Onderzoek Alan Miranda Menchaca

Abstract

Preklinische positronemissietomografie (PET) is een unieke in vivo-beeldvormingstechniek waarmee de verdeling van radioactief gelabelde biomoleculen in het hele lichaam van kleine dieren kan worden bestudeerd. Om beweging tijdens de PET-scan te voorkomen, worden de dieren onder narcose gebracht, maar bij hersenonderzoek kan anesthesie een verstorende factor zijn. Er is aangetoond dat anesthesie de binding van radioactieve tracers aan neurotransmitterreceptoren, het glucosemetabolisme en de cerebrale bloedstroom kan beïnvloeden. Om deze verstorende effecten te voorkomen, worden methoden ontwikkeld om wakkere, niet-verdoofde dieren te scannen. Wakkere scans kunnen worden uitgevoerd door de hoofdbeweging van het dier tijdens de scan te volgen en vervolgens een bewegingscorrectie uit te voeren. De praktische toepasbaarheid van de trackingmethode is cruciaal voor de routinematige implementatie van wakkere PET-scans. In dit project ontwikkelen we een methode voor het volgen van hoofdbewegingen bij wakkere PET-scans die alleen afhankelijk is van de PET-activiteit van de scan zelf (d.w.z. datagestuurd), waardoor er geen extra bewegingsregistratiehardware of extra diervoorbereiding voor de scans nodig is. We verwachten dat deze aanpak het mogelijk zal maken om wakkere PET-scans routinematig uit te voeren. Het datagestuurde algoritme voor bewegingsregistratie bestaat uit het verdelen van de PET-data in korte tijdsintervallen van 32 ms, waarin geen of weinig beweging is, gevolgd door de berekening van de positie van de kop van het dier in al deze intervallen. Om de positie van de kop te bepalen, wordt het lichaam van het dier gesegmenteerd, maar door de hoge ruis in de korte tijdsintervallen kan de segmentatie onnauwkeurig zijn. In dit project implementeren en optimaliseren we een residueel recurrent U-net neuraal netwerk om de nauwkeurigheid van de segmentatie van het lichaam van het dier te vergroten. Voor de training gebruiken we uitgelijnde PET-CT-beelden van verdoofde dieren, waarbij het label de PET-reconstructie met het korte tijdsinterval is en de grondwaarheid van het gesegmenteerde lichaam uit de CT-afbeelding kan worden verkregen. Vervolgens wordt in de wakkere scans, waar alleen de PET-activiteit beschikbaar is, het gesegmenteerde lichaam afgeleid met het U-net. Dit netwerk is met groot succes gebruikt in andere medische beeldsegmentatietaken. Met behulp van machinaal leren verwachten we daarom de nauwkeurigheid van de datagestuurde bewegingsregistratie aanzienlijk te verbeteren en zo beelden van hogere kwaliteit met bewegingscorrectie te verkrijgen in wakkere PET-scans. Aangezien deze methoden zullen worden ontwikkeld in een nieuwe generatie, preklinische PET-scanner met hoge resolutie die onlangs in ons lab is geïnstalleerd, is het eerste doel van dit project om de reconstructie-algoritmen die in onze oude scanner zijn ontwikkeld, aan te passen aan de nieuwe scanner, om vervolgens de datagestuurde bewegingsregistratie te ontwikkelen zoals hierboven beschreven. De implementatie van een praktische methode om wakkere PET-scans van de hersenen uit te voeren in een nieuwe generatie scanner zal bijdragen aan de routinematige implementatie van deze technologie, niet alleen in ons lab, maar ook binnen de bredere preklinische onderzoeksgemeenschap.

Onderzoeker(s)

• Promotor: Miranda Menchaca Alan

Onderzoeksgroep(en)

• Moleculaire Beeldvorming en Radiologie (MIRA)

Project type(s)

• Onderzoeksproject

Abstract

Preklinische positronemissietomografie (PET) van de hersenen wordt uitgevoerd met behulp van anesthetica om het dier te immobiliseren. Het is echter aangetoond dat anesthetica de hersenfunctie en de opname van verschillende PET-tracers kunnen veranderen. Om het gebruik van anesthesie te vermijden, zijn methoden ontwikkeld die de beweging van de kop van het dier tijdens de PET-scan volgen, voor de daaropvolgende bewegingscorrectie van de PET-gegevens van de hersenen. Deze methoden vertrouwen op optische volgcamera's of markeringen die op de kop van het dier zijn aangebracht om de bewegingen van de kop te volgen. Deze traceerprocedure vereist extra voorbereiding bovenop het opzetten van de PET-scan. Om de toepasbaarheid te bevorderen en additionele voorbereidende stappen tot een minimum te beperken bij het scannen van wakkere knaagdieren, zullen we in dit project een data-gestuurde trackingtechniek voor knaagdieren valideren en optimaliseren. Deze methode vereist geen extra setup naast de PET-scan, omdat de bewegingsregistratie wordt uitgevoerd met behulp van de verkregen PET-gegevens. Bovendien zal ook de monitoring van torsobewegingen worden gevalideerd en geoptimaliseerd met als doel hartbewegingen te corrigeren. De gecorrigeerde hartbeelden worden gebruikt om een verbeterde image-derived input functie te bepalen voor kinetische modelering tijdens verdere kwantificatiestappen. Ratten- en muizenscans zullen worden uitgevoerd met verschillende PET-tracers om verschillende hersen- en lichaamsdistributies en verschillende ruiskarakteristieken te kunnen onderzoeken, om hiermee de tracking-algoritmen te optimaliseren. De hier ontwikkelde methoden zullen bijdragen aan de toegankelijkheid van wakkere PET-scans bij knaagdieren, waardoor de techniek bij het bredere PET-preklinische publiek ingezet kan worden. Door het gebruik van anesthetica en hun verstorende effecten op de dierfysiologie te omzeilen, wordt bovendien ook de translatie van preklinische PET-resultaten naar de kliniek verbeterd.

Onderzoeker(s)

• Promotor: Miranda Menchaca Alan

Onderzoeksgroep(en)

• Moleculaire Beeldvorming en Radiologie (MIRA)

Project type(s)

• Onderzoeksproject