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
