Előadást letölteni
Az előadás letöltése folymat van. Kérjük, várjon
1
Máté: Orvosi képfeldolgozás9. előadás1 Szív vizsgálatokhoz kifejlesztett két fejes SPECT
2
Máté: Orvosi képfeldolgozás9. előadás2 Szív vizsgálatokhoz kifejlesztett két fejes SPECT
3
Máté: Orvosi képfeldolgozás9. előadás3 Szív vizsgálatokhoz kifejlesztett SPECT
4
Máté: Orvosi képfeldolgozás9. előadás4 Bal kamra (szívizom) reorientációja transzverzális forgatott tr. módosított szagittális Anatómiai atlaszban használt metszetek: rövid tengely (traszaxiális) metszet frontális metszet szagittális metszet
5
Máté: Orvosi képfeldolgozás9. előadás5 Bull’s eye... Modell: henger félgömb
6
Máté: Orvosi képfeldolgozás9. előadás6
7
Máté: Orvosi képfeldolgozás9. előadás7
8
Máté: Orvosi képfeldolgozás9. előadás8 rövid tengely metszet A a r (x, y) A : R = a : (a > r / 2) ? metszet : kúp (x, y) értéke az egyenes menti értékekből származik kúp palást r A a
9
Máté: Orvosi képfeldolgozás9. előadás9
10
Máté: Orvosi képfeldolgozás9. előadás10 Positron Emission Tomography (PET) Pozitron sugárzók T 1/2 18 F110 min 11 C 10 min 13 N 10 min 15 O 2 min Általában ciklotron termék. Nehéz detektálni, kollimálni: drága. e+e+ e–e– 180 0
11
Máté: Orvosi képfeldolgozás9. előadás11 (x – x 1 ) : z 1 = (x 2 – x 1 ) : (z 1 + z 2 ) x = (x 1 z 1 + x 2 z 2 ) / (z 1 + z 2 ) y = (y 1 z 1 + y 2 z 2 ) / (z 1 + z 2 ) Elektronikus kollimáció. Koincidencia: N t (true), N r (random)N = N t + N r tűrés: x2x2 x1x1 x D1D1 D2D2 z1z1 z2z2 D 1 egységnyi idő alatt N 1 D 2 egységnyi idő alatt N 2 N 1 * 2 idő alatt következhet be véletlen koincidencia 1 : N 2 = (N 1 * 2 ) : N r N r = 2 N 1 N 2 N r / N 2 2 N 1 A véletlen koincidenciát alacsonyan kell tartani!
12
Máté: Orvosi képfeldolgozás9. előadás12 Time of flight d d A B dd PA = d + d PB = d – d c a fénysebesség t A = (d + d) / c t B = (d – d) / c t = t A – t B = 2 d / c, d = c t / 2 Általában t << Ha t = 1 nsec: d = 300.000 km/sec * 1 nsec / 2 = 15 cm Tipikus (1985-ben): t = 400 psec d = 6 cm P
13
Máté: Orvosi képfeldolgozás9. előadás13 detektor gyűrűk Felbontás: függ az izotóptól, a környező anyagtól (fékeződés). FWHM kb. konstans UFOV-on. A mai PET-ek jól közelítik az elméletileg elérhető FWHM-et. s
14
Máté: Orvosi képfeldolgozás9. előadás14 Pozitron Emissziós Tomograf (PET)
15
Máté: Orvosi képfeldolgozás9. előadás15
16
Máté: Orvosi képfeldolgozás9. előadás16 Attenuation Annak a valószínűsége, hogy a foton eléri a detektort e – l1 ill. e – l2, a koincidencia valószínűsége e – l1 * e – l2 = e – (l1 + l2) (független események). Az elnyelődés szempontjából közömbös, hogy az egyenes mely pontjában történt a pozitron kibocsátás. 511 KeV-es külső forrással mérhető a gyengülés, pontos gyengülés korrekció lehetséges a szinogramon. l2l2 l1l1
17
Máté: Orvosi képfeldolgozás9. előadás17 Két kompartmentes modell F = F(t) C A (t)(artériás koncentráció) (flow) k 12 k 21 1. sejt közötti tér 2. sejten belüli tér F C V (t)(vénás koncentráció. Nem mérhető!) tökéletes keveredés Q 1, Q 2 a tracer mennyisége az 1., 2. kompartmentben ( /cm 3 ) Általában feltehető, hogy F konstans.
18
Máté: Orvosi képfeldolgozás9. előadás18 Ha feltételezhető, hogy a kompartmentek közötti tracer vándorlás lineárisan függ a kínálattól, akkor: Q 1 ’(t)= F C A (t) – F C V (t) – k 21 Q 1 (t) + k 12 Q 2 (t) Q 2 ’(t)= k 21 Q 1 (t) – k 12 Q 2 (t) F Q 1 (t) / V, ahol V az első kompartment térfogata V más mérésekből ismert lehet! F = F(t) C A (t) (flow) k 12 k 21 1. sejt közötti tér 2. sejten belüli tér F C V (t) Két kompartmentes modell
19
Máté: Orvosi képfeldolgozás9. előadás19 F = F(t) C A (t) (flow) k 12 k 21 1. sejt közötti tér 2. sejten belüli tér F C V (t) Q 1 ’(t)= F C A (t) – F C V (t) – k 21 Q 1 (t) + k 12 Q 2 (t) Q 2 ’(t)= k 21 Q 1 (t) – k 12 Q 2 (t) A nehézséget az okozza, hogy csak C A (t) és C T (t) = Q 1 (t) + Q 2 (t) mérhető. Általában F –re, k 12, k 21 -re vagyunk kíváncsiak. Két kompartmentes modell
Hasonló előadás
