Methodenartikel

Semi-geautomatiseerde kwantificering van 18F-FDG PET-CT-contacten bij pulmonale tuberculose-contacten en de associatie met prospectieve uitkomsten

28 weergaven

⸱

DOI:

10.3791/69175

⸱

31 juli 2026

 ,  ,  ,  , 
1Department of Respiratory Sciences, University of Leicester, 2Department of Respiratory Medicine, University Hospitals of Leicester NHS Trust, 3Department of Nuclear Medicine, University Hospitals of Leicester NHS Trust

* These authors contributed equally

In dit artikel

Samenvatting

Hier presenteren we een protocol om het positronemissietomografie-computertomografie (PET-CT) beeldvormingsprotocol, interpretatie en analyse te standaardiseren in tuberculose-infectieonderzoek met behulp van een semi-geautomatiseerd, open-source softwareplatform. Deze aanpak minimaliseert de variabiliteit tussen de operators en verbetert de reproduceerbaarheid tussen studiecohorten.

Samenvatting

Positronemissietomografie-computertomografie (PET-CT) heeft potentieel getoond als onderzoeksinstrument om heterogeniteit bij tuberculose (TB)-infectie te karakteriseren. Prospectief gebruik van deze technologie vereist standaardisatie van beeldvormingsprotocollen, interpretatie en analyse van PET-CT-beelden om de generaliseerbaarheid en data-assimilatie tussen discrete cohorten te verbeteren. We evalueerden een semi-geautomatiseerde aanpak met open-source software om de variabiliteit van beeldvormingsinterpretatie tussen operators te minimaliseren en gebruik te maken van referentieorgaannormalisatie om de variabiliteit in fysiologische opname te verlagen.

We kwantificeerden de opname van 18F-Fluorodeoxyglucose (FDG) in intrathoracale lymfeklieren (ITLN's) van elf interferon-gamma release assay (IGRA) positieve TB-contacten die deelnamen aan een prospectieve observationele studie, waaronder acht contacten met seriële PET-CT-scans. De beeldvorming werd geanalyseerd met behulp van 3D Slicer, een open-source medisch beeldplatform ontworpen voor biomedisch en klinisch onderzoek, dat semi-geautomatiseerde segmentatie en geautomatiseerde leverkwantificatie biedt. De geëxtraheerde gegevens omvatten de maximale gestandaardiseerde opnamewaarde (SUVmax), de gemiddelde gestandaardiseerde opnamewaarde (SUVmean), het metabole volume (MV), de totale laesieglycolyse (TLG) en het lever-SUVmean. We vergeleken de prestaties met die van klinische software, zowel met als zonder standaardisatie voor leveropname (als fysiologisch referentie), en beoordeelden de variabiliteit van de operator. Vervolgens evalueerden we de associatie tussen meerdere kwantitatieve PET-metrieken en prospectieve uitkomsten bij pulmonale TB-contacten.

We melden een sterke overeenstemming tussen open-source en klinische beeldevaluatieplatforms. We vinden dat semi-geautomatiseerde PET-kwantificatie de variabiliteit tussen operators kan verlagen, en standaardisatie naar referentieorganen de gevoeligheid van beeldvormingsanalyse verhoogt. Specifiek rapporteren we voorlopige bevindingen waaruit blijkt dat toenemende metabole activiteit op seriële PET-CT bij vroege infectie geassocieerd is met detecteerbare Mycobacterium tuberculosis (Mtb) op de anatomische plaats van FDG-opname, wat overeenkomt met een progressief fenotype van infectie.

Inleiding

Tuberculose (TB) is een infectieziekte veroorzaakt door bacteriën van het Mycobacterium tuberculosis-complex (MTBC), waarbij Mycobacterium tuberculosis (Mtb) de meest voorkomende ziekteverwekker is. TB-ziekte blijft een aanzienlijke last vormen voor de wereldwijde gezondheid en treft in 2024 ongeveer 10,7 miljoenmensen. In hetzelfde jaar was het wereldwijd verantwoordelijk voor naar schatting 1,23 miljoen sterfgevallen, waaronder 150.000 sterfgevallen onder mensen die leven met HIV1.

TBC-infectie ontstaat wanneer gevoelige gastheren druppels met MTBC inademen van een geïnfecteerde persoon. Een klein deel van de geïnfecteerden ontwikkelt actieve tuberculoseziekte, bekend als primaire progressieve tuberculose. In de meeste gevallen wordt de infectie echter succesvol onder controle gehouden door het adaptieve immuunsysteem, een toestand die TB-infectie of latente tuberculose-infectie (LTBI)2 wordt genoemd. TB-infectie omvat een spectrum van infectietoestanden met een wisselend risico op progressie naar actieve ziekte. Het voorkomen van de progressie van TB-infectie naar actieve ziekte is cruciaal om het doel van de End TB Strategy voor TBC-uitroeiingte behalen 3,4. De immunologische mechanismen die het traject van TBC-infectie bepalen zijn echter nog slecht begrepen.

Positronemissietomografie-computertomografie (PET-CT) is uitgegroeid tot een veelbelovend onderzoeksinstrument om onderliggende heterogeniteit in TB-infectietoestanden aan het licht te brengen, en wordt steeds vaker overwogen als biomarker om de behandelingsrespons te beoordelen en het risico op terugval van de ziekte te stratificeren in TB-klinische onderzoeken 5,6,7,8 . We hebben eerder het PET-CT-gebaseerde fenotype van preklinische infectie beschreven en suggereerd dat het integreren van metabole en structurele karakterisering klinisch relevante stratificatie kan bieden9. Er is echter aanzienlijke heterogeniteit in de analyse van PET-CT-beeldvorming in TBC-infectieonderzoek, waardoor de vergelijkingbeperkt wordt. Belangrijk is dat veranderingen in metabole activiteit die worden waargenomen op seriële beeldvorming waarschijnlijk kleiner zijn bij asymptomatische personen met TBC-infectie, waardoor benaderingen nodig zijn die de totale metabole last nauwkeurig kunnen beoordelen.

Normalisatie met referentieorganen kan de variabiliteit in de opname van 18F-fluorodeoxyglucose (FDG) in intervalscansverminderen. Handmatige meting van FDG-opname in het referentieorgaan kan echter ook variabiliteit in de drempel12 introduceren. Er is een geautomatiseerde techniek voorgesteld om het volume van belang (VOI) in het referentieorgaan te bepalen om de variabiliteit tussen operatorste minimaliseren. Daarnaast kan semi-geautomatiseerde segmentatie van doellaesies de variabiliteit in meting14 verder verminderen, de benodigde tijd voor segmentatie aanzienlijk verkorten en de efficiëntieverhogen.

PET-afgeleide metabole activiteit in human TB-onderzoek wordt vaak beoordeeld met behulp van de maximale gestandaardiseerde opnamewaarde (SUVmax). Hoewel SUVmax een veelgebruikte marker is voor ziekteactiviteit en behandelingsrespons, kan het de metabole activiteit door beeldruis16 overschatten, en een tweedimensionaal interessegebied (ROI) kan de pixel met de hoogste waarde17 niet vastleggen. In deze context zijn volumetrische parameters zoals metabolisch volume (MV) en totale laesieglycolyse (TLG) gerapporteerd als prognostische markers voor behandelingsuitkomsten bij actieve TB18 en zijn ze gevoeliger dan SUVmax bij het detecteren van vroege therapierespons19. Specifiek houdt TLG rekening met zowel de gemiddelde gestandaardiseerde opnamewaarde (SUVmean) als het metabole volume, waarmee een samengestelde maat van metabole activiteit binnen een bepaald volume van belang (VOI) wordt aangeboden.

In deze studie presenteren we methodologieën voor het gebruik van een open-source onderzoeksbeeldvormingsplatform20, dat semi-geautomatiseerde laesiesegmentatie en geautomatiseerde leverkwantificatie biedt. We passen deze benadering toe op de analyse van seriële PET-CT-scans van asymptomatische, interferon-gamma release assay (IGRA) positieve pulmonale TB-contacten die zijn ingeschreven in een prospectieve observationele studie9. Het onderzoeksontwerp is eerder beschreven21. Kort samengevat werden hiv-niet-geïnfecteerde, volwassen (≥16 jaar) huishoudelijke contacten van bacteriologisch bevestigde pulmonale tuberculosegevallen kort na de indexdiagnose in Leicester, VK, gerekruteerd. Deelnemers vulden een symptoomvragenlijst, röntgenfoto (CXR) en IGRA-test in. IGRA-positieve deelnemers ondernamen bij de aanvangslijn een PET-CT-scan. Degenen met positieve PET-CT-bevindingen werden onderzocht op actieve TB. Als actieve tuberculose niet werd bevestigd, werd er drie maanden later een herhalingsscan uitgevoerd om het infectietraject te karakteriseren. Deelnemers werden prospectief gevolgd met een klinische review en een symptoomvragenlijst elke 3 maanden gedurende 12 maanden, gevolgd door nog eens 12 maanden passieve follow-up. We vergelijken de prestaties van dit onderzoeksplatform met die van klinische software, beoordelen de variabiliteit tussen operators en onderzoeken de relatie tussen PET-parameters en prospectieve uitkomsten.

Protocol

De studie werd goedgekeurd door de Research Ethics Committee (REC) voor East Midlands - Nottingham 1, Nottingham, VK (REC 15/EM/0109).

1. PET-CT-procedures

OPMERKING: PET-CT-procedures werden uitgevoerd volgens de lokale ziekenhuisstandaardprocedures en voldeden aan de Ionizing Radiation Regulations 2017 (IRR17)22 en de aanbevelingen van het Administration of Radioactive Substances Advisory Committee (ARSAC)23.

  1. Patiëntidentificatie: Bevestig de identiteit van de patiënt met behulp van een 3-punts ID-controle (volledige naam, geboortedatum en adres) op basis van de verwijzing en het verzoek om beeldvorming.
  2. Patiëntenveiligheidsvragenlijst: Bekijk en vul de patiëntveiligheidsscreeningsvragenlijst in, waarbij alle relevante medische voorgeschiedenis, allergieën, zwangerschapsstatus en contra-indicaties worden behandeld.
  3. Verificatie van de klinische anamnese: Bevestig en documenteer de medische voorgeschiedenis van de patiënt om te zorgen dat deze overeenkomt met de verwijzings- en beeldvorming vereisten.
  4. Procedure-uitleg: Leg de procedure duidelijk uit, inclusief het doel van de PET-scan, injectie van een radioactief tracer, en de bijbehorende stralingsrisico's en veiligheidsmaatregelen
  5. Geïnformeerde toestemming: Zorg ervoor dat de patiënt de procedure en risico's begrijpt, en verkrijg vervolgens schriftelijke geïnformeerde toestemming.
  6. IV-cannulatie: Plaats een intraveneuze (IV) katheter van 22 tot 24 G, bij voorkeur in de mediane cubitale, cefalische of basilische vena bij de antecubitale fossa met behulp van aseptische techniek.
  7. Bevestig de openheid van de ader: spoel de katheter door met 10 ml steriele zoutoplossing om de openheid van de ader te bevestigen. Als je het niet zeker weet, raadpleeg dan een collega voor verificatie.
  8. Trek de dosis terug volgens protocol: Stel de berekende activiteit van de radiotracer op: 3,5 MBq/kg ± 10%, niet hoger dan 400 MBq.
  9. Trek radiotracer op: Gebruik 1 mL, 3 mL of 5 mL plastic spuit (afhankelijk van het benodigde volume), met het juiste spuitschild, om de radiotracer-dosis op te nemen.
  10. Registreer de activiteit vóór de injectie: Meet en registreer het radioactiviteitsniveau van de spuit met een dosiskalibrator, noteer het exacte tijdstip en plaats de spuit in een met loden afgeschermde spuitdrager.
  11. Injecteer radiotracer: Injecteer de radiotracer langzaam via de IV-lijn, gevolgd door een spoeling van 10 mL steriele zoutoplossing om volledige toediening te garanderen.
  12. Registreer de injectietijd: Documenteer de injectietijd nauwkeurig door een gekalibreerde wandklok te controleren.
  13. Beveilig radioactieve materialen: Na injectie koppel je de gebruikte spuit los en plaats je stevig in een loden dragerdoos.
  14. Verwijder de IV-katheter: Verwijder de IV-katheter voorzichtig met passende bestralingsmaatregelen om besmetting te voorkomen.
  15. Meet de restactiviteit: Plaats de gebruikte spuit terug in de dosiskalibrator om de residuele activiteit te meten en de waarde en tijd te registreren.
  16. Afval veilig afvoeren: Verwijder de spuit en eventueel radioactief afval in een aangewezen radioactieve afvalcontainer volgens de richtlijnen van de instelling.
  17. Opnameperiode: Geef de patiënt instructies om rustig te rusten in de 'warme wachtruimte' gedurende 50 minuten tot 1 uur om een optimale opname van tracers mogelijk te maken.
  18. Positie voor beeldvorming: Na de opnameperiode begeleid je de patiënt naar de cameraruimte en help je hem of haar liggend op de PET-scantafel.
  19. Laatste ID-controle: Voer een laatste patiënt-ID uit en bevestig de gegevens op de scannerconsole voordat je verder gaat.
  20. Start PET-CT-scan: Zodra de juiste patiënt op de console is geselecteerd, start u de PET-CT-scan volgens protocol.
  21. Instructies na de scan: Na de echo begeleid je de patiënt naar het uitgangsgebied en geef je aan dat ze normaal kunnen eten en drinken hervatten.
  22. Advies over stralingsveiligheid: Herhaal de voorzorgsmaatregelen voor straling:
    Vermijd nauw contact met kinderen en zwangere vrouwen minstens 8 uur na de scan.
  23. Stimuleer hydratatie: Adviseer de patiënt om de komende 24 uur voldoende te hydrateren om de verwijdering van de radiotracer via urineren te bevorderen.
  24. PET-beeldreconstructie: Voer PET 3D iteratieve beeldreconstructie uit met de volgende parameters: Bayesiaans gestrafte likelihood (PL) reconstructie-algoritme met CT-gebaseerde demping, rampprojectiefilter en verstrooiingscorrectie, wat resulteert in een beeld van 310 stukken.

2. Kwantificering van FDG avid intra-thoracale lymfeklier met behulp van het 3D Slicer-platform

OPMERKING: In deze studie werden geanonimiseerde PET-CT DICOM-afbeeldingen geanalyseerd met 3D Slicer versie 5.4.0 (https://www.slicer.org/). PET-beeldgegevens werden geëxtraheerd door een consultant thoracale PET-CT-radioloog (lezer 1) en een getrainde respiratorische registrar (lezer 2). PET-CT-beelden met intrathoracale lymfeklier FDG-opname boven de fysiologische referentie-FDG-opname werden opgenomen voor analyse. De fysiologische referentie werd bepaald door lever SUVgemiddelde + 3 standaardafwijkingen (SD)11.

  1. Installeer extensies.
    1. Open de Extensions Manager.
    2. Installeer de volgende extensies: PETDICOMExtension, PETTumorSegmentation, PETLiverUptakeMeasurement en PET-IndiC.
    3. Na installatie start je 3D Slicer opnieuw op.
  2. Upload geanonimiseerde PET-CT DICOM-afbeeldingen naar 3D Slicer.
    1. Ga naar DICOM-gegevens toevoegen > DICOM-bestanden importeren .
  3. Voer leverkwantificatie uit (referentieweefsel).
    1. Methode I (geautomatiseerde meting)
      1. Ga naar Kwantificatie > PET Leveropnamemeting.
      2. Selecteer in het keuzemenu Input Volume PET-afbeelding.
      3. Selecteer in het keuzemenu Output Volume Create New LabelMapVolume.
      4. Klik op Segment Referentieregio.
      5. Controleer het resulterende gebied op correctheid. Als geautomatiseerde leversegmentatie faalt, ga dan door naar Methode II.
      6. Sla de gemiddelde SUV- en standaarddeviatiewaarden op onder Metingen.
    2. Methode II (handmatige meting)
      1. Ga naar Segment Editor.
      2. Selecteer in het keuzemenu Source volume de PET-afbeelding.
      3. Klik op Toevoegen.
      4. Gebruik Paint (selecteer Sphere brush) om VOI te creëren op een homogene regio van het leverparenchym.
      5. Ga naar Kwantificatie > Segmentstatistieken.
      6. Selecteer in het keuzemenu Scalar volume PET-afbeelding.
      7. Selecteer onder Geavanceerde opties PET Volume Statistics (of Scalar Volume Statistics) en kies Gemiddelde en Standaarddeviatie.
      8. Klik op Aanvullen.
  4. Segment intrathoracale lymfeklieren.
    1. Maak een nieuwe segmentatie aan met Segment Editor.
    2. Gebruik de Drempeltool . Stel de ondergrens in op SUVgemiddeldelever + 3 × SDlever. Klik op Aanvullen. Dit zal alle gebieden in het lichaam boven de drempel benadrukken.
    3. Sluit gebieden buiten de intrathoracale lymfeklieren uit.
    4. Methode I: Handmatige schoonmaak: Gebruik het schaargereedschap met Binnenin of Buitenuit wissen in Segment Editor om gebieden buiten de lymfekliergebieden te verwijderen
    5. Methode II: Eilandeneffect : Pas het eilandeneffect toe in Segment Editor. Gebruik de functie 'Split Islands to Segments' om losgekoppelde hete gebieden in aparte segmenten te verdelen. Verwijder segmenten buiten het lymfekliergebied. Kleine ruisgebieden kunnen extra schoonmaak vereisen.
  5. Kwantificeer gesegmenteerde lymfeklieren.
    1. Ga naar Kwantificatie > Segmentstatistieken.
    2. Selecteer in het keuzemenu Scalar Volume de PET-afbeelding.
    3. Selecteer onder Geavanceerde opties PET Volume Statistics (of Scalar Volume Statistics) en selecteer de metingen. Let op dat TLG handmatig berekend moet worden door SUVmean en MV te vermenigvuldigen, met waarden verkregen uit de scalair volume-statistieken.
    4. Klik op Aanvullen.

Resultaten

Studiecohort

Statistische methoden zijn beschikbaar in Aanvullend Bestand 1.

Zestien IGRA-positieve contacten van negen microbiologisch bevestigde gevallen van pulmonale TB-index (acht uitstrijk-positief) ondergingen een PET-CT-scan. Twaalf deelnemers hadden een positieve PET-CT-scan; bij één deelnemer was de opname van FDG beperkt tot het longparenchym. Elf van de zestien IGRA-positieve deelnemers hadden FDG-opname in intrathoracale lymfeklieren boven de drempel en werden opgenomen in de analyse. Alle elf waren contacten van uitstrijk-positieve pulmonale tuberculose uit zeven indexgevallen. De mediane leeftijd was 32 jaar (IQR 18-46). Vijf (45,5%) waren mannen. Negen (81,8%) zijn buiten het Verenigd Koninkrijk geboren. Zeven (63,6%) waren nooit rokers, drie (26,3%) waren huidige rokers en één (9,1%) was ex-roker.

Acht deelnemers ondergingen een herhaalde PET-CT na 3 maanden. Daarom werden in totaal 19 PET-CT-scans van elf naïeve contacten van de behandeling opgenomen.

Leverkwantificatie

Van negentien PET-CT-scans faalde de geautomatiseerde leverkwantificatie in twee gevallen: in één geval omvatte de automatisch geplaatste ROI structuren buiten de lever, en in een ander geval identificeerde het algoritme de lever verkeerd en kwantificeerde in plaats daarvan de rechter dijspier. Bland-Altman analyse toonde een hoge overeenstemming tussen geautomatiseerde en handmatige metingen van lever SUVgemiddelde en lever SUVgemiddelde + 3 SD, met minimale bias en smalle 95% overeenkomstlimieten (Aanvullende Figuur 1, Aanvullende Tabel 1). De consistentie tussen de twee methoden was uitstekend voor beide metrieken (Interclass correlatiecoëfficiënten [ICC] = 0,989 en 0,972 voor SUVgemiddelde en SUVgemiddelde + 3 SD, respectievelijk).

Interplatformbetrouwbaarheid van klinische en onderzoeksplatforms

Bland-Altman-analyse toonde een sterke overeenstemming aan tussen klinische en onderzoeksplatforms over alle PET-afgeleide kwantitatieve parameters (Tabel 1, Aanvullende Figuur 2). Lever SUVgemiddelde en volumetrische parameters (MV en TLG; log-getransformeerd) vertoonden minimale bias met smalle relatieve overeenkomstgrenzen. Over de kwantitatieve meetwaarden toonde SUVmax het grootste absolute gemiddelde verschil tussen platforms (0,62, 95% BI 0,40 - 0,83), wat wijst op een kleine maar systematische stijging in SUVmax-waarden op het klinische platform. Toch bleven de relatieve verschillen laag en was de algehele concordantie uitstekend (CCC = 0,99). SUVmean en liver SUVmean + 3 SD's vertoonden ook minimale bias, met iets bredere absolute overeenkomstgrenzen, hoewel hun relatieve limieten binnen een acceptabel bereik bleven.

Concordantiecorrelatiecoëfficiënten ondersteunden deze bevindingen, met uitstekende overeenstemming voor ITLN SUVmax, MV en TLG (CCC = 0,95-0,99) en matige tot hoge overeenstemming voor lever SUVmean en ITLN SUVmean (CCC = 0,90-0,95). Lever SUVgemiddelde + 3 SD's toonden redelijke overeenstemming (CCC = 0,85). Over het algemeen leverde 3D Slicer kwantitatieve resultaten die sterk consistent waren met die verkregen uit de klinische software.

Interoperatorbetrouwbaarheid van 3D Slicer

De Bland-Altman-analyse toonde uitstekende overeenstemming tussen lezers over alle PET-parameters geëxtraheerd in 3D Slicer, met gemiddelde verschillen nabij nul en consequent smalle limieten van overeenstemming (Tabel 2, Aanvullende Figuur 3). Volumetrische parameters (MV en TLG; log-getransformeerd) toonden de strengste grenzen van overeenkomst, wat een zeer consistente segmentatie en kwantificering weerspiegelt. Interclass correlatiecoëfficiënten ondersteunden bovendien uitstekende betrouwbaarheid van interlezers, met ICC-waarden > 0,95 voor alle PET-afgeleide kwantitatieve metrics (Tabel 2). Deze bevindingen bevestigen dat de 3D-slicer zeer reproduceerbare kwantitatieve metingen tussen lezers levert.

Toepassing op longitudinale PET-CT-kenmerken

Acht onbehandelde IGRA-positieve deelnemers ondergingen na 3 maanden vervolg PET-CT-scans (Aanvullende Figuur 4 en Aanvullende Tabel 2). Van hen kregen drie personen anti-TBC-behandeling. Twee begonnen kort na de follow-up met de behandeling: één met bevestigde Mtb-infectie uit een intrathoracaal lymfekliermonster, en één die een nieuwe longlaesie ontwikkelde tijdens de PET-scan van 3 maanden die met de behandeling verdween. De derde persoon ontwikkelde symptomen van tuberculose tijdens de prospectieve follow-upperiode van 2 jaar en onderging een verdere klinische PET-CT-scan, die een verhoogde FDG-opname in dezelfde lymfeklier liet zien die bij aanvang actief was. Een endobronchiaal ultrageluidsgeleide transbronchiale naaldaspiratie (EBUS-TBNA) monster bevestigde een Mtb-infectie op deze locatie.

Twee deelnemers die na 3 maanden voor tuberculose werden behandeld, vertoonden een toename van SUVmax, SUVmean, MV en TLG (Figuur 1A1,B1,C1,D1). De persoon bij wie op 2-jarige leeftijd TBC werd vastgesteld, vertoonde echter een dalende toename van SUVmax, SUVmean en TLG (Figuur 1A1, B1, D1). De MV bij deze patiënt bleef ongewijzigd (1,50 cm³ tot 1,52 cm3) (Figuur 1, C1). De fysiologische FDG-opname, gemeten met Liver SUV-gemiddelde + 3 SD's, was echter significant lager bij de 3-maandsscan (3,69 tot 2,04), wat de mogelijkheid vergroot dat de fysiologische FDG-opname de interpretatie van veranderingen in pathologische opname vertroebelt. Vervolgens hebben we PET-parameters gestandaardiseerd op fysiologische activiteit om deze variatie te beperken. Normalisatie tot FDG-opname in de lever toonde een verhoogde SUVR-max, en in mindere mate een verhoogde SUVR-gemiddelde en genormaliseerde TLG bij de persoon die na 2 jaar met TB werd gediagnosticeerd. (Figuur 1A2, B2, D2). Deelnemers die ziektevrij bleven, vertoonden een daling in SUVmax, SUVmean, MV en TLG tussen de basislijn en 3 maanden (Figuur 1A1,B1,C1,D1).

figure-results-1
Figuur 1: Metabole activiteit van intrathoracale lymfeklieren bij baseline en 3 maanden, gestratificeerd op basis van klinische uitkomst. (A-D) PET-CT werd uitgevoerd bij aanvang en na 3 maanden bij acht onbehandelde pulmonale TB-contacten. SUVRmax (A2), SUVRgemiddelde (B2) en genormaliseerde TLG (D2) werden berekend door SUVmax (A1), SUVmean (B1) en TLG (D1) te delen door de referentiefysiologische opname, gedefinieerd door Liver SUVmean + 3 standaarddeviaties. MV (C1) is het metabole volume van de intrathoracale lymfeklier. Rode lijnen geven contacten aan die antituberculose (ATT) kregen na 3 maanden, en de oranje lijn staat voor een contact dat tuberculose ontwikkelde op 2 jaar, en de blauwe lijnen vertegenwoordigen de contacten die gezond bleven. SUVmax: maximale gestandaardiseerde opnamewaarde. SUVRmax: SUV-ratio maximum (SUVmax genormaliseerd tot leveropname), SUVmean: gemiddelde gestandaardiseerde opnamewaarde, SUVR-gemiddelde: SUV-ratio gemiddelde, MV: metabolisch volume, TLG: totale laesieglycolyse. Deze figuur is met toestemming aangepast van Kim et al.(2025)24. Klik hier om een grotere versie van deze figuur te bekijken.

Gemiddelde verschil (95% BI)Ondergrens van overeenstemming (95% BI)Bovengrens van overeenstemming (95% BI)Relatieve Verschilstelling (95% BI)Relatieve limiet van overeenstemming (95% BI)Concordantiecorrelatiecoëfficiënt (95% BI)
Liver SUVmean0,105 (0,023 tot 0,187)−0,229 (−0,372 tot −0,086)0,439 (0,296 tot 0,581)0,045 (0,010 tot 0,081)−0,099 tot 0,190 (−0,161 tot 0,252)0.90 (0.75–0.96)
Liver SUVmean+ 3 SD0,049 (−0,090 tot 0,187)−0,515 (−0,756 tot −0,274)0,612 (0,371 tot 0,854)0,016 (−0,030 tot 0,062)−0,170 tot 0,202 (−0,249 tot 0,281)0.85 (0.64–0.94)
SUVmax0,616 (0,403 tot 0,828)−0,195 (−0,566 tot 0,176)1,426 (1,055 tot 1,797)0,053 (0,035 tot 0,071)−0,017 tot 0,123 (−0,049 tot 0,155)0.99 (0.98–1.00)
SUVmean−0,104 (−0,453 tot 0,245)−1,434 (−2,042 tot −0,825)1,226 (0,618 tot 1,835)−0,020 (−0,088 tot 0,047)−0,278 tot 0,238 (−0,396 tot 0,355)0.91 (0.77–0.96)
MV (logboek)0,061 (−0,021 tot 0,143)−0,252 (−0,394 tot −0,109)0,373 (0,230 tot 0,516)0,039 (−0,014 tot 0,093)−0,164 tot 0,242 (−0,257 tot 0,335)0.97 (0.93–0.99)
TLG (logboek)0,056 (−0,014 tot 0,125)−0,210 (−0,331 tot −0,088)0,321 (0,200 tot 0,443)0,018 (−0,004 tot 0,040)−0,067 tot 0,103 (−0,106 tot 0,142)0.99 (0.98–1.00)

Tabel 1: Overeenkomst tussen klinische en onderzoeksplatforms (3D Slicer). Bland-Altman en concordantiecorrelatieanalyses werden uitgevoerd om overeenstemming tussen klinische en onderzoeksplatforms over PET-parameters te beoordelen. Gemiddelde verschil, limieten van overeenstemming (LoA) en overeenkomstige 95% betrouwbaarheidsintervallen (BI), relatieve verschillen en concordantiecorrelatiecoëfficiënten (CCC) worden getoond. Voor log-getransformeerde metrieken (metabolisch volume [MV] en totale laesieglycolyse [TLG]) werd overeenstemming geëvalueerd op de log-schaal om rekening te houden met proportionele bias. SUVmax: maximale gestandaardiseerde opnamewaarde, SUVmean: gemiddelde gestandaardiseerde opnamewaarde, SD: standaarddeviatie.

Gemiddelde verschil (95% BI)Ondergrens van overeenstemming (95% BI)Bovengrens van overeenstemming (95% BI)Relatieve Verschilstelling (95% BI)Relatieve limiet van overeenstemming (95% BI)Intraclass correlatiecoëfficiënt (95% BI)
Liver SUVmean0,027 (0,008 tot 0,045)−0,048 (−0,080 tot −0,016)0,102 (0,070 tot 0,134)0,012 (0,004 tot 0,020)−0,021 tot 0,045 (−0,035 tot 0,059)0.995 (0.986–0.998)
Liver SUVmean+3SD's−0,021 (−0,085 tot 0,042)−0,279 (−0,390 tot −0,169)0,237 (0,127 tot 0,348)−0,007 (−0,028 tot 0,014)−0,093 tot 0,079 (−0,130 tot 0,116)0.971 (0.929–0.989)
SUVmax0,071 (−0,071 tot 0,212)−0,470 (−0,717 tot −0,222)0,611 (0,364 tot 0,858)0,006 (−0,006 tot 0,019)−0,041 tot 0,054 (−0,063 tot 0,076)0.999 (0.997–1.000)
SUVmean−0,052 (−0,161 tot 0,057)−0,467 (−0,657 tot −0,277)0,364 (0,174 tot 0,554)−0,010 (−0,031 tot 0,011)−0,090 tot 0,070 (−0,127 tot 0,107)0.991 (0.977–0.997)
MV (logboek)0,023 (−0,023 tot 0,069)−0,153 (−0,234 tot −0,072)0,199 (0,119 tot 0,280)0,015 (−0,015 tot 0,046)−0,101 tot 0,131 (−0,154 tot 0,184)0.992 (0.979–0.997)
TLG (logboek)0,018 (−0,014 tot 0,049)−0,101 (−0,156 tot −0,047)0,137 (0,082 tot 0,191)0,006 (−0,004 tot 0,016)−0,033 tot 0,044 (−0,050 tot 0,062)0.998 (0.993–0.999)

Tabel 2: Overeenstemming tussen Lezer 1 en Lezer 2 over PET-CT-parameters met behulp van het onderzoeksplatform (3D Slicer). Bland-Altman en interklasse correlatieanalyses werden uitgevoerd om overeenstemming tussen lezers over PET-parameters te beoordelen. Gemiddelde verschil, limieten van overeenstemming (LoA) met overeenkomstige 95% betrouwbaarheidsintervallen (BI), relatieve verschillen en interklasse-correlatiecoëfficiënten (ICC) worden getoond. Voor log-getransformeerde metrieken (metabolisch volume [MV] en totale laesieglycolyse [TLG]) werd overeenstemming geëvalueerd op de log-schaal om rekening te houden met proportionele bias. SUVmax: maximale gestandaardiseerde opnamewaarde, SUVmean: gemiddelde gestandaardiseerde opnamewaarde, SD: standaarddeviatie.

Aanvullende Figuur 1: Bland-Altman-grafieken die geautomatiseerde en handmatige leverkwantificatie vergelijken in 3D Slicer. (A) Lever SUVmean. (B) Lever SUVgemiddelde + 3 standaardafwijkingen. De y-as toont het verschil tussen geautomatiseerde en handmatige metingen, en de x-as toont het gemiddelde van de twee methoden. De doorgetrokken rode lijn geeft het gemiddelde verschil aan, en de doorgetrokken blauwe lijnen geven de 95% limieten van overeenstemming (LoA) aan. Elk punt vertegenwoordigt een individueel onderwerp. Klik hier om dit figuur te downloaden.

Aanvullende Figuur 2: Bland-Altman-grafieken die metingen vergelijken die zijn verkregen met klinische (XD3) en onderzoeksplatforms (3D Slicer) over zes PET-CT-metrieken. (A) Lever SUVmean, (B) Liver SUVmean + 3 standaarddeviaties, (C) SUVmean, (D) SUVmax, (E) log-getransformeerd metabolisch volume (MV), en (F) log-getransformeerde totale laesieglycolyse (TLG). De doorgetrokken rode lijn geeft het gemiddelde verschil aan, en de doorgetrokken blauwe lijnen geven de 95% limieten van overeenstemming (LoA) aan. Elk punt vertegenwoordigt een individueel onderwerp. Klik hier om dit figuur te downloaden.

Aanvullende Figuur 3: Bland-Altman-grafieken die metingen vergelijken tussen Lezer 1 en Lezer 2. (A) Lever SUVmean, (B) Liver SUVmean + 3 standaarddeviamenten, (C) SUVmax, (D) SUVmean, (E) log-getransformeerd metabolisch volume (MV), en (F) log-getransformeerde totale laesieglycolyse (TLG). De doorgetrokken rode lijn geeft het gemiddelde verschil aan, en de doorgetrokken blauwe lijnen geven de 95% limieten van overeenstemming (LoA) aan. Elk punt vertegenwoordigt een individueel onderwerp. Klik hier om dit figuur te downloaden.

Aanvullende Figuur 4: CONSORT-diagram dat de stroom van deelnemers toont. Deelnemers ondergingen een klinische beoordeling, een interferon gamma release assay (IGRA) test en een röntgenfoto van de borst bij inschrijving om actieve tuberculose (TB) uit te sluiten. Deelnemers met een positieve PET-CT-scan kregen verder onderzoek aangeboden met bronchoscopie met bronchoalveolaire lavage (BAL) en/of endobronchiale echografiegeleide transbronchiale naaldaspiratie (EBUS-TBNA). Onbehandelde deelnemers werden om de 3 maanden gevolgd met een symptoomvragenlijst en een röntgenfoto van de borst gedurende 12 maanden, gevolgd door een passieve follow-up van 12 maanden. ATT: antituberculosetherapie, Mtb: mycobacterium tuberculosis, PET-CT: positronemissietomografie-computertomografie. Klik hier om dit figuur te downloaden.

Aanvullende Tabel 1: Overeenstemming tussen geautomatiseerde en handmatige leverkwantificatiemethoden in een 3D-slicer. Bland-Altman en interklasse correlatieanalyses die geautomatiseerde en handmatige leverkwantificatie vergelijken voor SUVgemiddelde en SUVgemiddelde + 3 standaarddeviaties (SD). Waarden worden gepresenteerd als gemiddelde verschil, limieten van overeenstemming en interklasse-correlatiecoëfficiënt (ICC), elk met 95% betrouwbaarheidsintervallen (BI). Relatieve verschillen en relatieve grenzen van overeenstemming werden berekend om de evenredige bias tussen methoden te beoordelen. Klik hier om deze tabel te downloaden.

Aanvullende tabel 2: Kwantitatieve PET-CT-metingen bij elf deelnemers, waaronder acht met seriële PET-CT-scans. Alle scans werden uitgevoerd vóór de start van de anti-tuberculosetherapie (ATT). PET 1 werd bij de basislijn uitgevoerd, en PET 2 na 3 maanden. Klik hier om deze tabel te downloaden.

Aanvullend dossier 1: Statistische methoden. Klik hier om dit bestand te downloaden.

Discussie

We evalueerden semi-geautomatiseerde PET-kwantificatie in pulmonale TB-contacten met behulp van een onderzoeksbeeldvormingsplatform en observeerden aanzienlijke overeenstemming met klinische software over PET-parameters (SUVmax, SUVmean, MV en TLG), en matige overeenstemming in de Liver SUVmean + 3 SD-drempel. We toonden uitstekende interoperator-overeenstemming in alle PET-parameters tussen twee onafhankelijke en geblindeerde lezers met een semi-geautomatiseerde aanpak. Belangrijk is dat dit werd bereikt met één lezer die geen radioloog was, wat aangeeft dat automatisering met 3D Slicer betrouwbare PET-CT-analyse kan faciliteren bij lezers met uiteenlopende klinische en onderzoekservaring.

Het normaliseren van PET-parameters tot een leverdrempel leek de gevoeligheid van de analyse te verhogen en toonde een toename van metabole activiteit tussen de basislijn en 3 maanden, die anders werd belemmerd door lagere fysiologische opnameniveaus tijdens de tweede scan. FDG-opname kan worden beïnvloed door verschillende biologische en technische factoren, waaronder patiëntstress, lichamelijke activiteit, bloedsuikerspiegel, en het interval tussen FDG-injectie en scanning25. Longitudinale veranderingen op PET-CT in TB-contacten zijn waarschijnlijk minder uitgesproken dan die waargenomen tijdens de behandeling van actieve TB. Daarom zijn standaardisatie met referentieweefsel en strikte naleving van het beeldvormingsprotocol essentieel om de herhaalbaarheid en betrouwbaarheid van beeldvormingsanalyses in TB-infectiestudieste verbeteren 26. In deze context bieden semi-geautomatiseerde methoden en normalisatie naar een referentieorgaan extra waarde door de operator-afhankelijke variabiliteit te verminderen en de consistentie van kwantitatieve beoordelingen over tijdspunten te verbeteren. Consistentie in de meting van fysiologische referentie is bijzonder belangrijk, omdat onnauwkeurige meting van referentieactiviteit leidt tot onbetrouwbare kwantificering. We hebben de lever als referentieorgaan gebruikt omdat deze stabiele, reproduceerbare en gemakkelijk meetbare opname27 biedt. Lever SUVgemiddelde plus drie standaarddeviaties werd gebruikt om biologische referentie in balans te brengen met operationele haalbaarheid, omdat zeer lage referentiewaarden de kwantificatie door niet-specialistische lezers beperken door onbedoelde opname van aangrenzende weefsels. Deze aanpak is bedoeld om een praktische, reproduceerbare en toegankelijke methodologie te bevorderen voor het kwantificeren van diffuse intrathoracale veranderingen bij tuberculose-infectie voor onderzoeksdoeleinden, en is niet gevalideerd voor klinisch gebruik.

Wij bevelen geautomatiseerde leverkwantificatie aan als de voorkeursmethode voor het analyseren van onderzoeksscans, omdat dit een hoge herhaalbaarheid vertoont en minimale gebruikersinteractie vereist. In een klein aantal gevallen kan het geautomatiseerde algoritme echter ofwel niet in slagen de lever te detecteren of per ongeluk aangrenzende structuren opnemen. Het is belangrijk om visueel te bevestigen dat de geautomatiseerde ROI niet verder reikt dan de lever, om een nauwkeurige kwantificering te garanderen. In zulke gevallen wordt een handmatige meting aanbevolen.

Er werd een kleine maar consistente SUVmax-bias waargenomen tussen de klinische en onderzoeksplatforms. Kleine verschillen in SUV-metingen tussen softwareplatforms zijn goed erkend en ontstaan doorgaans uit softwarespecifieke verschillen in hoe DICOM-informatie wordt geïnterpreteerd en hoe voxeldata intern worden weergegeven28. Deze verschillen kunnen subtiel invloed hebben op de voxel-niveauwaarden, vooral voor SUVmax. Dit onderstreept het belang van het handhaven van platformconsistentie in kwantitatief PET-CT-onderzoek om de variabiliteit van de metingen te minimaliseren. Binnen deze context kunnen open-source platforms methodologische standaardisatie ondersteunen en variabiliteit tussen studies verminderen.

Een belangrijk onbekend in de interpretatie van PET-CT-scans bij TB-infectie is het definiëren van klinisch betekenisvolle metabole activiteit en drempels voor betekenisvolle verandering in de tijd. In onze studie daalden alle PET-parameters na drie maanden bij personen die gezond bleven. Echter, de kwantitatieve waarden van de basis overlappen tussen degenen die gezond bleven en degenen die behandeling kregen. Dit suggereert dat de trend in de tijd belangrijker kan zijn dan meten op één bepaald tijdstip. Toekomstige studies moeten meerdere kwantitatieve metingen van PET-CT-metabole activiteit in de loop van de tijd evalueren en deze correleren met vooraf gedefinieerde klinische metingen om de optimale parameters te bepalen en referentiedrempels vast te stellen die gestandaardiseerde interpretatie vergemakkelijken.

We richtten ons op de kwantificering van intrathoracale lymfeklieren vanwege een beperkt aantal longparenchymale afwijkingen. De bevindingen van deze studie toonden aan dat vroege TBC-infectie voornamelijk beperkt is tot intrathoracale lymfeklieren, wat overeenkomt met een studie uitgevoerd in de VS. In onze cohort toonden slechts vier deelnemers bij de beginfase een longparenchymale FDG-opname aan, met lage metabole activiteit (gemiddelde SUVmax = 2,7), en de laesies waren te klein voor betrouwbare volumetrische analyse en karakterisering. Daarnaast vertoonde slechts één op de acht IGRA-positieve deelnemers die seriële scans ondergingen een longparenchymale FDG-opname bij de startlijn. Ter vergelijking: een studie uitgevoerd in een omgeving met hoge TB-last (Zuid-Afrika) rapporteerde longparenchymale afwijkingen bij ongeveer de helft van de huishoudelijke TBC-contacten, terwijl FDG-avid intrathoracale lymfeklieren werden waargenomen bij 21,2% en 9,3% van degenen met normalelongen. De reden voor het verschil dat in PET-CT-kenmerken is waargenomen tussen onze cohort (lage TB-last) en de cohort uit het gebied met hoge TB-last is onduidelijk. Een mogelijkheid is de hoge prevalentie van vroegere TBC-infectie in de Zuid-Afrikaanse cohort, wat blijkt uit een hoog percentage IGRA-positiviteit (82%). Een niet-menselijke primaatstudie (NHP) die Mtb-herinfectie en infectie bij Mtb-naïeve NHP's vergeleek, toonde aan dat primaire infectie bescherming biedt tegen herinfectie, inclusief het voorkomen van verspreiding naar intrathoracale lymfeklieren29. Andere mogelijke bijdragende factoren zijn verschillen in Mtb-stammen, genetische factoren van de gastheer, de prevalentie van roken in studiecohorten en omgevingsfactoren. Toekomstige TBC-infectiestudies met gebruik van PET-CT moeten rekening houden met de kenmerken van Mtb en cohorten en benaderingen ontwikkelen om veranderingen in longparenchym en intrathoracale lymfeklieren te integreren.

Samenvattend kan semi-geautomatiseerde PET-kwantificatie een waardevolle benadering bieden om metabole veranderingen bij tuberculose-infectie met hoge interoperatorbetrouwbaarheid te beoordelen. Normalisatie naar referentieweefsels verhoogt de analytische gevoeligheid bij het detecteren van vroege metabole progressie. Het verhogen van de metabole activiteit bij vroege infectie, wanneer gecorrigeerd naar een referentieorgaan, is een veelbelovende indicator van progressieve TBC-infectie.

Openbaarmakingen

Alle auteurs melden geen mogelijke conflicten om te verklaren.

Dankbetuigingen

Dit is een samenvatting van onafhankelijk onderzoek, gefinancierd door de University of Leicester MRC Confidence in Concept-toekenning aan P.H. en uitgevoerd bij het National Institute for Health and Care Research (NIHR) Leicester Biomedical Research Centre (BRC). De geuite meningen zijn die van de auteur(s) en niet noodzakelijkerwijs die van de financiers, NHS, de NIHR of het Department of Health and Social Care. Deze studie werd gefinancierd door een MRC Confidence in Concept-beurs. JWK werd gefinancierd door een Wellcome Investigator Award aan Anne O'Garra (WT 215628/Z/19/Z).

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Q.ClearGE HealthcareN/AReconstructie-algoritme voor PET
https://www.gehealthcare.com/en-sg/products/molecular-imaging/qclear?srsltid=AfmBOooqtkcQJronALLan2Q
rxYYpTTq5qw9PRf0pDJS
HpTUHQk4bUarl
XD3Mirada MedicalN/AMedische beeldvormingssoftware
https://www.mirada-medical.com/diagnostic-imaging
3D SlicerN/AN/AOpen-source niet-commercieel beeldvormingssoftwareplatform
https://www.slicer.org/

Referenties

  1. Global tuberculosis report 2025. , World Health Organization. Geneva, Switzerland. (2025).
  2. Jasmer, R. M., Nahid, P., Hopewell, P. C. Latent tuberculosis infection. N Engl J Med. 347 (23), 1860-1866 (2002).
  3. Houben, R. M. G. J., Dodd, P. J. The global burden of latent tuberculosis infection: a re-estimation using mathematical modelling. PLoS Med. 13 (10), e1002152(2016).
  4. Dye, C., Glaziou, P., Floyd, K., Raviglione, M. Prospects for tuberculosis elimination. Annu Rev Public Health. 34, 271-286 (2013).
  5. Esmail, H., et al. High resolution imaging and five-year tuberculosis contact outcomes. medRxiv. , (2023).
  6. Ghesani, N., Patrawalla, A., Lardizabal, A., Salgame, P., Fennelly, K. P. Increased cellular activity in thoracic lymph nodes in early human latent tuberculosis infection. Am J Respir Crit Care Med. 189 (6), 748-750 (2014).
  7. White, A. G., et al. Analysis of 18FDG PET/CT imaging as a tool for studying Mycobacterium tuberculosis infection and treatment in non-human primates. J Vis Exp. (127), e56375(2017).
  8. Cross, G. B., Doherty, J. O., Chang, C. C., Kelleher, A. D., Paton, N. I. Does PET-CT have a role in the evaluation of tuberculosis treatment in phase 2 clinical trials. J Infect Dis. 229 (4), 1229-1238 (2024).
  9. Kim, J. W., et al. A structural and metabolic framework for classifying pre-clinical tuberculosis infection phenotypes using 18F-FDG PET-CT: a prospective cohort analysis following M. tuberculosis exposure. Thorax. 79 (12), 1156(2024).
  10. Kim, J. W., Munavvar, R., Kamil, A., Haldar, P. PET-CT for characterising TB infection (TBI) in immunocompetent subjects: a systematic review. J Med Microbiol. 72 (9), (2023).
  11. Wahl, R. L., Jacene, H., Kasamon, Y., Lodge, M. A. From RECIST to PERCIST:evolving considerations for PET response criteria in solid tumors. J Nucl Med. 50 Suppl 1 (Suppl 1), 122s-150s (2009).
  12. Fencl, P., Belohlavek, O., Harustiak, T., Zemanova, M. The analysis of factors affecting the threshold on repeated 18F-FDG-PET/CT investigations measured by the PERCIST protocol in patients with esophageal carcinoma. Nucl Med Commun. 33 (11), 1188-1194 (2012).
  13. Hirata, K., et al. A semi-automated technique determining the liver standardized uptake value reference for tumor delineation in FDG PET-CT. PLoS One. 9 (8), e105682(2014).
  14. Hatt, M., et al. Reproducibility of 18F-FDG and 3'-deoxy-3'-18F-fluorothymidine PET tumor volume measurements. J Nucl Med. 51 (9), 1368-1376 (2010).
  15. Keijzer, K., et al. Semi-automated (18)F-FDG PET segmentation methods for tumor volume determination in non-Hodgkin lymphoma patients: a literature review, implementation and multi-threshold evaluation. Comput Struct Biotechnol J. 21, 1102-1114 (2023).
  16. Boellaard, R., Krak, N. C., Hoekstra, O. S., Lammertsma, A. A. Effects of noise, image resolution, and ROI definition on the accuracy of standard uptake values: a simulation study. J Nucl Med. 45 (9), 1519(2004).
  17. Ziai, P., et al. Role of optimal quantification of FDG PET imaging in the clinical practice of radiology. RadioGraphics. 36 (2), 481-496 (2016).
  18. Malherbe, S. T., et al. Quantitative 18F-FDG PET-CT scan characteristics correlate with tuberculosis treatment response. EJNMMI Res. 10 (1), 8(2020).
  19. Cross, G. B., et al. PET-CT outcomes from a randomised controlled trial of rosuvastatin as an adjunct to standard tuberculosis treatment. Nat Commun. 15 (1), 10475(2024).
  20. 3D Slicer. Pieper, S., Halle, M., Slicer Kikinis, R. 3D. 2004 2nd IEEE International Symposium on Biomedical Imaging: Nano to Macro (IEEE Cat No. 04EX821), Arlington, VA, USA, 1, 632-635 (2004).
  21. Kim, J. W., et al. PET-CT-guided characterisation of progressive, preclinical tuberculosis infection and its association with low-level circulating Mycobacterium tuberculosis DNA in household contacts in Leicester, UK: a prospective cohort study. Lancet Microbe. 5 (2), e119-e130 (2024).
  22. The Ionising Radiations Regulations 2017. , Great Britain. https://www.legislation.gov.uk/uksi/2017/1075/contents (2017).
  23. ARSAC Notes for Guidance: Good Clinical Practice in Nuclear Medicine. , Administration of Radioactive Substances Advisory Committee. https://www.gov.uk/government/publications/arsac-notes-for-guidance (2014).
  24. Kim, J., Kamil, A., Lee, J., Novsarka, I., Haldar, P. M34 Semi-automated quantification of PET-CT in TB contacts and its association with prospective outcomes. Thorax. 80 (Suppl 2), A358-A359 (2025).
  25. Paquet, N., Albert, A., Foidart, J., Hustinx, R. Within-patient variability of 18F-FDG: standardized uptake values in normal tissues. J Nucl Med. 45 (5), 784-788 (2004).
  26. Lodge, M. A. Repeatability of SUV in oncologic (18)F-FDG PET. J Nucl Med. 58 (4), 523-532 (2017).
  27. Zwezerijnen, G. J. C., et al. Reproducibility of [18F]FDG PET/CT liver SUV as reference or normalisation factor. Eur J Nucl Med Mol Imaging. 50 (2), 486-493 (2023).
  28. Wilson, C. M., Selwyn, R. G., Elojeimy, S. Comparison of PET/CT SUV metrics across different clinical software platforms. Clin Imaging. 89, 104-108 (2022).
  29. Cadena, A. M., et al. Concurrent infection with Mycobacterium tuberculosis confers robust protection against secondary infection in macaques. PLoS Pathog. 14 (10), e1007305(2018).

Herprints en machtigingen

Trefwoorden

Immunologie en InfectieEditie 233Editie 233Deze maand in JoVEEditie
Video binnenkort beschikbaar
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.