [53]. Kuitenkin tekninen kehitys ja täytäntöönpano satunnaistetuissa kliinisissä tutkimuksissa toivottavasti olla avuksi voittamisessa näihin haasteisiin [2, 56]. On myös mahdollista, että tekstuuriparametrin (erityisesti SUV entropia ja entropia) voivat olla hyödyllisiä ohjaava sädehoidossa. Tässä suhteessa olisi kliinisesti merkityksellisiä arvottaa annoksen maalauksen avulla tallentamattomiin säteilyannos jaettavaksi kasvain (perustuen kuvaohjatut kerrostuminen korkean riskin tavoitevolyymeja). Vaikka annos maalaus perustuu PET kuvia korkealla SUV ei näytä olevan kliinisesti käyttökelpoinen ennustamaan tuloksia [57], tunnistaminen korkean riskin alatilavuuksia perustuu PET tekstuuriparametrin tai moniparametrisissä kuvantamisen [58] voivat oikeuttaa lisätutkimuksia.

Useat rajoitusten Tutkimuksemme ansioita kommentti. Koska taannehtivuus Tutkimuksen valinta bias ei voida sulkea pois. Tuloksemme liittyvät ennustearvo SUV entropia ja entropia on itsenäisesti validoitu pitkittäistutkimuksissa. Toinen varoitus luonnostaan ​​Tutkimuksessamme on käytössä kaksi menetelmää (eli mukautuva kynnys ja T45) kasvaimen määrittely. Lisätutkimukset ovat tarpeen selventää mahdollisia vaikutuksia kasvaimen rajauksen menetelmää ennustavia merkitystä indeksit. Lopuksi, emme nimenomaan tutkia vaikutusta rekonstruktioalgoritmit on Tekstuuripiirteiden [45] ja niiden vaikutusta eloonjäämiseen.

Johtopäätökset

tulokset Tutkimuksemme osoittavat, että Tekstuuripiirteiden saavutetaan PET /HCT ja PET /ACT osoitti rajoitettu eroja ja Hyvästä sopimuksesta riippumatta rajauksen käytetty menetelmä. Osoitimme myös, että tekstuuriparametrin PET /ACT ovat kliinisesti käyttökelpoisia ennustaminen selviytymisen NSCLC potilaiden ja että SUV entropia ja entropia ovat vankkoja vaimennus korjausmenetelmät.

tukeminen Information

S1 Kuva. Tulokset Bland-Altman-analyysi.

SUVmax (A), SUV keskiarvo (B), TLG (C), yhdenmukaisuus (D), erilaisuus (E), homogeenisuus (F), harrastukset (G), kontrasti (H) , monimutkaisuus (I), harmaa-tason epätasaisuutta (J), vyöhyke-koon epätasaisuutta (K), ja korkea harmaa tason suuri alue korostetaan (L).

doi: 10,1371 /journal.pone.0150509.s001

(TIF) B S1 Taulukko. Tulokset Wilcoxonin-riveissä testi eri PET parametrien mukaan kasvaimen sijainti keuhkojen.

Doi: 10,1371 /journal.pone.0150509.s002

(DOCX)

S2 Taulukko. Optimaalinen raja-arvot eri PET parametrien ennustamisessa 3 vuoden tautikohtaista säilymiseen.

Doi: 10,1371 /journal.pone.0150509.s003

(DOCX)

S3 Taulukko. Tulokset Wilcoxonin-sijoittuu testit PET /HCT ja PET /ACT parametreja T45 segmentointia.

Doi: 10,1371 /journal.pone.0150509.s004

(DOCX)

S4 Taulukko. Intraclass korrelaatiokertoimet ja Bland-Altman analyysit PET parametreja T45 segmentointia.

Doi: 10,1371 /journal.pone.0150509.s005

(DOCX)

S5 Taulukko. Täydellinen yhden ja usean Coxin regressio analyysit ennustamiseen tautikohtaisia ​​selviytyminen käyttäen tekstuuriparametrin.

Doi: 10,1371 /journal.pone.0150509.s006

(DOCX) B

Kiitokset

Keskimääräiset CT vaimennuksen korjaamista PET alunperin kehittänyt Dr. Tinsu Pan (University of Texas, MD Anderson Cancer Center). Olemme kiitollisia Dr. Pan antelias jakaminen hänen ohjelmisto.