La Tomografia ad Emissione di Positroni (PET) permette di studiare, in vivo, l'interazione dei traccianti con specifici siti di legame (trasportatori, recettori, etc.). Inoltre permette un imaging funzionale quantitativo di importanti parametri fisiologici quali la densità di recettori, volume di distribuzione e/o occupazione recettoriale. In questa tesi si espone una panoramica dei principali metodi modellistici in PET e si propongono nuovi approcci Bayesiani sviluppati per la quantificazione a livello di voxel di immagini PET, applicati a vari dataset. I metodi proposti costituiscono una robusta alternativa per la generazione di mappe parametriche affidabili ed applicati a dati clinici renderanno più semplice il riconoscimento di piccole zone patologiche specifiche. Come ulteriore risultato, sono stati sviluppati nuovi modelli compartimentali per i dati di [11C]SCH442416 e [11C]MDL100907. Inoltre è stato implementato un nuovo metodo di clustering che permette di segmentare il volume cerebrale anche per dati PET con un alto livello di rumore. Questo nuovo approccio è stato applicato per la selezione della migliore regione di riferimento per dati di [11C]MDL100907.
Development of novel computational algorithms for quantitative voxel-wise functional brain imaging with positron emission tomography
RIZZO, GAIA
2012
Abstract
La Tomografia ad Emissione di Positroni (PET) permette di studiare, in vivo, l'interazione dei traccianti con specifici siti di legame (trasportatori, recettori, etc.). Inoltre permette un imaging funzionale quantitativo di importanti parametri fisiologici quali la densità di recettori, volume di distribuzione e/o occupazione recettoriale. In questa tesi si espone una panoramica dei principali metodi modellistici in PET e si propongono nuovi approcci Bayesiani sviluppati per la quantificazione a livello di voxel di immagini PET, applicati a vari dataset. I metodi proposti costituiscono una robusta alternativa per la generazione di mappe parametriche affidabili ed applicati a dati clinici renderanno più semplice il riconoscimento di piccole zone patologiche specifiche. Come ulteriore risultato, sono stati sviluppati nuovi modelli compartimentali per i dati di [11C]SCH442416 e [11C]MDL100907. Inoltre è stato implementato un nuovo metodo di clustering che permette di segmentare il volume cerebrale anche per dati PET con un alto livello di rumore. Questo nuovo approccio è stato applicato per la selezione della migliore regione di riferimento per dati di [11C]MDL100907.File | Dimensione | Formato | |
---|---|---|---|
PhD_thesis_Gaia_Rizzo.pdf
accesso aperto
Dimensione
4.05 MB
Formato
Adobe PDF
|
4.05 MB | Adobe PDF | Visualizza/Apri |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.14242/86046
URN:NBN:IT:UNIPD-86046