3D volume and SUV analysis of oncological PET studies

Summary

Aim: The standardized uptake value (SUV) of 18FDG-PET is an important parameter for therapy monitoring and prognosis of malignant lesions. SUV determination requires delineating the respective volume of interest against surrounding tissue. The present study proposes an automatic image segmentation algorithm for lesion volume and FDG uptake quantitation. Methods: A region growing-based algorithm was developed, which goes through the following steps: 1. Definition of a starting point by the user. 2. Automatic determination of maximum uptake within the lesion. 3. Calculating a threshold value as percentage of maximum. 4. Automatic 3D lesion segmentation. 5. Quantitation of lesion volume and SUV. The procedure was developed using CTI CAPP and ECAT 7.2 software. Validation was done by phatom studies (Jaszczak phantom, various “lesion” sizes and contrasts) and on studies of NSCLC patients, who underwent clinical CT and FDG-PET scanning. Results: Phantom studies demonstrated a mean error of 3.5% for volume quantification using a threshold of 41% for contrast ratios ≥5 : 1 and sphere volumes >5 ml. Comparison between CT- and PET-based volumetry showed a high correlation of both methods (r = 0.98) for lesions with homogeneous FDG uptake. Radioactivity concentrations were underestimated by on average .41%. Employing an empirical threshold of 50% for SUV determination, the underestimation decreased to on average .34%. Conclusions: The algorithm facilitates an easy and reproducible SUV quantification and volume assessment of PET lesions in clinical practice. It was validated using NSCLC patient data and should also be applicable to other tumour entities.

Zusammenfassung

Der standardisierte Aufnahmewert (SUV) der 18FDG-PET ist ein wichtiger Parameter fur Dignitatseinschatzung, Therapie- Monitoring, Prognoseabschatzung und Verlaufskontrolle. Zur Bestimmung ist eine Abgrenzung des VOI (volume of interest) gegen die Umgebung erforderlich. Ziel: Entwicklung eines Verfahrens zur automatisierten Bildsegmentierung sowie Uptake- und Volumenquantifizierung von Herden mit gesteigertem Nuklid-Uptake. Patienten, Methoden: Ein Regiongrowing- basierter Algorithmus wurde entwickelt, der folgende Arbeitsschritte durchlauft: 1. Vorgabe eines Startpunktes innerhalb der Lasion durch den Benutzer, 2. automatische Bestimmung des maximalen Uptake der Lasion, 3. Errechnen eines Schwellenwertes als prozentualer Anteil des Maximum, 4. Schwellenwert-basierte automatische dreidimensionale Bildsegmentierung, 5. Quantifizierung des segmentierten Volumens. Das Verfahren wurde unter CAPP (Clinical Applications Programming Package, CTI) entwickelt und in die Siemens/ ECAT-7.2-Software implementiert. Die Validierung erfolgte an einem Jaszczak-Phantom (unterschiedlich grose Hohlkugeleinsatze bei verschiedenen Kontrastverhaltnissen) sowie durch den Vergleich der PET-Volumina mit computertomografisch bestimmten Tumorvolumina von speziell selektierten Patienten mit NSCLC. Ergebnisse: Die Phantomstudien zeigten einen mittleren Fehler von 3,5% fur eine Volumenquantifizierung mit einem Schwellwert von 41% bei Phantomvolumina >5 ml und einem Kontrastverhaltnis ≥5 : 1. Der Vergleich mit CT-Volumina ergab fur homogen nuklidbelegte Tumorherde mit nur geringer Aktivitatsaufnahme in der Umgebung eine gute Korrelation der Ergebnisse beider Verfahren (r = 0,98). Die Aktivitatskonzentration wird um durchschnittlich .41% unterschatzt, bei Verwendung eines empirischen Schwellwertes von 50% reduziert sich die Unterschatzung auf .34%. Schlussfolgerungen: Der Algorithmus ist im klinischen Alltag einfach und routinemasig anwendbar. Er ermoglicht die automatische, benutzerunabhangige und bei Vorgabe gleicher Ausgangsbedingungen reproduzierbare Segmentierung und Quantifizierung von Lasionen mit erhohtem Uptake. Das Verfahren wurde an Daten von NSCLC-Patienten validiert und sollte grundsatzlich auch fur andere Tumorarten einsetzbar sein.

Keywords

PET - SUV - FDG - 3D

Schlüsselwörter

PET - SUV - FDG - 3D

• Literatur

• 1 Adams R, Bischof L. Seeded Region Growing. IEEE Trans PattemAnal Machine Intell 1994; 16: 641-647.
• 2 Avril N, Sassen S, Schmalfeldt B. et al. Prediction of response to neoadjuvant chemotherapy by sequential 18F-fluorodeoxyglucose positron emission tomography in patients with advanced-stage ovarian cancer. J Clin Oncol 2006; 23: 7445-7453.
• 3 Avril N, Schelling M, Dose J. et al. Utility of PET in Breast Cancer. Clin Positron Imaging 1999; 2: 261-271.
• 4 Bland JM, Altman DG. Statistical methods for assessing agreement between two methods of clinical measurement. Lancet 1986; 1: 307-310.
• 5 Borst GR, Belderbos JS, Boellaard R. et al. Standardised FDG uptake: a prognostic factor for inoperale non-small cell lung cancer. Eur J Cancer 2005; 41: 1533-1541.
• 6 Buell U, Wieres FJ, Schneider W. et al. 18FDG-PET in 733 consecutive patients with or without side- by-side CT evaluation: analysis of 921 lesions. Nuklearmedizin 2004; 43: 210-216.
• 7 Cascini GL, Avallone A, Delrio P. et al. 18F-FDG PET is an early predictor of pathologic tumor response to preoperativeradiochemotherapy in locally advanced rectal cancer. J Nucl Med 2006; 47: 1241-1248.
• 8 Cremerius U, Fabry U, Neuerburg J. et al. Prognostic significance of positron emission tomography using fluorine-18-fluorodeoxyglucose in patients treated for malignant lymphoma. Nuklearmedizin 2001; 40: 23-30.
• 9 Erdi YE, Mawlawi O, Larson SM. et al. Segmentation of Lung Lesion Volume by Adaptive Positron Emission Tomography Image Thresholding. Cancer Suppl 1997; 80: 2505-2509.
• 10 Erdi YE, Wessels BW, Loew MH. et al. Threshold estimation in single photon emission computed tomography and planar imaging for clinical radio- immunotherapy. Cancer Res 1995; 55: 5823s-5826s.
• 11 Gagel B, Reinartz P, Demirel C. et al. 18F-fluoromi- sonidazole and 18F-fluorodeoxyglucose positron emission tomography in response evaluation after chemo-/radiotherapy of non-small-cell lung cancer: a feasibility study. BMC Cancer. 2006 6. 51.
• 12 Gonzales RC, Wintz P. Digital Image Processing. AddisonWesley 1987; 368-375.
• 13 Kessler RM, Ellis jr JR, Eden M. Analysis of emission tomographic data: limitations imposed by resolution and background. J Comput Assist To-mogr 1984; 8: 514-522.
• 14 Hellwig D, Groschel A, Graeter TP. et al. Diagnostic performance and prognostic impact of FDG- PET in suspected recurence of surgically treated non-small cell lung cancer. Eur J Nucl Med Mol Imaging 2006; 33: 13-21.
• 15 Nowak B, Di Martino E, Janicke S. et al. Diagnostic evaluation of malignant head and neck cancer by 18F-FDG PET compared to CT/MRI. Nuklearmedizin 1999; 38: 312-318.
• 16 Poetzsch C, Hofheinz F, van den Hoff J. Vergleich der Inter-Observer-Variabilität bei manueller und automatischer Volumenbestimmung in der PET. Nuklearmedizin. 2006 45. A42.
• 17 Reinartz P, Wieres FJ, Schneider W. et al. Side-by- side reading of PET and CT scans in oncology: which patients might profit from integrated PET/ CT?. Eur J Nucl Med Mol Imaging 2004; 31: 1456-1461.
• 18 Sachs S, Bilfinger TV, Komaroff E. et al. Increased standardized uptake vlue in the primary lesion predicts nodal or distand metastases at presentation in lung cancer. Clin Lung Cancer 2005; 6: 310-313.
• 19 Schmidt M, Schmalenbach M, Jungehulsing M. et al. 18F-FDG PET for detecting recurrent head and neck cancer, local lymph node involvement and distant metastases. Comparison of qualitative visual and semiquantitative analysis. Nuklearmedizin 2004; 43: 91-101.
• 20 Weber WA, Petersen V, Schmidt B. et al. Positron emission tomography in non-small cell lung cancer: prediction of response to chemotherapy by quantitative assessment of glucose use. J Clin Oncol 2003; 21: 2651-2657.
• 21 Weber WA, Ziegler SI, Thodtmann R. et al. Repro- ducibility of metabolic measurements in malignant tumors using FDG PET. J Nucl Med 1999; 40: 1771-1777.
• 22 Zimny M, Fass J, Bares R. et al. Fluorodeoxyglu- cose positron emission tomography and the prognosis of pancreatic carcinoma. Scand J Gastroenterol 2000; 35: 883-888.