Development of novel computational algorithms for quantitative voxel-wise functional brain imaging with positron emission tomography

Positron Emission Tomography (PET) allows to study, in vivo, important biological processes in both animals and humans. In particular, it is widely used for receptor studies, where it allows quantitative functional imaging of physiological parameters in terms of receptor binding, volume of distribution, and/or receptor occupancy. In this thesis an overview on kinetic modeling in PET is presented, as well as some novel methodologies for voxel wise quantification of PET data, applied on various datasets. The proposed methods are a good alternative for the generation of reliable parametric maps, and applied to clinical data are expected to simplify the detection also of small/specific pathological areas. Moreover, as additional results, new compartmental models were developed for [11C]SCH442416 and [11C]MDL100907 data and a new clustering approach which allow segmenting the brain volume even for PET data with high level of noise was implemented. This new method was also applied for the selection of the optimal reference region for [11C]MDL100907 data.

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.