CN114533102B - 一种使用全身suv图像调查个体水平的全身代谢异常的方法 - Google Patents
一种使用全身suv图像调查个体水平的全身代谢异常的方法 Download PDFInfo
- Publication number
- CN114533102B CN114533102B CN202210108838.7A CN202210108838A CN114533102B CN 114533102 B CN114533102 B CN 114533102B CN 202210108838 A CN202210108838 A CN 202210108838A CN 114533102 B CN114533102 B CN 114533102B
- Authority
- CN
- China
- Prior art keywords
- network
- group
- subjects
- individual
- metabolic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000006371 metabolic abnormality Effects 0.000 title claims abstract description 28
- 230000002503 metabolic effect Effects 0.000 claims abstract description 38
- 210000000056 organ Anatomy 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 208000020816 lung neoplasm Diseases 0.000 claims abstract description 27
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims abstract description 25
- 201000005202 lung cancer Diseases 0.000 claims abstract description 25
- 230000009885 systemic effect Effects 0.000 claims abstract description 15
- 238000003012 network analysis Methods 0.000 claims abstract description 12
- 208000025721 COVID-19 Diseases 0.000 claims abstract description 11
- 208000012671 Gastrointestinal haemorrhages Diseases 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 208000030304 gastrointestinal bleeding Diseases 0.000 claims abstract description 9
- 238000002591 computed tomography Methods 0.000 claims abstract description 8
- 210000004556 brain Anatomy 0.000 claims description 18
- 201000010099 disease Diseases 0.000 claims description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 210000004072 lung Anatomy 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 230000003902 lesion Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 210000001638 cerebellum Anatomy 0.000 claims description 4
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 210000005240 left ventricle Anatomy 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000004885 white matter Anatomy 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004958 brain cell Anatomy 0.000 claims description 3
- 210000000133 brain stem Anatomy 0.000 claims description 3
- 210000001159 caudate nucleus Anatomy 0.000 claims description 3
- 230000032823 cell division Effects 0.000 claims description 3
- 210000005153 frontal cortex Anatomy 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 210000003734 kidney Anatomy 0.000 claims description 3
- 210000004185 liver Anatomy 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- 230000000926 neurological effect Effects 0.000 claims description 3
- 210000000496 pancreas Anatomy 0.000 claims description 3
- 210000002637 putamen Anatomy 0.000 claims description 3
- 210000000952 spleen Anatomy 0.000 claims description 3
- 230000001747 exhibiting effect Effects 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 241000220324 Pyrus Species 0.000 claims 1
- 208000030159 metabolic disease Diseases 0.000 claims 1
- 235000021017 pears Nutrition 0.000 claims 1
- 238000012636 positron electron tomography Methods 0.000 description 9
- 239000000523 sample Substances 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000012952 Resampling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000004153 glucose metabolism Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000010176 18-FDG-positron emission tomography Methods 0.000 description 1
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013060 biological fluid Substances 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000013068 control sample Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000013632 homeostatic process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004066 metabolic change Effects 0.000 description 1
- 230000003818 metabolic dysfunction Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002858 neurotransmitter agent Substances 0.000 description 1
- 230000005813 organ abnormality Effects 0.000 description 1
- 230000026731 phosphorylation Effects 0.000 description 1
- 238000006366 phosphorylation reaction Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开一种使用全身SUV图像调查个体水平的全身代谢异常的方法，包括：采集不同受试者不同采样区域的18F‑FDG PET/CT扫描数据，得到不同受试者的具有标准摄取值SUV的图像，通过该图像进行采样区域的选择；所述受试者包括健康对照组，肺癌组，Covid‑19出院后30天的受试者，原因不明的胃肠道出血的受试者；构建不同受试者的个体连接网络，并通过不同受试者的个体连接网络得出不同受试者的每个采样区域代谢异常程度；通过不同受试者的每个采样区域代谢异常程度进行对照组同质性分析、肺癌组异质性分析、小组与个人层面的网络分析及个人网络与单器官分析。本发明的方法可以潜在地识别***性代谢异常。
Description
技术领域
本发明属于医学图像处理技术领域，尤其涉及一种使用全身SUV图像调查个体水平的全身代谢异常的方法。
背景技术
人体代谢稳态依赖于全身水平的复杂神经元，血管和体液机制。器官之间的同时非线性相互作用形成不同的生理网络。许多***性疾病是由于器官间生理相互作用的干扰或与之相关。尽管存在用于在器官水平上研究这种干扰的既定方法，但是进一步开发足以在***水平上量化的通用方法存在挑战。
迄今为止，大多数关于这些主题的研究都使用非成像工具。Thiele等人开发了一种代谢网络重建方法，该方法使用来自文献和组学数据的器官特异性信息。包括20个器官，6个性器官，6种血细胞类型和13种生物流体隔室的数据来源。Barajas-Martínez等人介绍了基于人体测量，空腹血液检查和其他生命体征的生理网络。他们得出结论，网络的具体结构特性将在整个人类寿命期间发生变化，并可提供健康状况指标。Cui等人重建了组织和细胞类型中的全球哺乳动物代谢网络，并尝试将器官与器官间代谢物转运联系起来。Bashan等人和Bartsch等人开发了一个框架来探测不同***之间的相互作用，并确定一个展示网络拓扑和功能之间相互作用的生理网络。但上述方法均不能在***水平上量化。
发明内容
本发明针对现有代谢异常分析方法存在的不能在***水平上量化的问题，提出一种使用全身SUV图像调查个体水平的全身代谢异常的方法。
为了实现上述目的，本发明采用以下技术方案：
一种使用全身SUV图像调查个体水平的全身代谢异常的方法，包括：
步骤1，数据采集和处理：采集不同受试者不同采样区域的18F-FDG PET/CT扫描数据，得到不同受试者的具有标准摄取值SUV的图像，通过该图像进行采样区域的选择；所述受试者包括由没有任何疾病记录的受试者组成的健康对照组，被诊断为肺癌、病变部位不同的受试者组成的肺癌组，Covid-19出院后30天的受试者，原因不明的胃肠道出血的受试者；
步骤2，构建不同受试者的个体连接网络，并通过不同受试者的个体连接网络得出不同受试者的每个采样区域代谢异常程度；
步骤3，通过不同受试者的每个采样区域代谢异常程度进行对照组同质性分析、肺癌组异质性分析、小组与个人层面的网络分析及个人网络与单器官分析。
进一步地，所述步骤1包括：
步骤1.1：首先进行CT扫描以进行衰减校正，然后进行18F-FDG PET/CT采集；使用3D有序子集期望最大化算法将扫描数据重建为体素大小固定的矩阵；使用基于CT的衰减校正图进行衰减和散射校正；然后通过归一化注射剂量和重量将重建的活动图像转换为具有标准摄取值SUV的图像；
步骤1.2：对于每次扫描，在SUV图像上描绘所有感兴趣器官的感兴趣采样区域；所述采样区域包括全脑，血液，左心室，肺，肝，胰腺，脾，左/右肾，肌肉和脊柱；使用统计参数映射进行脑细胞***，将重建图像中包含大脑的平面提取为新体积，并在蒙特利尔神经病学研究所空间中进行空间归一化；通过高斯滤波器对归一化图像进行平滑处理，然后分成由AAL2图谱定义的区域，选择其中的脑干，全小脑，脑脊液，全白质，尾状核，壳核和额叶皮层作为新的采样区域，与描绘的器官一起，每次扫描分析总共18个采样区域。
进一步地，所述步骤2包括：
步骤2.1，从健康对照组构建参考代谢网络refNET，该参考代谢网络是通过计算每个区域对的SUV之间的Pearson相关系数获得的，采用协方差网络结构；
步骤2.2：在健康对照组中添加一名患者，形成一个新组，以构建一个新的结构协方差网络，该网络被标记为扰动网络ptbNET；
步骤2.3，将扰动网络ptbNET和参考网络refNET之间的差异计算为剩余网络resNET；设置阈值0.3以消除弱相关性；获得了剩余网络resNET的Z分数图：
其中N是新组中的主题总数，剩余网络本质上代表连通性的异常水平，每个网络由连接18个区域的153个边缘组成，每个边缘表现出不同程度的代谢变化；为了量化异常程度，定义每个区域异常的强度STR：
其中m是区域索引号，
是集合，
M＝18是区域数，ZCCmi表示区域m与其相邻区域i之间的Z分数图的相关系数，相邻节点的总数等于m-1。
进一步地，所述步骤3中，按照如下方式进行对照组同质性分析：
对每个健康对照组的受试者进行单独的网络分析，通过平均任何一对网络之间Z分数的Pearson相关系数来测量组内的相似性，然后进行重采样来测试主题选择的可重复性。
进一步地，所述步骤3中，按照如下方式进行肺癌组异质性分析：
将每个肺癌患者的个人网络的强度与参考网络中的强度进行比较，通过测量所有153个边缘上成对Z得分之间的受试者间Pearson相关系数的平均值，计算出肺癌患者网络之间的相似性。
进一步地，所述步骤3中，按照如下方式进行小组与个人层面的网络分析：
分别为患者组和健康对照组构建组级代谢网络，通过计算两组中所有受试者的脑区域对的Pearson相关性来构建两个组级代谢网络，两个组级代谢网络之间的归一化差异被视为组级差异网络Diffgroup，i：
其中i表示边，patNET表示患者组的组级代谢网络，refNET表示健康对照组的组级代谢网络；
通过计算所有患者网络中每个边缘的Z得分的平均值来构建平均残差网络Diffindividual，i：
其中j是患者索引号，Np是患者的总数；
计算平均残差网络Diffindividual，i和组级差异网络Diffgroup，i之间的Pearson相关系数。
进一步地，所述步骤3中，按照如下方式进行个人网络与单器官分析：
为一名Covid-19出院后30天的受试者和一名原因不明的胃肠道出血的受试者分别构建单独的连接网络，根据器官的网络强度量化SUV的变化。
与现有技术相比，本发明具有的有益效果：
本发明可以使用受试者的全身PET/CT SUV图像和健康对照组构建个体代谢异常网络。本发明提出的方法可调查个体水平的全身代谢异常，表征了个体水平的葡萄糖代谢的分子连接性，这是目前的分析方法所不能的。本发明的方法可以潜在地识别***性代谢异常，由于肺癌组之间的巨大异质性，这不能通过传统的群体水平方法得出。此外本发明可以从***的角度研究大脑和其他器官如何在健康和疾病状况下相互作用。
附图说明
图1为本发明实施例一种使用全身SUV图像调查个体水平的全身代谢异常的方法的基本流程图；
图2为本发明实施例2D采样的目标区域；
图3为本发明实施例获得的个体代谢网络的整体框架图；
图4为本发明实施例健康对照组和肺癌组肺部个体代谢网络连接强度的箱形图及两组肺中相应的SUV值；
图5为本发明实施例一名Covid-19出院后30天的受试者和一名原因不明的胃肠道出血的受试者的个体代谢连接性；
图6为本发明实施例器官|ΔSUV|与图4中网络计算的网络强度之间的相关图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明：
在本发明中，我们提出了一个框架，可以使用受试者的全身PET/CT SUV图像和健康对照组构建个体代谢异常网络。首先演示实施细节，然后进行验证。最后，演示了示例应用，并将其性能与传统的组级连通性和单器官摄取分析进行了比较。
具体地，如图1所示，一种使用全身SUV图像调查个体水平的全身代谢异常的方法，包括：
步骤S101，数据采集和处理：采集不同受试者不同采样区域的18F-FDG PET/CT扫描数据，得到不同受试者的具有标准摄取值SUV的图像，通过该图像进行采样区域的选择；所述受试者包括由没有任何疾病记录的受试者组成的健康对照组，被诊断为肺癌、病变部位不同的受试者组成的肺癌组，Covid-19出院后30天的受试者，原因不明的胃肠道出血的受试者；
步骤S102，构建不同受试者的个体连接网络，并通过不同受试者的个体连接网络得出不同受试者的每个采样区域代谢异常程度；
步骤S103，通过不同受试者的每个采样区域代谢异常程度进行对照组同质性分析、肺癌组异质性分析、小组与个人层面的网络分析及个人网络与单器官分析。
具体地，本实施例总共包括36次18F-FDG PET/CT扫描。受试者中，二十四名为年轻健康的受试者，没有任何疾病记录；十例被诊断为肺癌，病变部位不同；一个是在Covid-19出院后30天进行的；一个是原因不明的胃肠道出血。这些研究的人口统计数据列于表1中。
表1受试者的人口统计
步骤S101的数据采集和处理过程中，所有扫描均在中国河南省人民医院的uExplorer PET/CT扫描仪上获得。这些研究得到了当地伦理委员会的批准。扫描前获得每个受试者的书面同意。扫描过程和数据格式如下。首先进行CT扫描以进行衰减校正。然后开始60分钟列表模式PET采集，其中推注从下肢静脉注射到静脉的18F-FDG(注射剂量参见表1)。为了获得SUV图像，使用工作站上的3D有序子集期望最大化(OSEM)算法将50-60分钟内的扫描数据重建为体素大小为3.125×3.125×2.866mm3的192×192×80矩阵。重建应用了3次迭代，28个子集和2mm高斯后平滑。使用基于CT的衰减校正图进行衰减和散射校正。然后通过归一化注射剂量和重量将重建的活动图像(以Bq/cc为单位)转换为具有标准摄取值(SUV)的图像。
对于每次扫描，在SUV图像上手动描绘所有感兴趣器官的感兴趣区域(ROI)。采样的目标区域如图2所示，共11个采样区域，包括全脑，血液，左心室，肺，肝，胰腺，脾，左/右肾，肌肉和脊柱，其中大脑指的是全脑，而肺指的是病变所在的左肺或右肺，排除病变本身。使用统计参数映射(SPM12)进一步进行脑细胞***。将重建图像中包含大脑的平面提取为新体积，并在蒙特利尔神经病学研究所(MNI)空间中对FDG-PET模板进行空间归一化。用8mmFWHM的高斯滤波器对归一化图像进行平滑处理，然后分成由AAL2图谱定义的94个区域。根据上下文中定义的AAL2图谱，从大脑中进一步提取子区域。本实施例中，只选择脑干，全小脑(CER)，脑脊液(CSF)，全白质(WM)，尾状核，壳核和额叶皮层(SF)进行后续分析。与描绘的器官一起，每次扫描分析总共18个采样区域。网络分析使用Brain Connectivity Toolbox进行。所有统计分析均使用Matlab R2018b中的统计和机器学习工具箱进行。
步骤S102中，为了构建个体连接网络，我们采用了用于脑解剖MRI的方法。整体框架如图3所示。基本思路是通过对该个体样本于整体控制样本集的干扰进行分析，而得到其异常信息。首先，从健康对照组(24名健康受试者)构建参考代谢网络refNET，该参考代谢网络是通过计算每个区域对的SUV之间的部分Pearson相关系数(年龄，性别为协变量)获得的，采用协方差网络结构。该网络的节点即是目标区域，连接边缘即结点间的相关系数，相关系数越大连接越强。通常来说，构建的参考网络具有所有控制样本的共同特征。然后，我们在健康对照组中添加一名患者，从而形成一个由25名受试者组成的新组，以构建一个新的结构协方差网络，该网络被标记为扰动网络ptbNET。接下来，将扰动网络ptbNET和参考网络refNET之间的差异计算为剩余网络resNET。设置阈值0.3以消除可能来自噪声的弱相关性。获得了resNET的Z分数图：
其中N是新组中的主题总数、即样本总数。剩余网络本质上代表连通性的异常水平，每个网络由连接18个区域的153个边缘组成。每个边缘表现出不同程度的代谢变化，并且导致与对照组中的正常值的偏差。在正常情况下，身体网络结构稳定且相关连接。当代谢指数由于疾病而在受试者中改变时，网络链接相应地改变。为了量化异常程度，我们定义了每个区域异常的强度STR：
其中m是区域索引号，
是集合，
M＝18是区域数。ZCCmi表示区域m与其相邻区域i之间的Z分数图的相关系数。相邻节点的总数等于m-1。
步骤S103的数据和统计分析中，我们首先通过测量组内相似性来调查健康对照组的总体一致性。其次，证实了肺癌患者个体网络的异质性。第三，将个人层面网络的衡量标准与小组层面网络的衡量标准进行比较。最后，通过测量SUV与网络强度之间的相关性来测试单个网络揭示单个器官异常的能力。下面列出了如何实施这些调查的细节。
(1)对照组同质性分析
对每个健康对照组的受试者进行单独的网络分析。通过平均任何一对网络之间Z分数的相关系数来测量组内的相似性。然后我们进行重采样程序来测试主题选择的可重复性。这个想法是来自同一人群的两个随机群体不应该彼此不同。总共有30个正常样本，我们从这些样本中随机抽取了24个样本(30个中的4/5)作为对照组。取样过程重复20次。我们使用所提出的方法从每个随机抽样组构建了refNET。通过平均任何一对网络之间Z分数的相关系数来量化这些refNET之间的可重复性。我们进一步对对照组样本量的敏感性进行了重采样测试。这个想法是调查构建对照组所需的最小正常受试者数量。我们从上述30名正常受试者中随机选择10,15,18,20和24个样品(每个20次)作为对照组。然后使用所提出的方法为肺癌组中的每位患者计算新的resNET，并与上下文中的resNET进行比较。
(2)肺癌组异质性分析
将每个患者的个人网络的强度与参考网络中的强度进行比较。通过测量所有153个边缘上成对Z得分之间的受试者间Pearson相关系数的平均值，计算出患者网络之间的相似性。
(3)小组与个人层面的网络分析
我们分别为患者和健康对照组构建了组级代谢网络。通过计算两组中所有受试者的脑区域对的Pearson相关性来构建两个组级代谢网络(均为结构协方差网络)。两个组级代谢网络之间的归一化差异被视为组级差异网络Diffgroup，i。
其中i表示边，patNET表示患者组的组级代谢网络，refNET表示健康对照组的组级代谢网络。
我们还通过计算所有患者网络中每个边缘的Z得分平均值来构建平均残差网络Diffindividual，i：
其中j是患者索引号，Np是患者的总数。
计算平均残差网络Diffindividual，i和组水平差异网络Diffgroup，i之间的Pearson相关系数。
(4)个人网络与单器官分析
我们为一名从Covid-19出院的受试者和一名消化道出血患者构建了一个单独的连接网络。根据器官的网络强度量化SUV的变化，以揭示所提出的方法揭示器官水平异常的能力。
具体地，分析结果如下：
(1)对照组同质性分析
通过平均任何一对网络之间Z分数的相关系数来测量组内的相似性。相似系数为0.921±0.133，表明对照组之间的受试者间变异性较低。进行重采样过程，通过平均任何一对网络之间Z分数的相关系数(0.872±0.152)来量化这些refNET之间的可重复性。这表明该方法对控制对象的选择具有鲁棒性。我们进一步对对照组样本量的敏感性进行了重采样测试。对于样本量10,15,18,20,22和24，相对于样本量30的总体平均相似性分别为0.58±0.18,0.70±0.157,0.79±0.142,0.89±0.126,0.92±0.124和0.97±0.102。这表明随着受试者数量的增加，平均相似性增加，而相应的方差减少。对照组中的样品越多，所提出的方法越稳定。本实施例中使用的24名健康受试者相关数据已足以构建对照组。
(2)肺癌组异质性分析
每个患者个体网络的强度与参考网络中的强度显著不同(P<0.01，Bonferroni校正了153个边缘)。然而，患者网络之间的相似性较低，所有153个边缘的成对Z得分之间的平均受试者间Pearson相关系数为0.196±0.182。尽管个体患者的器官范围异质性显著，但构成肺的连接比其他连接异常得多(图4，其中A为控制组(即健康对照组)和疾病组(即肺癌组)肺部个体网络连接强度的箱形图。B为两组肺中相应的SUV值(50-60分钟)；来自单个网络的连接强度似乎更能够将控制组和疾病组分开)。结构偏差的总体负担或每位患者边缘明显改变的数量反映了异常的严重程度。
(3)个人与团体层面的网络分析
所提出的方法得到的平均残差网络Diff_individual与组级差异网络Diff_group之间的Pearson相关系数为0.78。这表明每个受试者共同导致小组葡萄糖代谢水平差异，尽管肺癌组异质性证明受试者之间存在高度异质性。
(4)个人网络与单器官分析
我们为一名从Covid-19出院后30天的受试者和一名原因不明的胃肠道出血的患者分别构建了一个单独的连接网络，如图5所示。左边是所有感兴趣的器官的连接矩阵，右边是网络连接，其中较暗的线表示节点之间更强的连接，黑色的程度表示给定节点的强度。图5揭示了器官之间的代谢连接信息。对于从Covid-19出院的受试者，作为异常中枢的肺具有最强的连接强度，特别是对于左心室和脑(图5中B)。如图6所示，强度与器官ΔSUV显著相关(R＝0.973和R＝0.893，P<0.05)，表明SUV与对照组平均值有多少偏差。这些表明，一个单独的网络可以揭示网络和器官水平的代谢异常。
综上，我们提出了一个框架，应用网络原理分析全身PET数据，提供了一个平台，以确定***水平的代谢功能障碍，这是目前分析所不可能的。可以揭示代谢连接性的细微偏差，并且与器官水平的SUV测量高度相关。本发明可以潜在地识别***性代谢异常，由于疾病组之间的巨大异质性，这不能通过传统的群体水平方法得出。这种异质性可能是由于疾病表达差异或***功能改变所致。换句话说，从网络的角度来看，所提出的方法是对传统方法的补充。应该注意的是，所提出的方法没有提供用于扫描的真实代谢连接网络，而是针对参考网络的扰动网络，其反映了***水平上正常和疾病样本之间的变化。尽管需要一组参考数据组，但全身SUV PET通常可用于常规PET成像。在个体水平上推导代谢网络的另一种方法是利用动态PET，其中器官的时间-活动曲线在受试者水平上相关。然而，区域动力学携带非特异性示踪剂结合和递送的信息，这可能隐藏示踪剂与其靶标的特异性相互作用。
我们基于PET/CT SUV图像构建了个体代谢网络。然而，我们的方法可以适用于使用其他功能参数，例如当动态扫描可用时的净代谢率，血流量，磷酸化率。同样，它可以很容易地应用于非FDG示踪剂，例如可视化神经递质的示踪剂，以揭示受试者水平上的脑器官相互作用异常。
本发明可以使用受试者的全身PET/CT SUV图像和健康对照组构建个体代谢异常网络。本发明提出的方法可调查个体水平的全身代谢异常，表征了个体水平的葡萄糖代谢的分子连接性，这是目前的分析方法所不能的。本发明的方法可以潜在地识别***性代谢异常，由于肺癌组之间的巨大异质性，这不能通过传统的群体水平方法得出。此外本发明可以从***的角度研究大脑和其他器官如何在健康和疾病状况下相互作用。
以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种使用全身SUV图像调查个体水平的全身代谢异常的方法，其特征在于，包括：
步骤1，数据采集和处理：采集不同受试者不同采样区域的18F-FDG PET/CT扫描数据，得到不同受试者的具有标准摄取值SUV的图像，通过该图像进行采样区域的选择；所述受试者包括由没有任何疾病记录的受试者组成的健康对照组，被诊断为肺癌、病变部位不同的受试者组成的肺癌组，Covid-19出院后30天的受试者，原因不明的胃肠道出血的受试者；
所述步骤1包括：
步骤1.1：首先进行CT扫描以进行衰减校正，然后进行18F-FDG PET/CT采集；使用3D有序子集期望最大化算法将扫描数据重建为体素大小固定的矩阵；使用基于CT的衰减校正图进行衰减和散射校正；然后通过归一化注射剂量和重量将重建的活动图像转换为具有标准摄取值SUV的图像；
步骤1.2：对于每次扫描，在SUV图像上描绘所有感兴趣器官的感兴趣采样区域；所述采样区域包括全脑，血液，左心室，肺，肝，胰腺，脾，左/右肾，肌肉和脊柱；使用统计参数映射进行脑细胞***，将重建图像中包含大脑的平面提取为新体积，并在蒙特利尔神经病学研究所空间中进行空间归一化；通过高斯滤波器对归一化图像进行平滑处理，然后分成由AAL2图谱定义的区域，选择其中的脑干，全小脑，脑脊液，全白质，尾状核，壳核和额叶皮层作为新的采样区域，与描绘的器官一起，每次扫描分析总共18个采样区域；
步骤2，构建不同受试者的个体连接网络，并通过不同受试者的个体连接网络得出不同受试者的每个采样区域代谢异常程度；
步骤3，通过不同受试者的每个采样区域代谢异常程度进行对照组同质性分析、肺癌组异质性分析、小组与个人层面的网络分析及个人网络与单器官分析。
2.根据权利要求1所述的一种使用全身SUV图像调查个体水平的全身代谢异常的方法，其特征在于，所述步骤2包括：
步骤2.1，从健康对照组构建参考代谢网络refNET，该参考代谢网络是通过计算每个区域对的SUV之间的Pearson相关系数获得的，采用协方差网络结构；
步骤2.2：在健康对照组中添加一名患者，形成一个新组，以构建一个新的结构协方差网络，该网络被标记为扰动网络ptbNET；
步骤2.3，将扰动网络ptbNET和参考网络refNET之间的差异计算为剩余网络resNET；设置阈值0.3以消除弱相关性；获得了剩余网络resNET的Z分数图：
其中N是新组中的主题总数，剩余网络本质上代表连通性的异常水平，每个网络由连接18个区域的153个边缘组成，每个边缘表现出不同程度的代谢变化；为了量化异常程度，定义每个区域异常的强度STR：
其中m是区域索引号，
是集合，
M＝18是区域数，ZCCmi表示区域m与其相邻区域i之间的Z分数图的相关系数，相邻节点的总数等于m-1。
3.根据权利要求2所述的一种使用全身SUV图像调查个体水平的全身代谢异常的方法，其特征在于，所述步骤3中，按照如下方式进行对照组同质性分析：
对每个健康对照组的受试者进行单独的网络分析，通过平均任何一对网络之间Z分数的Pearson相关系数来测量组内的相似性，然后进行重采样来测试主题选择的可重复性。
4.根据权利要求2所述的一种使用全身SUV图像调查个体水平的全身代谢异常的方法，其特征在于，所述步骤3中，按照如下方式进行肺癌组异质性分析：
将每个肺癌患者的个人网络的强度与参考网络中的强度进行比较，通过测量所有153个边缘上成对Z得分之间的受试者间Pearson相关系数的平均值，计算出肺癌患者网络之间的相似性。
5.根据权利要求2所述的一种使用全身SUV图像调查个体水平的全身代谢异常的方法，其特征在于，所述步骤3中，按照如下方式进行小组与个人层面的网络分析：
分别为患者组和健康对照组构建组级代谢网络，通过计算两组中所有受试者的脑区域对的Pearson相关性来构建两个组级代谢网络，两个组级代谢网络之间的归一化差异被视为组级差异网络Diffgroup,i：
其中i表示边，patNET表示患者组的组级代谢网络，refNET表示健康对照组的组级代谢网络；
通过计算所有患者网络中每个边缘的Z得分的平均值来构建平均残差网络Diffindividual,i：
其中j是患者索引号，Np是患者的总数；
计算平均残差网络Diffindividual,i和组级差异网络Diffgroup,i之间的Pearson相关系数。
6.根据权利要求2所述的一种使用全身SUV图像调查个体水平的全身代谢异常的方法，其特征在于，所述步骤3中，按照如下方式进行个人网络与单器官分析：
为一名Covid-19出院后30天的受试者和一名原因不明的胃肠道出血的受试者分别构建单独的连接网络，根据器官的网络强度量化SUV的变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210108838.7A CN114533102B (zh) | 2022-01-28 | 2022-01-28 | 一种使用全身suv图像调查个体水平的全身代谢异常的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210108838.7A CN114533102B (zh) | 2022-01-28 | 2022-01-28 | 一种使用全身suv图像调查个体水平的全身代谢异常的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114533102A CN114533102A (zh) | 2022-05-27 |
| CN114533102B true CN114533102B (zh) | 2022-10-25 |
Family
ID=81673621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210108838.7A Active CN114533102B (zh) | 2022-01-28 | 2022-01-28 | 一种使用全身suv图像调查个体水平的全身代谢异常的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114533102B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115040147A (zh) * | 2022-06-01 | 2022-09-13 | 上海全景医学影像诊断中心有限公司 | 一种基于18f-fdg pet代谢网络的帕金森症预测方法 |
| CN116168823A (zh) * | 2022-12-09 | 2023-05-26 | 深圳大学 | 基于pet/ct影像的肺癌全身检测方法及相关装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090234627A1 (en) * | 2008-03-13 | 2009-09-17 | Siemens Medical Solutions Usa, Inc. | Modeling lung cancer survival probability after or side-effects from therapy |
| CN102473302A (zh) * | 2009-07-20 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 用于感兴趣肿瘤区域定义的解剖结构建模 |
| CN105979872A (zh) * | 2013-09-25 | 2016-09-28 | 理查德·R·布莱克 | 正电子发射断层摄影数据的病人特异性分析 |
| CN110599472A (zh) * | 2019-09-03 | 2019-12-20 | 佛山原子医疗设备有限公司 | 计算spect定量断层图像中suv归一化系数的方法及*** |
| CN111833330A (zh) * | 2020-07-14 | 2020-10-27 | 中国医学科学院生物医学工程研究所 | 基于影像与机器嗅觉融合的肺癌智能检测方法及*** |
-
2022
- 2022-01-28 CN CN202210108838.7A patent/CN114533102B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090234627A1 (en) * | 2008-03-13 | 2009-09-17 | Siemens Medical Solutions Usa, Inc. | Modeling lung cancer survival probability after or side-effects from therapy |
| CN102473302A (zh) * | 2009-07-20 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 用于感兴趣肿瘤区域定义的解剖结构建模 |
| CN105979872A (zh) * | 2013-09-25 | 2016-09-28 | 理查德·R·布莱克 | 正电子发射断层摄影数据的病人特异性分析 |
| CN110599472A (zh) * | 2019-09-03 | 2019-12-20 | 佛山原子医疗设备有限公司 | 计算spect定量断层图像中suv归一化系数的方法及*** |
| CN111833330A (zh) * | 2020-07-14 | 2020-10-27 | 中国医学科学院生物医学工程研究所 | 基于影像与机器嗅觉融合的肺癌智能检测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114533102A (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114533102B (zh) | 一种使用全身suv图像调查个体水平的全身代谢异常的方法 | |
| Bullock et al. | Associative white matter connecting the dorsal and ventral posterior human cortex | |
| Ortiz et al. | Exploratory graphical models of functional and structural connectivity patterns for Alzheimer's Disease diagnosis | |
| US10650512B2 (en) | Systems and methods for topographical characterization of medical image data | |
| Boellaard et al. | Evaluation of basis function and linear least squares methods for generating parametric blood flow images using 15 O-water and positron emission tomography | |
| Venero et al. | A multicenter evaluation of a new post-processing method with depth-dependent collimator resolution applied to full-time and half-time acquisitions without and with simultaneously acquired attenuation correction | |
| Sambuceti et al. | Estimating the whole bone-marrow asset in humans by a computational approach to integrated PET/CT imaging | |
| Lambrou et al. | The importance of correction for tissue fraction effects in lung PET: preliminary findings | |
| Pagani et al. | Predicting the transition from normal aging to Alzheimer's disease: a statistical mechanistic evaluation of FDG-PET data | |
| JP5214624B2 (ja) | 限定的なデータセットに基づく画像生成 | |
| Sun et al. | Identifying the individual metabolic abnormities from a systemic perspective using whole-body PET imaging | |
| Di Ieva et al. | Correlation of microvascular fractal dimension with positron emission tomography [11C]-methionine uptake in glioblastoma multiforme: preliminary findings | |
| Zhai et al. | Automatic quantitative analysis of pulmonary vascular morphology in CT images | |
| Cao et al. | Effects of respiratory cycle and body position on quantitative pulmonary perfusion by MRI | |
| Penso et al. | Cardiovascular magnetic resonance images with susceptibility artifacts: artificial intelligence with spatial-attention for ventricular volumes and mass assessment | |
| Wu et al. | Optimal definition of biological tumor volume using positron emission tomography in an animal model | |
| CN112258511A (zh) | 一种基于偏微分方程的患者肺部病变预测方法及*** | |
| Aarnink et al. | Automated longitudinal intra-subject analysis (ALISA) for diffusion MRI tractography | |
| Pandey et al. | Multiresolution imaging using golden angle stack‐of‐stars and compressed sensing for dynamic MR urography | |
| Lomsky et al. | Evaluation of a decision support system for interpretation of myocardial perfusion gated SPECT | |
| Liu et al. | Group comparison of cortical fiber connectivity map: an application between post-stroke patients and healthy subjects | |
| Okuda et al. | Attenuation correction of myocardial SPECT by scatter-photopeak window method in normal subjects | |
| Trägårdh et al. | Referring physicians underestimate the extent of abnormalities in final reports from myocardial perfusion imaging | |
| IT201900020200A1 (it) | Metodo per la generazione di modelli per classificare automaticamente in almeno una classe di interesse immagini medicali o veterinarie derivate da immagini originarie | |
| Thireou et al. | Feasibility study of the use of similarity maps in the evaluation of oncological dynamic positron emission tomography images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |