The positron emission tomography (PET) imaging technique enables the measurement of receptor distribution or neurotransmitter release in the living brain and the changes of the distribution with time and thus allows quantification of binding sites as well as the affinity of a radioligand. However, quantification of receptor binding studies obtained with PET is complicated by tissue heterogeneity in the sampling image elements (i.e., voxels, pixels). This effect is caused by a limited spatial resolution of the PET scanner. Spatial heterogeneity is often essential in understanding the underlying receptor binding process. Tracer kinetic modeling also often requires an intrusive collection of arterial blood samples. In this paper, we propose a likelihood-based framework in the voxel domain for quantitative imaging with or without the blood sampling of the input function. Radioligand kinetic parameters are estimated together with the input function. The parameters are initialized by a subspace-based algorithm and further refined by an iterative likelihood-based estimation procedure. The performance of the proposed scheme is examined by simulations. The results show that the proposed scheme provides reliable estimation of factor time-activity curves (TACs) and the underlying parametric images. A good match is noted between the result of the proposed approach and that of the Logan plot. Real brain PET data are also examined, and good performance is observed in determining the TACs and the underlying factor images.

中文翻译：

---

量化脑受体动态 PET 研究的因子图像框架

正电子发射断层扫描 (PET) 成像技术能够测量活体大脑中的受体分布或神经递质释放以及分布随时间的变化，从而可以量化结合位点以及放射性配体的亲和力。然而，用 PET 获得的受体结合研究的量化由于采样图像元素（即体素、像素）中的组织异质性而变得复杂。这种效应是由 PET 扫描仪的有限空间分辨率引起的。空间异质性对于理解潜在的受体结合过程通常是必不可少的。示踪剂动力学建模通常还需要侵入性收集动脉血样。在本文中，我们在体素域中提出了一个基于似然的框架，用于在有或没有输入函数的血液采样的情况下进行定量成像。放射性配体动力学参数与输入函数一起估计。参数由基于子空间的算法初始化，并通过基于迭代似然的估计程序进一步细化。所提出的方案的性能通过模拟来检验。结果表明，所提出的方案提供了对因子时间-活动曲线 (TAC) 和底层参数图像的可靠估计。建议方法的结果与 Logan 图的结果之间存在良好的匹配。还检查了真实的大脑 PET 数据，并在确定 TAC 和潜在因素图像方面观察到了良好的性能。放射性配体动力学参数与输入函数一起估计。参数由基于子空间的算法初始化，并通过基于迭代似然的估计程序进一步细化。所提出的方案的性能通过模拟来检验。结果表明，所提出的方案提供了对因子时间-活动曲线 (TAC) 和底层参数图像的可靠估计。建议方法的结果与 Logan 图的结果之间存在良好的匹配。还检查了真实的大脑 PET 数据，并在确定 TAC 和潜在因素图像方面观察到了良好的性能。放射性配体动力学参数与输入函数一起估计。参数由基于子空间的算法初始化，并通过基于迭代似然的估计程序进一步细化。所提出的方案的性能通过模拟来检验。结果表明，所提出的方案提供了对因子时间-活动曲线 (TAC) 和底层参数图像的可靠估计。建议方法的结果与 Logan 图的结果之间存在良好的匹配。还检查了真实的大脑 PET 数据，并在确定 TAC 和潜在因素图像方面观察到了良好的性能。所提出的方案的性能通过模拟来检验。结果表明，所提出的方案提供了对因子时间-活动曲线 (TAC) 和底层参数图像的可靠估计。建议方法的结果与 Logan 图的结果之间存在良好的匹配。还检查了真实的大脑 PET 数据，并在确定 TAC 和潜在因素图像方面观察到了良好的性能。所提出的方案的性能通过模拟来检验。结果表明，所提出的方案提供了对因子时间-活动曲线 (TAC) 和底层参数图像的可靠估计。建议方法的结果与 Logan 图的结果之间存在良好的匹配。还检查了真实的大脑 PET 数据，并在确定 TAC 和潜在因素图像方面观察到了良好的性能。