Segmentation des images TEP au 18F-FDG. Principe et revue de la littérature

RésuméDe nombreuses méthodes de segmentation des hyperfixations en TEP au 18F-FDG ont été proposées dans la littérature. Le principe de ces différentes méthodes est présenté, ainsi que leur application en imagerie TEP. Les méthodes de seuillage sont largement utilisées en raison de leur rapidité d’exécution et facilité d’utilisation. Une valeur de seuil fixe voisine de 40 % est souvent proposée. Elle est cependant à prendre avec beaucoup de précautions pour les tumeurs de volume inférieur à 4–5 mL ou ayant un faible contraste (SUV < 2), ainsi que pour les localisations pulmonaires en cas de mouvement respiratoire important de la tumeur. De ce fait, des méthodes d’ajustement mathématique du seuil optimal ont été proposées dans la littérature. Celles basées sur des approches itératives de la détermination du seuil optimal sont à privilégier, car elles tiennent compte des caractéristiques des données patient. Leur inconvénient majeur est l’obligation d’une phase de calibration propre à chaque machine et méthode de reconstruction des données TEP. Afin de faire abstraction de ces contraintes, des méthodes beaucoup plus sophistiquées ont été proposées, telles celles basées sur la dérivée, la ligne de partage des eaux et de reconnaissance de formes. L’inconvénient de ces méthodes repose sur leur plus grande complexité algorithmique. La segmentation des hyperfixations en TEP reste à ce jour un problème non résolu et la recherche reste encore très active dans ce domaine.

Several segmentation methods of lesion uptake in 18F-FDG PET imaging have been proposed in the literature. Their principles are presented along with their clinical results. The main approach proposed in the literature is the thresholding method. The most commonly used is a constant threshold around 40% of the maximum uptake within the lesion. This simple approach is not valid for small (< 4 or 5 mL), poorly contrasted positive tissue (SUV < 2) or lesion in movement. To limit these problems, more complex thresholding algorithms have been proposed to define the optimal threshold value to be applied to segment the lesion. The principle is to adapt the threshold following a fitting model according to one or two characteristic image parameters. Those algorithms based on iterative approaches to find the optimal threshold value are preferred as they take into account patient data. The main drawback is the need of a calibration step depending on the PET device, the acquisition conditions and the algorithm used for image reconstruction. To avoid this problem, some more sophisticated segmentation methods have been proposed in the literature: derivative methods, watershed and pattern recognition algorithms. The delineation of positive tissue on FDG-PET images is a complex problem, always under investigation.