Objectives

• 提出了一種新的雙輸入隔室模型，用於從 15O-water PET 影像中量化肝血流 (Hepatic Blood Flow, HBF)。
• 利用 TotalSegmentator 自動分割主動脈、肝門靜脈 (Hepatic Portal Vein, PV)、肝臟和脾臟，以獲得影像衍生輸入函數 (Image-Derived Input Functions, IDIFs)。
• 將新模型與三個現有模型進行比較：單組織隔室模型 (One-Tissue Compartment Model, 1TCM) 和兩個版本的雙輸入模型。
• 結果顯示，新模型在平均相對誤差 (Mean Relative Error, MRE) 方面表現最佳 (p-values≤0.001)。
• 估計動脈、門靜脈和總 HBF，發現動脈和門靜脈 HBF 之間存在中度正相關，而總 HBF 與患者體重之間存在負相關。

Methodology

• 使用 TotalSegmentator（一種基於深度學習的工具）在 CT 影像上自動分割感興趣區域（主動脈、肝門靜脈、肝臟、脾臟）。
• 從分割區域中提取平均時間-放射性曲線 (Time-Activity Curves, TACs)。
• 通過僅使用高於 90% 的體素來修改肝門靜脈 TAC，以減輕呼吸運動偽影和潛在的低估。
• 開發了一種新的雙輸入隔室模型，該模型具有來自於主動脈和肝門靜脈的 IDIFs。
• 將新模型與 1TCM 和兩個現有的雙輸入模型（Taniguchi 等人和 Rijzewijk 等人）進行比較。
• 使用非線性牛頓型最小化算法（R 中的 nlm）進行模型擬合，以最小化測量的和模型預測的肝臟 TAC 之間的平方差之和。
• 使用絕對值和反 Logit 函數來限制參數範圍。
• 根據最低模型誤差選擇時間延遲參數。

Results

• 該研究使用了來自 57 名患者的 15O-water PET 數據。
• 新模型提供的平均動脈 HBF 為 0.299 ± 0.168 mL/min/mL，平均門靜脈 HBF 為 0.930 ± 0.520 mL/min/mL，總 HBF 為 1.229 ± 0.612 mL/min/mL。
• 新模型在 MRE 方面的表現優於其他模型 (p-values ≤ 0.001)。
• 門靜脈 HBF 與總 HBF 的比率 (74.3 ± 11.5%) 與文獻值一致（例如，Sureka 等人報告的 75%）。
• 動脈和門靜脈 HBF 之間存在中度正相關 (0.438, p-value ≤ 0.001)。
• 總 HBF 與體重 (-0.431, p-value ≤ 0.01) 和 BMI (-0.351, p-value ≤ 0.01) 之間存在中度負相關。
• HBF 沒有發現顯著的性別或年齡差異。

Discussions

• 該研究依賴 TotalSegmentator 進行 PV 分割是一個潛在的限制。即使 Biograph Vision Quadra 的解析度有所提高，PV 的小尺寸也使得準確分割具有挑戰性。將 PV 分割與手動分割或其他成像方式（例如 MRI）進行進一步驗證將加強研究結果。
• 用於 PV TAC 計算的 90% 閾值雖然旨在解決運動偽影，但引入了潛在的偏差。研究結果對此閾值的敏感性並探索替代運動校正技術將是有益的。
• 該研究承認由於低估 PV 濃度而可能導致 HBF 高估。探索部分體積校正方法可以提高 HBF 估計的準確性。
• 研究人群包括疑似冠狀動脈疾病的患者，這可能會限制研究結果對健康個體的普遍性。與健康對照組進行比較將很有價值。
• 雖然研究發現 HBF 與體重/BMI 之間存在負相關，但其潛在機制尚未完全闡明。有必要進一步研究合併症（例如 2 型糖尿病）的潛在混雜效應。

---

Reference: New compartment model for hepatic blood flow quantification in humans from 15O water PET images