Máté: Orvosi képfeldolgozás9. előadás1 Szív vizsgálatokhoz kifejlesztett két fejes SPECT

Máté: Orvosi képfeldolgozás9. előadás2 Szív vizsgálatokhoz kifejlesztett két fejes SPECT

Máté: Orvosi képfeldolgozás9. előadás3 Szív vizsgálatokhoz kifejlesztett SPECT

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

Máté: Orvosi képfeldolgozás9. előadás5 Bull’s eye... Modell: henger félgömb

Máté: Orvosi képfeldolgozás9. előadás6

Máté: Orvosi képfeldolgozás9. előadás7

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

Máté: Orvosi képfeldolgozás9. előadás9

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

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!

Máté: Orvosi képfeldolgozás9. előadás12 Time of flight d d A B dd 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 = km/sec * 1 nsec / 2 = 15 cm Tipikus (1985-ben):  t = 400 psec   d = 6 cm P

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

Máté: Orvosi képfeldolgozás9. előadás14 Pozitron Emissziós Tomograf (PET)

Máté: Orvosi képfeldolgozás9. előadás15

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

Máté: Orvosi képfeldolgozás9. előadás17 Két kompartmentes modell F = F(t) C A (t)(artériás koncentráció) (flow) k 12 k 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.

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 sejt közötti tér 2. sejten belüli tér F C V (t) Két kompartmentes modell

Máté: Orvosi képfeldolgozás9. előadás19 F = F(t) C A (t) (flow) k 12 k 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