Time consumption and quality of an automated fusion tool for SPECT and MRI images of the brain

Summary:

Aim: Although the fusion of images from different modalities may improve diagnostic accuracy, it is rarely used in clinical routine work due to logistic problems. Therefore we evaluated performance and time needed for fusing MRI and SPECT images using a semiautomated dedicated software. Patients, material and Method: In 32 patients regional cerebral blood flow was measured using ^99mTc ethylcystein dimer (ECD) and the three-headed SPECT camera MultiSPECT 3. MRI scans of the brain were performed using either a 0,2 T Open or a 1,5 T Sonata. Twelve of the MRI data sets were acquired using a 3D-T1w MPRAGE sequence, 20 with a 2D acquisition technique and different echo sequences. Image fusion was performed on a Syngo workstation using an entropy minimizing algorithm by an experienced user of the software. The fusion results were classified. We measured the time needed for the automated fusion procedure and in case of need that for manual realignment after automated, but insufficient fusion. Results: The mean time of the automated fusion procedure was 123 s. It was for the 2D significantly shorter than for the 3D MRI datasets. For four of the 2D data sets and two of the 3D data sets an optimal fit was reached using the automated approach. The remaining 26 data sets required manual correction. The sum of the time required for automated fusion and that needed for manual correction averaged 320 s (50-886 s). Conclusion: The fusion of 3D MRI data sets lasted significantly longer than that of the 2D MRI data. The automated fusion tool delivered in 20% an optimal fit, in 80% manual correction was necessary. Nevertheless, each of the 32 SPECT data sets could be merged in less than 15 min with the corresponding MRI data, which seems acceptable for clinical routine use.

Zusammenfassung:

Ziel: Obwohl von der Fusion von Bildern verschiedener Modalitäten eine Verbesserung der diagnostischen Genauigkeit zu erwarten ist, wird dies eher selten in der klinischen Routine durchgeführt. Zeitaufwand und Qualität eines modernen Bildfusionsprogramms, das SPECTund MRT-Datensätze des Gehirns überlagert, wurden untersucht. Material und Methode: 32 HirnperfusionsSPECT- wurden mit 32 MRT-Datensätzen auf einer Syngo-Workstation unter Verwendung eines entropieminimierenden Algorithmus automatisiert fusioniert. Die SPECT-Darstellung erfolgte mit ^99mTc-ECD und der Dreikopfkamera MultiSPECT3. Die MRTs wurden an einem 0,2 T-Open- und 1,5 T-Sonata aufgenommen: in 12 Fällen in 3D T1w MPRAGE-, in 20 Fällen in 2D-Akquisitionstechnik. Die Fusionsergebnisse wurden bewertet (keine Abweichung, optimaler Fit – Abweichung in einer – Abweichungen in mindestens zwei Schnittebenen). Die Zeitdauer der automatischen Fusion und der manuellen Nachbearbeitung bis zum Vorliegen eines optimalen Ergebnisses wurden gemessen. Ergebnisse: Die automatisierte Fusion dauerte im Mittel 123 s und war für 2D-MRT- signifikant kürzer als für 3D-MRT-Datensätze. Für die 2D-Daten wurde viermal, für die 3D-Daten zweimal ein optimaler Fit erreicht, die verbleibenden 26 2D- und 10 3D-Datenfusionen mussten manuell nachbearbeitet werden. Die Gesamtfusionsdauer betrug im Mittel: 320 s (50-886 s ). Schlussfolgerung: Das automatisierte Fusionstool lieferte in 20% der Fälle ein brauchbares Ergebnis, bei 80% musste manuell nachgebessert werden. Jeder der 32 SPECT-Datensätze konnte in weniger als 15 min mit den MRT-Daten fusioniert werden, was für den Routinebetrieb akzeptabel ist.

Key words:

SPECT - MRI - image fusion - brain

Schlüsselwörter:

Bildfusion - SPECT - MRT - Gehirn

• Literatur

• 1 Alfano B, Brunetti A. Advances in brain imaging: a new ethical challenge. Ann Ist Super Sanita. 1997; 33: 483-8.
• 2 Barillot C, Lemoine D, Le Briquer L. et al. Data fusion in medical imaging: merging multimodal and multipatient images, Identification of structures and 3D display aspects. Eur J Radiol 1993; 17: 22-7.
• 3 Barra V, Briandet P, Boire JY. Fusion in medical imaging: theory, interests and industrial applications. Medinfo 2001; 10: 896-900.
• 4 Bartenstein P, Grünwald F, Kuwert T. et al. Klinische Anwendungen der Single-Photon-Emissionstomographie in der Neuromedizin Teil 1: Neuroonkologie, Epilepsien, Basal-ganglienerkrankungen, zerebrovaskuläre Erkrankungen. Nuklearmedizin 2000; 39: 180-95.
• 5 Bartenstein P, Grünwald F, Kuwert T. et al. Klinische Anwendungen der Single-Photon-Emissionstomographie in der Neuromedizin. Teil 2: Dementielle Erkrankungen, Psychosen, Entzündungen, Schädelhirntraumata. Nuklearmedizin 2000; 39: 218-32.
• 6 Birnbaum BA, Noz ME, Chapnick J. et al. Hepatic hemangiomas: diagnosis with fusion of MR, CT, and Tc-99m-labeled red blood cell SPECT images. Radiology 1991; 81: 469-74.
• 7 Büll U, Bartenstein P, Kirsch CM. et al. Combination systems for SPECT, coincidence, PET and CT. Technical spectrum, operating assumptions and possible areas of application. Nuklearmedizin 2000; 39: 3-6.
• 8 d’. Asseler YM, Koole M, Lemahieu I. et al. Recent and future evolutions in NeuroSPECT with particular emphasis on the synergistic use and fusion of imaging modalities. Acta Neurol Belg 1997; 97: 154-62.
• 9 Grosu AL, Feldmann H, Dick S. et al. Implications of IMT-SPECT for postoperative radio-therapy planning in patients with gliomas. Int J Radiat Oncol Biol Phys 2002; 54: 842-54.
• 10 Israel O, Keidar Z, Iosilevsky G. et al. The fusion of anatomic and physiologic imaging in the management of patients with cancer. Semin Nucl Med 2001; 31: 191-205.
• 11 Julow J, Major T, Emri M. et al. The application of image fusion in stereotactic brachytherapy of brain tumours. Acta Neurochir 2000; 142: 1253-8.
• 12 Matheja P, Kuwert T, Stodieck SR. et al. PET und SPECT bei medikamentös-nichtrefraktären komplex-fokalen Anfällen. Nuklearmedizin 1998; 37: 221-6.
• 13 Mongioj V, Brusa A, Loi G. et al. Accuracy evaluation of fusion of CT, MR, and spect images using commercially available software packages (SRS PLATO and IFS). Int J Radiat Oncol Biol Phys 1999; 43: 227-34.
• 14 Noz ME, Maguire Jr GQ, Zeleznik MP. et al. A versatile functional-anatomic image fusion method for volume data sets. J Med Syst 2001; 25: 297-307.
• 15 Pfluger T, Vollmar C, Wismuller A. et al. Quantitative comparison of automatic and interactive methods for MRI-SPECT image registration of the brain based on 3-dimensional calculation of error. J Nucl Med 2000; 41: 1823-9.
• 16 Pietrzyk U, Herholz K, Schuster A. et al. Clinical applications of registration and fusion of multimodality brain images from PET, SPECT, CT, and MRI. Eur J Radiol 1996; 21: 174-82.
• 17 Rizzo G, Gilardi MC, Prinster A. et al. A bio-imaging integration system implemented for neurological applications. J Nucl Biol Med 1994; 38: 579-85.
• 18 Stokking R, Zuiderveld KJ, Hulshoff Pol HE. et al. Normal fusion for three-dimensional integrated visualization of SPECT and magnetic resonance brain images. J Nucl Med 1997; 38: 624-9.
• 19 Studholme DL, Hill G, Hawkes DJ. An overlap invariant entropy measure of 3D medical image alignment. Pat Recog 1999; 32: 71-86.
• 20 Viergever MA, Maintz JB, Stokking R. Integration of functional and anatomical brain images. Biophys Chem 1997; 68: 207-19.