Novel Mr-Free Spatial Normalization for Quantifying Amyloid Pet Centiloid Scale

隨著Aß PET在臨床應用的普及化與重要性，對於Aß PET影像之自動化處理及量化分析的軟體開發是不可或缺的。傳統上，由於磁振造影 (MRI) 能提供高度的解剖資訊，故PET自動化影像定量過程，經常利用MRI進行處理的空間標準化 (MR-based spatial normalization) ，再於標準空間系統中做自動化的定量計算。然而，在臨床實踐中，並非所有受試者都能進行MRI掃描，且MRI影像品質有時不足以進行準確的PET空間標準化與半定量。因此，開發無需MRI的空間標準化 (MR-free spatial normalization) 是必要的，此方法在臨床中尤為實用，特別是在MRI影像無法獲得的情況下。在先前許多研究中已開發基於適應性PET模板(MR-free adaptive PET template)的空間標準化方法，而研究顯示MR-free方法與標準基於MRI的空間標準化方法提供相似之量化結果。 而本研究團隊目前已開發一個自動化定量類澱粉蛋白之Centiloid指標平台，此平台支持基於MRI (MRI-based) 以及無需MRI (MRI-free) 的空間標準化影像處理方法，稱做類澱粉蛋白正子影像定量軟體 (Amyloid PET Quantitation, AmPQ)，AmPQ之 Centiloid計算遵循標準的Centiloid驗證流程，已公開上線並提供各臨床及研究團隊使用。AmPQ之無需MRI (MRI-free) 的空間標準化方法是採用Bourgeat P等人提出之適應性Aß PET模板，計算對於陰性與陽性Aß PET 模板 (negative and positive template) 權重而得，儘管結果與標準MR-based方法有相當高整體相關性(R2≧0.98)，也符合Centiloid計算標準，但是我們發現還是有一些個別案例之Centiloid定量結果與空間標準化後之影像差異較大。 因此，為了改善傳統無需MRI (MR-free) 的空間標準化方法所造成的類澱粉蛋白影像定量誤差，本研究提出了一種基於深度學習(PETsegSN)的方法，利用神經網路架構從Aß PET影像來預測PET影像中的腦組織區域，然後以此創造出個別化的PET模版影像，並通過非線性配準至標準模版以完成空間標準化，以此實現MR-free的PET影像空間標準化及後續Centiloid定量。本研究將以ADNI、GAAIN和AIBL三大國際共享影像資料庫中的四種常見類澱粉蛋白 PET影像(Florbetapir、Florbetaben、PiB和Flutemetamol)及MRI進行模型訓練與驗證，以涵蓋不同類澱粉蛋白沉積程度的影像，預計除了可以解決臨床無MRI影像輔助定量標準化導致的定量誤差外，亦可提升定量模型的穩定性與通用性。所以本計畫將實現此一MR-free影像空間標準化方法於自動化Aß PET影像定量，並且使用標準的GAAIN資料庫驗證計算Centiloid 數值的準確性與穩定性。之後也會將此一新的MR-free PET影像空間標準化方法加入AmPQ平台軟體中，作為未來AmPQ平台對臨床無MRI情況時的處理流程選項。

Project ID:PC11407-5315
External Project ID:NSTC114-2314-B182-043