본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

Title Page

Contents

Abstract 12

General Introduction 14

Chapter 1. Development and clinical validation of CT-based regional modified Centiloid method for amyloid PET 17

1.1. Introduction 17

1.2. Materials and methods 20

1.2.1. Participants 20

1.2.2. MRI data acquisition 21

1.2.3. Aβ PET-CT data acquisition 21

1.2.4. Regional visual assessment and rdcCL scales 23

1.2.5. Development of MRI-based global and regional CTX VOIs 23

1.2.6. Development of CT-based global and regional CTX VOIs 25

1.2.7. Development of MRI and CT-based rdcCL 26

1.2.8. Validation of the clinical efficacy of CT-based rdcCLs in the independent cohort 30

1.2.9. Statistical analysis 31

1.3. Results 33

1.3.1. Demographics of the participants 33

1.3.2. Visual assessment and rdcCL scales 36

1.3.3. CT-based rdcCLs 38

1.3.4. Reliability and precision in the MRI-based and CT-based rdcCLs 39

1.3.5. Validation of CT-based rdcCLs in independent participants 43

1.4. Discussion 46

1.5. Conclusions 50

1.6. Supplementary information 51

Chapter 2. Clinical and pathological validation of CT-based regional harmonization methods of amyloid PET 73

2.1. Introduction 73

2.2. Materials and methods 75

2.2.1. Participants 75

2.2.2. Aβ PET-CT imaging 78

2.2.3. Regional CT-based dcCL scales 78

2.2.4. Neuropathological assessment measurements 79

2.2.5. Validation of the clinical utility of CT-based dcCLs in an independent cohort 81

2.2.6. Statistical analysis 82

2.3. Results 84

2.3.1. Demographics of the participants 84

2.3.2. Relationships between regional dcCLs and Aβ plaques in each region 87

2.3.3. Optimal threshold values of regional dcCLs through Aβ pathological scores 90

2.3.4. Clinical utility of CT-based regional dcCLs in the independent cohort 92

2.4. Discussion 98

2.5. Conclusions 103

2.6. Supplementary information 104

Chapter 3. Deep learning-based quantitative analysis of Tau PET-CT imaging for Alzheimer's disease 106

3.1. Introduction 106

3.2. Materials and methods 109

3.2.1. Participants 109

3.2.2. MRI data acquisition 111

3.2.3. PET-CT data acquisition 111

3.2.4. Data preparation and image processing 112

3.2.5. Model architectures 113

3.2.6. Cascaded networks for Tau PET quantification using deep learning predictive models 116

3.2.7. Deep learning model evaluation for performance 120

3.2.8. Statistical analysis 120

3.3. Results 121

3.3.1. Demographics of the participants 121

3.3.2. Evaluation of segmentation performance 122

3.3.3. Evaluation of Tau PET quantification 126

3.4. Discussion 131

3.5. Conclusions 135

References 137

논문요약 152

List of Tables

Chapter 1 9

Table 1. Participant demographics and clinical findings in head-to-head and clinical validation cohorts 34

Table 2. Participant demographics and clinical findings of the subgroups 35

Table 3. Visual assessment and rdcCL scales 37

Chapter 2 9

Table 1. Clinical and pathological characteristics of participants 86

Table 2. Demographics and clinical features of subgroups in the clinical cohort 93

Chapter 3 9

Table 1. Performance measurements of brain mask segmentation 123

Table 2. Performance measurements of related Braak staging regions segmentation 125

List of Figures

Chapter 1 10

Fig. 1. Overview of the processing pipeline for regional Centiloid in CT-based and MRI-based methods 28

Fig. 2. Plots of correlation of global and regional rdcSUVR between MRI-based and CT-based methods for FMM 40

Fig. 3. Plots of correlation of FMM rdcCL between MRI-based and CT-based methods 41

Fig. 4. Bland-Altman plots of rdcCLs between MRI-based and CT-based Centiloid methods for FMM 42

Fig. 5. Comparison of the neuropsychological performance classified into four groups based on regional, global, and striatal cutoffs 44

Chapter 2 10

Fig. 1. Flow charts of clinical and pathological cohorts 77

Fig. 2. Plots of correlation between CT-based dcCL and regional CERAD scores (A-F) and relationships between striatum dcCL and striatal involvements of... 88

Fig. 3. ROC curves of regional dcCL scales and regional positivity classified by cutoff 91

Fig. 4. Comparison of the neuropsychological performances and hippocampal volume classified into four groups based on global and regional thresholds 95

Chapter 3 11

Fig. 1. Overview of the segmentation and quantification pipeline for the proposed deep cascaded networks 119

Fig. 2. Plots of correlation of SUVRs between SoT and three networks 128

Fig. 3. Bland-Altman plots of SUVRs between SoT and three networks 129

초록보기

 아밀로이드와 타우 양전자 방출 단층촬영 (PET) 이미지는 알츠하이머병 진단에 필수적인 분자 진단 도구입니다. CT 는 해부학 정보를 제공하지만 MRI 에 비해 공간 해상도가 낮습니다. 전통적인 정량분석에는 PET 및 MRI 이미지 모두 필요하지만, PET-CT 스캐너는 PET 및 CT 이미지를 단일 스캔으로 제공하는 장점이 있습니다. 이로써 나는 PET-CT 스캔을 활용하여 아밀로이드 PET 와 타우 PET 의 정량분석 방법을 개발하여 복수의 이미징 모달리티 필요성을 줄이고 프로세스를 간소화하였습니다.

제 1 장에서는 FBB 및 FMM PET 방사성의약품을 사용하여 아밀로이드-베타 (Aβ) 흡수를 정량화하는 CT 기반 영역별 정량 분석 방법을 개발하고 검증하는 것이 목표입니다. MRI 기반 및 CT 기반 정량 분석 방법은 FBB 및 FMM 흡수 사이에 전체적으로 및 영역별로 강한 상관 관계를 나타내어 MRI 스캔 없이 영역별 아밀로이드 PET 값을 공통 표준화 스케일로 변환 가능성을 시사합니다.

제 2 장에서는 CT 기반 영역별 dcCL 스케일과 Aβ 병리적 결과 간의 상관 관계를 평가하고 병리학적 결과 임계값을 활용하여 임상 유용성을 검증하였습니다. 결과는 전체적으로 및 영역별로 dcCL 스케일과 신경플라크 부하 간에 유의한 상관 관계가 있음을 보여주었습니다. 영역별 dcCL 임계치의 적용은 그룹 간의 기억 및 인지 기능 차이를 명확히 하며 바이오마커 기반 진단에 도움을 줍니다.

제 3 장에서는 딥러닝 기술을 활용하여 CT 이미지를 세분화하는 혁신적인 방법을 소개하고 타우 PET 영상을 Braak 단계로 정량화하였습니다. 딥러닝 기반의 정량분석은 높은 정확도를 달성하였으며, 다양한 영역별 섭취 패턴을 가진 타우 PET 을 평가하는 데 유용한 도구로 입증되었습니다.

마무리로, 나는 CT 를 기반으로 한 아밀로이드 및 타우 PET 정량분석 방법을 개발하고 검증했으며, 이러한 방법들은 임상적으로 실용적인 진단에 기여할 수 있을 것입니다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차