Zaman-aktivite eğrisi
Tıbbi görüntülemede, zaman-aktivite eğrisi, x ekseninde çizilen zamana karşı y ekseninde çizilen radyoaktivitenin (konsantrasyon açısından) bir eğrisidir. Dinamik bir taramadan zaman içinde ölçülen, bir görüntüdeki ilgilenilen bir bölgedeki radyo izleyicinin konsantrasyonunu gösterir. Genel olarak, bir doku içinde bir zaman-aktivite eğrisi elde edildiğinde, buna doku zaman-aktivite eğrisi adı verilir; bu, bir doku içinde ilgilenilen bir bölgedeki izleyicinin zaman içindeki konsantrasyonunu temsil eder.
Modern kinetik analiz, matematiksel modelin girdilerinden biri olarak doku zaman-aktivite eğrisini gerektiren çeşitli tıbbi görüntüleme tekniklerinde gerçekleştirilir. Örneğin dinamik pozitron emisyon tomografisinde (PET) görüntülemede veya perfüzyon BT'de veya dinamik kontrastlı manyetik rezonans görüntülemede (DCE-MRI) dinamik tarama kullanılır.
Dinamik tarama, iki boyutlu (2D) veya üç boyutlu (3D) görüntülerin, 2D/3D görüntü veri kümelerinin zaman serisini oluşturan bir zaman dilimi boyunca tekrar tekrar elde edildiği bir taramadır. Örneğin, on dakika boyunca elde edilen dinamik kontrastlı manyetik rezonans görüntüleme taraması, gadolinyum izleyicinin hızlı dinamiklerini yakalamak için 30 saniye boyunca elde edilen kısa görüntü çerçevelerini içerir. Zaman-aktivite eğrisindeki her veri noktası, zaman içinde elde edilen bu görüntü zaman çerçevelerinin her birinde bölümlere ayrılan bölgeden izleyici konsantrasyonunun bir ölçümünü temsil eder.
Zaman-aktivite eğrisinin elde edilmesi
[değiştir | kaynağı değiştir]İlgi bölgesi analizi yardımıyla zaman-aktivite eğrileri elde edilir. İlgi alanı analizi, görüntü verilerini ölçümlerin yapılabileceği belirli bir bölgeyle (örneğin bel omurları veya femur boynu) sınırlandırır. Bu özel olarak işaretlenmiş bölge içindeki görüntü pikselleri daha sonra dinamik taramanın tüm görüntü çerçeveleri üzerinde kopyalanır ve daha sonra tüm görüntü çerçevelerinden ortalama bir piksel değeri, bu görüntü çerçevelerinin elde edildiği zamana karşı çizilir.
Kavram aşağıda bir örnekle anlatılmıştır. Her tablonun farklı zamanlarda elde edilen bir görüntüyü temsil ettiği dinamik bir görüntü düşünün; örneğin t=1 saniye, t=2 saniye, t=3 saniye, t=4 saniye, t=5 saniye ve t=6 saniye. Bu görüntüde, her vokselin izleyici konsantrasyonunu ml başına Bq birimi cinsinden gösterdiğini varsayalım. Şimdi her görüntüdeki hedef bölgemizin yalnızca merkezi dört voksel olduğunu varsayalım. Öncelikle her görüntüde ilgi bölgemiz olan merkezi dört piksel belirlenir, ardından her kare için bir ortalama alınır.
|
|
|
|
|
|
|---|
t=1 saniye......t=2 saniye......t=3 saniye......t=4 saniye......t=5 saniye......t=6 saniye
Bu örnekte, t=1'de 1. kare için ortalama 2, t=2'de 2. kare için 3, t=3'te 3. kare için 4, t=4'te 4. kare için 6, t=5'te 5. kare için 4 ve t=6'da 6. kare için 3 ortalama değere sahip oluruz. Artık bu değerler, zamanın x ekseninde ve ortalama konsantrasyon değerlerinin y ekseninde olduğu bir grafik üzerinde gösterilebilir. Grafik aşağıdaki gibi görünür (görüntüdeki piksel değerlerinin t=0'da 0 olacağı varsayılmıştır):
İlgilenilen bölge (yukarıdaki örneklerde merkezi dört piksel) elle,[1] yarı otomatik,[2] veya otomatik[3] yöntemler kullanılarak belirlenebilir. Elle ilgi alanı tanımı, kullanıcının hedef bölge etrafına subjektif olan keyfi bir sınır çizmesini gerektirir. Sınır, farklı kalınlık seviyelerindeki noktalar veya çizgilerle işaretlenebilir. Seçim aynı zamanda koordinat değerleri seçilerek de yapılabilir. İlgi konusu bir bölgeyi seçerken kullanıcı, sınır piksellerinin özelliklerini (örneğin, o anda seçili olan pikselin konumu ve değeri) takip edebilir.
Yarı otomatik yöntemler, minimum kullanıcı etkileşimi ile bir ilgi bölgesini tanımlar ve genel olarak geometrik seçim,[2][4] eşikleme,[5] ve bölge büyütme yöntemleri[6] veya herhangi iki kriterin veya başka herhangi bir kriterin kombinasyonu şeklinde sınıflandırılabilir.[7] Eşikleme yöntemlerinde görüntüde belirli bir yoğunluk seviyesinin üzerindeki pikseller ilgilenilen bölgeye dahil edilir. Bölge büyütme yöntemlerinde, kullanıcı ilgilenilen bölgedeki ilk pikseli tanımlayan bir çekirdek piksel seçer ve bir durdurma kriterine göre komşu pikseller çekirdek piksele eklenir ve Algoritma çekirdek pikselleri çevreleyen pikselleri durdurduğunda ilgilenilen bir bölge oluşturur.
Otomatik yöntemler kullanıcı müdahalesi gerektirmez[8] ve analiz edilecek bölgeye ilişkin ön bilgilere dayalı olarak çalıştıkları için yinelemeli veya uyarlanabilir yöntemler olarak da anılırlar. Yarı otomatik yöntemlerin çoğunluğu otomatikleştirilebilir ancak bunların uzmanlar tarafından belirlenen elle altın standarda göre doğrulanması gerekir.[2][9]
Arteriyel giriş fonksiyonu ile ilişki
[değiştir | kaynağı değiştir]Bir arter içindeki zaman-aktivite eğrisinin elde edilmesi, görüntüden türetilmiş arter giriş fonksiyonu (IDAIF) elde etmeye yönelik ilk adımdır. Arteriyel zaman-aktivite eğrisi daha sonra arteriyel/venöz kan örneği kullanılarak çeşitli hatalar için düzeltilir ve ardından arteriyel giriş fonksiyonu (AIF) kinetik analiz için modele girdi olarak kullanılabilir.
Ayrıca bakınız
[değiştir | kaynağı değiştir]Kaynakça
[değiştir | kaynağı değiştir]- ^ Mykkänen, Jouni M.; Juhola, Martti; Ruotsalainen, Ulla (2000). "Extracting VOIs from brain PET images". International Journal of Medical Informatics. Cilt 58-59. ss. 51-57. doi:10.1016/s1386-5056(00)00075-7. ISSN 1386-5056. PMID 10978909.
- ^ a b c Puri, T.; Blake, G. M.; Curran, K. M.; Carr, H.; Moore, A. E. B.; Colgan, N.; O'Connell, M. J.; Marsden, P. K.; Fogelman, I.; Frost, M. L. (2012). "Semi-automatic Region-of-Interest Validation at the Femur in 18F-Fluoride PET/CT". Journal of Nuclear Medicine Technology. 40 (3). ss. 168-174. doi:10.2967/jnmt.111.100107. ISSN 0091-4916. PMID 22892275.
- ^
“ Insert the text of the quote here, without quotation marks. „ - ^ Krak, Nanda C.; Boellaard, R.; Hoekstra, Otto S.; Twisk, Jos W. R.; Hoekstra, Corneline J.; Lammertsma, Adriaan A. (2004). "Effects of ROI definition and reconstruction method on quantitative outcome and applicability in a response monitoring trial". European Journal of Nuclear Medicine and Molecular Imaging. 32 (3). ss. 294-301. doi:10.1007/s00259-004-1566-1. ISSN 1619-7070. PMID 15791438.
- ^ Sankur, Bu¨lent (2004). "Survey over image thresholding techniques and quantitative performance evaluation". Journal of Electronic Imaging. 13 (1). s. 146. Bibcode:2004JEI....13..146S. doi:10.1117/1.1631315. ISSN 1017-9909.
- ^ ZHENG, L., JESSE, J. & HUGUES, T. (2001) Unseeded region growing for 3D image segmentation. Selected papers from the Pan-Sydney workshop on Visualisation – Volume 2. Sydney, Australia, Australian Computer Society, Inc.
- ^ Pan, Zhigeng; Lu, Jianfeng (2007). "A Bayes-Based Region-Growing Algorithm for Medical Image Segmentation". Computing in Science & Engineering. 9 (4). ss. 32-38. Bibcode:2007CSE.....9d..32P. doi:10.1109/mcse.2007.67. ISSN 1521-9615.
- ^ Suzuki, H.; Toriwaki, J. (1988). "Knowledge-guided automatic thresholding for 3-dimensional display of head MRI images". [1988 Proceedings] 9th International Conference on Pattern Recognition. IEEE Comput. Soc. Press. ss. 1210-1212. doi:10.1109/icpr.1988.28473. ISBN 0-8186-0878-1.
- ^ Weaver, Jean R.; Au, Jessie L-S. (1 Ekim 1997). "Application of automatic thresholding in image analysis scoring of cells in human solid tumors labeled for proliferation markers". Cytometry. 29 (2). ss. 128-135. doi:10.1002/(sici)1097-0320(19971001)29:2<128::aid-cyto5>3.0.co;2-9. ISSN 0196-4763. PMID 9332819.