See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/233413373

Cuantificación en estudios PET: Métodos y aplicaciones

Article · January 2002

CITATIONS READS
2 1,097

6 authors, including:

Juan D Gispert Javier Pascau

Pasqual Maragall Foundation University Carlos III de Madrid
184 PUBLICATIONS   2,502 CITATIONS    139 PUBLICATIONS   1,888 CITATIONS   

SEE PROFILE SEE PROFILE

Manuel Desco
Hospital General Universitario Gregorio Marañón, University Carlos III de Madrid
590 PUBLICATIONS   5,721 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

ASPIDE: exAScale ProgramIng models for extreme Data procEssing View project

AETIONOMY View project

All content following this page was uploaded by Juan D Gispert on 04 March 2014.

The user has requested enhancement of the downloaded file.

Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp)
Vol. 96, N.os 1-2, pp 13-27, 2002
Monográfico: Tomografía por Emisión de Positrones (PET)
CUANTIFICACIÓN EN ESTUDIOS PET:
MÉTODOS Y APLICACIONES
(PET, cuantificación, SUV, SPM, Talairach)
J. D. Gispert, S. Reig, R. Martínez-Lázaro, J. Pascau, M. Penedo, M. Desco
Laboratorio de Imagen Médica. Unidad de Medicina y Cirugía Experimental. Hospital General Universitario Gregorio Marañón.
Dr. Esquerdo, 46. 28007 Madrid.
RESUMEN
Existe actualmente un debate acerca de la utilidad de
la cuantificación de estudios PET. Si bien su uso en car-
diología está bien establecido, sus aplicaciones potencia-
les en oncología o neurología siguen en discusión. En la
literatura se han propuesto diversos métodos de cuantifi-
cación para la determinación de malignidad de tumores,
para su estadiaje o para la evaluación de respuesta al tra-
tamiento. En neurología su utilización se centra en la
investigación de enfermedades como demencias o esqui-
zofrenia. Una de las posibles causas de que la cuantifica-
ción no tenga un uso más habitual puede radicar en la
gran cantidad de métodos disponibles para el clínico o
el investigador. Los métodos más sencillos, como los di-
versos tipos de SUV (Standard Uptake Value o valores
de captación estándar), suponen una serie de requisitos
previos y, además, pueden resultar imprecisos para cier-
tas aplicaciones. En cambio, lo métodos más comple-
jos ofrecen una mayor precisión a cambio de compli-
car el diseño experimental, hasta el punto de llegar a
comprometer su utilización en la practica, sobre todo clí-
nica.
En este artículo se presentan los diversos métodos de
cuantificación de estudios PET en oncología y neurolo-
gía, se evalúan sus pros y sus contras, y se comenta su
aplicabilidad en los casos clínicos y de investigación más
frecuentes.
ABSTRACT
A debate exists nowadays about the usefulness of the
quantification of PET scans. Despite its use in cardiology
is well established, its potential applications in oncology
and neurology remain controversial. Several quantifica-
tion methods have been proposed in the literature for the
determination of tumour malignancy or staging, or for
the evaluation of response to treatment.
In neurology its use is focused on the research of brain
diseases such as dementias or schizophrenia. One of the
possible causes limiting the use of quantification in prac-
tice may be the wide range of methods available. The
simpler methods, for instance the several types of SUV
(Standard Uptake Value), require the accomplishment of
a certain number of previous requirements and, in addi-
tion, may result imprecise for certain applications. On
the contrary, more complex methods show a better accu-
racy, but may complicate the experimental setting even
to the point of challenging its practical use.
This article presents the different quantification met-
hods for PET scans in oncology and neurology, evaluates
their pros and cons, and comments their applicability in
the most frequent clinical and research cases.
1. INTRODUCCIÓN
Mediante la Tomografía por Emisión de Positrones
(PET) es posible cuantificar in vivo y con precisión, flujo
sanguíneo, metabolismo de glucosa, afinidad de recepto-
res y otros parámetros fisiológicos. Tanto en entornos
clínicos como de investigación, la información propor-
cionada por las imágenes PET puede ser analizada desde
dos puntos de vista: la mera inspección cualitativa o bien
el análisis cuantitativo, cuyo propósito es el de obtener
medidas numéricas fiables y reproducibles. Existen di-
versos métodos para el análisis cuantitativo de estudios
PET: desde los más sencillos que tan sólo efectúan la
adquisición de una única imagen, hasta los más comple-
jos en los que se toman varias muestras de la actividad en
el plasma sanguíneo y se adquieren varias imágenes. En
ocasiones, los métodos de cuantificación más sofistica-
dos pueden resultar excesivamente laboriosos desde un
punto de vista clínico, al ser posible obtener conclusiones
válidas mediante técnicas más sencillas. Por ello resulta
muy interesante conocer las características de las distin-
14 J. D. Gispert et al.
tas técnicas de cuantificación y su implementación prác-
tica.
El radiofármaco de uso clínico más extendido en estu-
dios PET es la [18F]-flúor-desoxiglucosa (FDG). Este ra-
diofármaco permite la determinación del metabolismo de
la glucosa a nivel celular, lo que resulta de gran interés
fundamentalmente en oncología, si bien también tiene
aplicaciones en cardiología y neurología. En oncología,
la cuantificación de estudios PET puede permitir la de-
tección precoz de tumores, su estadiaje con fines pronós-
ticos y para evaluar la respuesta al tratamiento. En neuro-
logía las principales aplicaciones clínicas de la PET son
el diagnóstico precoz de la enfermedad de Alzheimer y la
determinación del foco en epilepsias resistentes a trata-
miento, que no necesitan cuantificación, centrándose su
uso en la investigación de otras patologías cerebrales,
como la enfermedad de Parkinson o la esquizofrenia. La
metodología de cuantificación de la PET no está estanda-
rizada ni para oncología ni para neurología, existiendo
actualmente un debate científico acerca de la utilidad de
los diversos métodos de cuantificación para cada aplica-
ción particular.
En cambio, la situación de la cuantificación de estu-
dios PET en cardiología es totalmente distinta, ya que los
protocolos de cuantificación están muy bien estandariza-
dos y difieren poco de los métodos de cuantificación en
SPECT (Single Photon Emission Computerized Tomo-
graphy).
2. MÉTODOS DE ANÁLISIS CUANTITATIVO
2.1. Cuentas absolutas
Existe un amplio abanico de técnicas disponibles en la
literatura para el análisis de imágenes PET, que van des-
de la mera interpretación visual hasta el modelado de la
farmacocinética del trazador. El método más inmediato
de cuantificar un estudio PET consiste en obtener los va-
lores de las cuentas absolutas. Una vez están reconstrui-
das, las imágenes PET se expresan en unidades de cuen-
tas por minuto por vóxel, o bien, si la cámara PET está
calibrada, en unidades de cuentas por minuto por milili-
tro de tejido. Esta calibración se consigue mediante la
adquisición de una imagen PET de un cilindro lleno de
trazador con volumen y actividad conocidos.
La captación de FDG depende de diversos factores,
como el peso del sujeto bajo estudio, la dosis de radiotra-
zador inyectada, la fracción de esta dosis que se acumula
en el órgano de interés, o el nivel de glucemia en sangre
en el momento del estudio. Por ello, la cuantificación de
los valores absolutos de tasa de cuentas son muy poco
informativos, ya que varían entre réplicas del mismo es-
tudio en un mismo sujeto, permitiendo tan sólo una inter-
pretación visual de la distribución de la captación.
Una manera de corregir esta variabilidad consiste en
normalizar los valores de cuentas al valor medio del cere-
Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96
bro (captación global) o de una región de interés, por
ejemplo el cerebelo. En este caso, los valores resultantes
son siempre relativos a la región de referencia, lo que
proporciona valores comparables entre sujetos a cambio
de perder la información sobre el valor absoluto de capta-
ción de FDG, que puede resultar de interés en ciertas
aplicaciones en las que se esperan variaciones en el nivel
metabólico cerebral global.
2.2. SUV
Para intentar eliminar la influencia de estos factores y
obtener un valor absoluto se utilizan frecuentemente las
unidades SUV o Standard Uptake Value. Éste se define
como la actividad en un tejido (en kCi/mL) dividida por
la dosis inyectada al paciente, corregida por el decai-
miento de su actividad (en kCi/g), y dividido por el peso
del paciente (en Kg) (véase el Anexo matemático para
mayor detalle). El valor resultante es una medida estan-
darizada del grado de captación de FDG en el tejido. La
información que se precisa es el peso del sujeto, la dosis
administrada de FDG, el tiempo transcurrido desde la in-
yección al tiempo medio de adquisición y la actividad en
el tejido de interés. Aunque este parámetro consigue eli-
minar el efecto de la dosis inyectada y el peso del pacien-
te, presenta una serie de problemas (1, 2). Por ejemplo,
los valores de SUV muestran una correlación positiva
con el peso del paciente, lo que puede ser corregido susti-
tuyendo el peso del paciente en la fórmula por el valor de
superficie corporal o masa corporal magra. Otra fuente
de variabilidad indeseada en este tipo de medidas tiene su
origen en el nivel de glucemia del sujeto bajo estudio. En
este caso, el valor de SUV se correlaciona negativamen-
te, esto es, que a mayor nivel de glucosa no marcada, la
captación de 18F-FDG es lógicamente menor, y para co-
rregir este efecto es necesario medir el nivel de glucosa
en sangre (3). Las fórmulas para el cálculo de los diferen-
tes valores SUV están descritas en el anexo matemático
que acompaña a este trabajo.
2.3. Curvas de actividad temporal
Si se toman muestras de sangre, es posible obtener me-
didas más fiables que el SUV. Al ser la FDG un análogo
de la glucosa, la utilización de FDG por un tejido es pro-
porcional a su concentración en la sangre. La actividad
real en plasma se puede medir tomando muestras de san-
gre durante el periodo de captación, lo que se denomina
curva de actividad sanguínea temporal (Time Activity
Curve o TAC).
El más sencillo de entre los métodos que utilizan la
TAC tan sólo necesita una única muestra de sangre para
escalar una TAC «típica» con la que se estima la cantidad
de trazador disponible en la sangre durante todo el perio-
do de adquisición de la imagen (4). Este método mejora
las medidas mediante SUV, ya que relaciona la captación
de FDG por el tejido en función de su disponibilidad en
J. D. Gispert et al.
el torrente sanguíneo. El SUV asume implícitamente que
la actividad inyectada se diluye uniformemente en todos
los pacientes, lo que no es necesariamente cierto (3).
Los modelos matemáticos más complejos utilizan
imágenes y datos de actividad en sangre dinámicos. Para
ello se mide la actividad plasmática en pequeñas mues-
tras de sangre (V1 mL) durante todo el tiempo de capta-
ción (de 0 a 30-60 min). Las cuentas detectadas se corri-
gen por el tiempo de decaimiento con respecto al
momento de la inyección, del mismo modo que la ima-
gen PET. Finalmente, estas medidas se interpolan de
modo que es posible obtener la actividad en el plasma
sanguíneo en intervalos de aproximadamente 1 segundo.
El modelo gráfico de Patlak (5, 6) supone que la capta-
ción del trazador es unidireccional, esto es, que no vuelve
jamás al torrente sanguíneo, lo que no es válido en todos
los órganos, por ejemplo en el hígado normal.
El modelo más completo y que proporciona valores
más precisos de actividad es el de Sokoloff/Phelps (7, 8).
Este método modela la captación y fosforilización de la
FDG mediante ecuaciones diferenciales. A diferencia del
modelo de Patlak, el de Sokoloff/Phelps contempla la po-
sibilidad de que una fracción de FDG retorne al flujo san-
guíneo. Una vez la FDG se encuentra en el tejido se fos-
forila, al igual que la glucosa, y se convierte en FDG-6-P,
pero ésta no entra en el ciclo de glicólisis, como la gluco-
sa fosforilada normal. La FDG-6-P se acumula en el teji-
do, excepto una pequeña fracción que se convierte de
nuevo en FDG libre, mediante un proceso de hidrólisis.
El modelo completo contempla tres depósitos de FDG (la
FDG en sangre, la FDG libre en tejido y la FDG-6-P acu-
mulada en el tejido), y las tasas de intercambio de FDG
entre ellos, k1, k2, k3 y k4 (figura 1).
Las constantes k1 y k2 representan la tasa directa e in-
versa, respectivamente, de transporte capilar de FDG al
tejido, y las constantes k3 y k4 la tasa de fosforilación y
defosforilación de la FDG dentro del tejido. Según este
Figura 1. Esquema del modelo farmacocinético de Soko-
loff/Phelps para la FDG. Consta de tres compartimentos de ra-
diotrazador: FDG en sangre, FDG en tejido sin metabolizar y
FDG en tejido metabolizada (FDG-6-P). La tasa de intercambio
de FDG entre sangre y en tejido es k1, entre tejido y sangre k2,
entre FDG sin metabolizar y metabolizada k3 y entre metaboli-
zada y sin metabolizar k4.
Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96 15
modelo, la tasa de utilización de glucosa por parte del
tejido se calcula como:
Cp k1 · k3
MRGlc = ·
LC (k2 + k3)
donde Cp es la concentración de glucosa en el plasma
sanguíneo, y LC es una constante de corrección (denomi-
nada «Lumped Constant») que tiene en cuenta las dife-
rencias entre las tasas metabólicas de la FDG y la gluco-
sa, entre otros factores.
Mediante este modelo, y conociendo la curva de acti-
vidad temporal de la dosis inyectada, es posible estimar
matemáticamente las constantes k1, k2, k3 y k4, y, con
ellas, calcular la tasa de utilización de glucosa por parte
del tejido de interés, a lo largo del periodo de captación.
El modelo matemático de Sokoloff/Phelps está descrito
con mayor detalle matemático en el anexo. Un ejemplo
de curvas de utilización de glucosa en el cerebro puede
verse en la figura 2.
La constante k4, correspondiente a la tasa de defosfori-
lación es siempre muy baja (del orden de 100 veces me-
nor que k1 o k2 y 10 veces menor que k3), por lo que
apenas influye en el cálculo de la actividad del tejido.
Este tipo de métodos avanzados de cuantificación son
los que presentan una mejor precisión, entendida como
repetibilidad de los parámetros metabólicos obtenidos.
Al utilizar modelos específicos de la farmacocinética de
cada trazador, es posible comparar directamente los valo-
res de los parámetros entre diferentes estudios PET. Ade-
más, estos parámetros tienen una significación bioquími-
ca y están expresados en valor absoluto, por lo que
también es posible su comparación con los obtenidos me-
diante otras técnicas. Por ejemplo, una tasa de flujo san-
guíneo cerebral obtenida mediante PET, y utilizando este
Figura 2. Ejemplo de curvas de captación de FDG en cere-
bro. La curva 1 representa la concentración de actividad en san-
gre (TAC) durante el periodo de captación. Las curvas 2 y 3
muestran la concentración de FDG en el cerebro sin metabo-
lizar y metabolizada, respectivamente. La curva 4 muestra
la captación de FDG en el resto del cuerpo. Disponible en
http://tezpur.keck.waisman.wisc.edu/~oakes/teaching/fdg_pri-
mer.html.
16 J. D. Gispert et al.
tipo de métodos, es directamente comparable (y de ma-
yor exactitud) a la obtenida en un estudio SPECT. Sin
embargo, la obtención de la TAC, fundamental para este
tipo de modelos farmacocinéticos, no es sencilla y com-
plica el estudio PET. Por ello, es necesario conocer en
qué casos se obtiene un beneficio del uso de métodos
complejos y cuándo, en cambio, no tienen una aportación
que justifique su utilización.
3. ¿CUÁNDO ES ÚTIL LA CUANTIFICACIÓN?
Si bien es posible cuantificar de forma precisa la cap-
tación mediante la utilización de PET dinámico y mues-
treo sanguíneo, esta metodología no siempre resulta
práctica. Su principal limitación es el tiempo: para maxi-
mizar el número de exploraciones en un centro PET, es
necesario minimizar el tiempo de adquisición de éstas.
Además, el tiempo y el personal necesarios para efectuar
el tratamiento de datos e imágenes redunda en un aumen-
to del coste de cada estudio. Así pues, el objetivo de la
cuantificación de estudios PET en la práctica es la de
minimizar el tiempo de adquisición y procesado, mante-
niendo niveles de precisión suficientes para la aplicación
final del estudio.
En este contexto, es posible obtener medidas de SUV
con gran facilidad. De hecho, casi todos los tomógrafos
actuales incorporan herramientas informáticas para la
conversión de las imágenes de cuentas a SUV. Sin em-
bargo, como se ha comentado anteriormente, existen di-
versos problemas asociados a los valores SUV: cambian
con el tiempo, incluso en estudios de un mismo paciente,
no son lineales con el peso corporal, y están inversamen-
te correlacionados con la concentración de glucosa en
plasma. Además, las medidas en SUV asumen que la
captación depende únicamente del tamaño del paciente,
ignorando las potenciales diferencias en el metabolismo
global de cada sujeto. Una revisión de los diferentes mé-
todos de cuantificación, su precisión y utilidad práctica
puede encontrarse en (3). Las conclusiones generales de
este trabajo aconsejan que en caso de tomar una única
imagen PET, es preferible normalizar los valores de SUV
mediante la superficie corporal. En cambio, si es posible
la adquisición de una PET dinámica, el método de Patlak
ofrece buenos resultados y tan sólo requiere de la toma
de una única muestra de sangre. Por supuesto, estas con-
clusiones están condicionadas por cada una de las posi-
bles aplicaciones concretas de cada estudio PET.
4. CUANTIFICACIÓN DE PET EN ONCOLOGÍA
La utilidad de la cuantificación en estudios PET onco-
lógicos sigue discutida, si bien ha sido estudiada en pro-
fundidad, tanto en entornos clínicos como de investiga-
ción. En general, los métodos cuantitativos basados en el
cálculo de valores SUV han mostrado sensibilidades y
Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96
especificidades que no superan a las obtenidas por obser-
vadores (9). Ello puede ser debido a que un observador
experto puede utilizar información tanto anatómica como
basada en su experiencia acerca de la captación de FDG
en tejidos normales. El desarrollo de un clasificador
automático capaz de tener en cuenta este tipo de informa-
ción es muy complejo. Por ello, el uso de métodos cuan-
titativos en la identificación de lesiones parece no aportar
ningún beneficio con respecto a la inspección visual por
parte de un observador experto.
En cambio, la cuantificación de imágenes PET ha sido
utilizada como indicador pronóstico, independiente de
otras medidas de estadiaje tumoral (10), o para decidir la
benignidad o malignidad de una lesión (11, 12). Además,
diversos trabajos han empleado métodos cuantitativos
basados en SUV, o en la relación tumor/fondo para la
predicción de respuesta al tratamiento, mediante radiote-
rapia o quimioterapia, obteniendo sensibilidades y espe-
cificidades superiores a las obtenidas mediante Tomogra-
fía Computerizada (CT) (13-16). Esto es debido a que el
efecto metabólico de la mayoría de los tratamientos afec-
ta al ADN celular e interrumpe el metabolismo de la glu-
cosa hasta producir la muerte celular (17). En el futuro, es
probable que métodos cuantitativos mediante imágenes
PET de síntesis de proteínas o ADN se conviertan en un
procedimiento estándar para la evaluación de la respuesta
al tratamiento (18). Aunque diversos métodos cuantitati-
vos han mostrado buenas perspectivas en estos casos, su
principal problema reside en que aún no se ha definido un
método óptimo para cada aplicación de la PET. Actual-
mente, diferentes grupos de científicos hacen uso de dis-
tintos métodos cuantitativos, lo que complica la compa-
ración directa de la literatura y dificulta que un paciente
individual pueda beneficiarse de estos estudios en la
práctica. En este sentido, sería deseable un esfuerzo coor-
dinado para la determinación del método de cuantifica-
ción óptimo para cada tipo de tumor, lo que conllevaría el
estudio de una gran cantidad de casos clínicos y datos
adicionales (altura, peso, actividad sanguínea, diagnosis,
tiempo de supervivencia, tiempo de recurrencia, etc.).
5. CUANTIFICACIÓN DE PET EN NEUROLOGÍA
En lo que se refiere a aplicaciones clínicas en neurolo-
gía, las imágenes de FDG-PET resultan útiles para el
diagnóstico precoz de la enfermedad de Alzheimer (19,
20), y el diagnóstico diferencial entre las demencias que
suelen acompañar a la enfermedad de Parkinson de otros
trastornos del movimiento asociados a patologías en los
ganglios basales (20, 21). El estudio de otras patologías
cerebrales mediante la cuantificación de FDG-PET se
restringe al ámbito de la investigación. En este último
entorno, la utilización de métodos cuantitativos es muy
frecuente y, a diferencia de la situación en oncología, se
están efectuando grandes esfuerzos metodológicos por
estandarizar estos procedimientos, que van desde la defi-
J. D. Gispert et al. Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96 17

nición manual de regiones de interés (ROIs; Regions of

Interest) hasta el uso de complicados algoritmos automá-
ticos para la estandarización de la morfología cerebral
entre sujetos distintos. A continuación se comentan los
métodos más utilizados.

5.1. Cuantificación de ROIs

El método más inmediato para la cuantificación de

PET en aplicaciones de neurología consiste en delimitar
manualmente las estructuras de interés (ROIs) y obtener
posteriormente una medida cuantitativa. La aplicación
práctica más exacta de este método efectúa una segmen-
tación de la ROI sobre una imagen anatómica de RM,
trasladando posteriormente este volumen a una imagen
de PET co-registrada con la RM. Esta aproximación pre-
senta dos problemas: el posible error de medida debido a
la variabilidad entre operadores y el elevado tiempo que
requieren los procedimientos manuales. La variabilidad
introducida por el procedimiento manual se denomina in- (a)
tra- o inter-operador en función de si las ROIs han sido
definidas (segmentadas) por la misma o distintas perso-
nas. Por ejemplo, en el caso de segmentación de imáge-
nes de resonancia magnética, la variabilidad inter-opera-
dor puede variar de un 7% a un 21%, mientras que en el
caso de la intra-observador se dan cifras entre un 4% a un
11% (22, 23). Normalmente, estos porcentajes son mayo-
res que las diferencias esperadas en muchos estudios. Por
supuesto, estos valores son orientativos, ya que tanto el
entrenamiento de los operadores, como la calidad de la
imagen a segmentar tienen una influencia determinante
en la calidad del resultado. La Figura 3 muestra un ejem-
plo de delimitación manual de ROIs en una imagen de
resonancia magnética, previamente registrada con la
PET del mismo sujeto.
Para reducir la probabilidad de sesgo en las segmenta-
ciones, es aconsejable que la efectúen varios operadores,
unificando posteriormente los resultados de todos ellos.
De esta forma es posible obtener un resultado final más
fiable y repetible. Este procedimiento produce segmenta-
ciones de mayor calidad, a costa de invertir una gran can- (b)
tidad de tiempo, lo que dificulta notablemente su uso en Figura 3. Ejemplo de cuantificación manual de ROIs. La
la práctica. Para superar este compromiso entre la preci- imagen de resonancia magnética (a) proporciona una mayor re-
sión y el tiempo necesario para efectuar las segmentacio- solución e información anatómica que la imagen PET (b). Me-
nes, cada vez es más frecuente el uso de herramientas diante la técnica de registro, es posible delimitar las regiones de
informáticas que incorporan algoritmos que facilitan esta interés (por ejemplo, la cabeza del núcleo caudado) en la ima-
tarea, como por ejemplo el paquete informático comer- gen de resonancia magnética y traspasarla a la imagen PET
para su cuantificación.
cial ANALYZE (24), y otros desarrollados por diversos
investigadores para dar respuesta a sus propias necesida-
des (FAST (25), ANIMAL (26), BRAINS (27, 28) y
BRAINS2 (29), FreeSurfer (30), SPM (31, 32)).
cultad para disponer de una herramienta de segmentación
A pesar del gran número de algoritmos de segmenta- que se ajuste completamente a las necesidades del inves-
ción publicados en la literatura y de los diferentes paque- tigador, bien sea porque no se adapta al propósito especí-
tes de software disponibles, muchos grupos de investiga- fico que persigue, bien porque no está suficientemente
ción en neuroimagen emplean en la práctica métodos de validada en casos patológicos, o simplemente porque no
segmentación que requieren en mayor o menor medida está libremente disponible para su uso por la comunidad
un post-proceso de edición manual. Esto se debe a la difi- de investigadores.
18 J. D. Gispert et al. Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96

Sin embargo, existen algunas alternativas a la segmen-

tación, como la cartografía cerebral estadística (Statisti-
cal Brain Mapping), o la técnica de parcelación cerebral
de Talairach, que permite una segmentación cerebral de
forma semi-automática (33). Este tipo de métodos permi-
ten el estudio de imágenes PET sin necesidad de efectuar
una segmentación previa de ROIs, por lo que son espe-
cialmente útiles en aquellos casos en los que no existen
hipótesis acerca de dónde se van a manifestar los efectos
de interés. Una vez cuantificados los valores de cap-
tación de los estudios PET, normalmente de forma relati-
va al valor medio global, es posible efectuar cualquier
tipo de estudio estadístico con ellos mediante un mode-
lo lineal general (GLM; General Linear Model) (34),
siguiendo la metodología descrita en el Anexo matemá-
tico.

5.2. Atlas de Talairach

El atlas de Talairach (33) fue concebido originalmente
para proporcionar un sistema de coordenadas estandari-
zado para la localización de estructuras cerebrales en un
espacio estereotáctico, por lo que es ampliamente utiliza-
do en la práctica neuroclínica. Este atlas fue construido a
partir de la disección completa de un cerebro real que se
consideró como tipo, en el que se localizaron todas las
estructuras y regiones cerebrales. Sobre este cerebro tipo
de referencia se construyó una rejilla tridimensional que
permitía establecer con precisión la posición de cada es-
tructura cerebral, en función de la casilla o conjunto de
casillas ocupadas. La gran aportación del atlas de Talai-
rach consiste en proporcionar un sistema estandarizado
para la localización de cualquier estructura cerebral. La
aplicación del atlas como método de segmentación y
cuantificación consiste básicamente en ajustar la rejilla
de Talairach mediante una transformación lineal por tra-
mos, produciendo una teselación del cerebro en 1.056
celdas, que teóricamente representan regiones anatómi-
camente homólogas (Figura 4).
Los principios del método de Talairach para la cuanti-
ficación de PET, se basan en la división del cerebro en 6
porciones bilaterales homólogas, partiendo de la posición
de las comisuras cerebrales anterior y posterior (CA y
CP) y de los bordes externos del cerebro (superior, infe-
rior, anterior, posterior, derecho e izquierdo). Dada la
baja resolución espacial y detalle anatómico de las imá-
genes PET, la determinación de estos puntos de referen-
cia se efectúa sobre una resonancia magnética del mismo
paciente, previamente registrada a la imagen PET (ver el
artículo «Registro de imágenes en Medicina Nuclear» en
este mismo número). De este modo, mediante una trans-
formación lineal por tramos, el total del volumen cere-
bral se transforma en el conjunto de las 1.056 casillas de
Talairach, que representan regiones anatómicamente ho-
mólogas. La definición de ROI’s como grupos de casillas
se hace fácilmente a partir del propio atlas de Talairach.
La aplicación del método consiste en ajustar la rejilla de
Talairach a cada cerebro, posteriormente realizar una
Figura 4. La rejilla de Talairach se construye a partir de la
localización en una imagen de resonancia magnética de los lí-
mites del cerebro y las comisuras anterior (AC), posterior (PC)
y el plano interhemisférico. Cuando las imágenes de resonancia
magnética y PET están registradas, es posible aplicar la rejilla
calculada sobre la RM a la PET, y cuantificar la actividad defi-
niendo ROIs como conjuntos de casillas.
cuantificación casilla a casilla, y por último agrupar la
información de las casillas en ROIs (figuras 5 y 6). Al
final del proceso se obtienen datos específicos de activi-
dad para las regiones cerebrales más relevantes.
Entre las principales ventajas del método Talairach,
con relación a la delimitación manual de ROIs, cabe
mencionar su carácter de técnica semi-automática. Es de-
cir, tan sólo requiere una mínima intervención del opera-
dor, concretamente, la localización de las comisuras ce-
rebrales anterior y posterior, y la delimitación del plano
inter-hemisférico. A partir de esta acción por parte del
usuario, el sistema de parcelación de Talairach permite
una determinación automática de las principales regiones
cerebrales para cuantificación. Su carácter de método
semi-automático implica no sólo un mínimo gasto de es-
fuerzo manual, sino también una alta repetitividad. Por
otro lado, otro de los principales atractivos del método
consiste en que no precisa ninguna transformación de la
anatomía de los cerebros como paso previo a la cuantifi-
J. D. Gispert et al. Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96 19

Figura 5. La imagen de la izquierda muestra una imagen de resonancia magnética en la que se muestra en color la información de
actividad metabólica en la corteza cerebral. Las casillas de Talairach determinan regiones análogas entre cerebros de distintos sujetos.
Utilizando la descripción del Atlas de Talairach, se pueden identificar estructuras y definir ROIs.

Figura 6. Ejemplo de visualización avanzada de estructuras cerebrales tridimensionales sobre el Atlas de Talairach. Imagen corte-
sía de la Dra. Heather Drury de la Universidad de Washington (disponible en http://hendrix.imm.dtu.dk/image/imagehome.html).
20 J. D. Gispert et al. Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96

cación. Otros métodos para el análisis cuantitativo de
PET requieren un paso previo de normalización espacial,
que implica la transformación geométrica de todos los
cerebros para obtener una morfología común que permita
un análisis directo vóxel a vóxel. En enfermedades neu-
rodegenerativas como la esquizofrenia, la normalización
espacial puede sesgar los resultados al aplicar una trans-
formación diferente a los cerebros patológicos con res-
pecto a los normales (35).
5.3. Statistical Brain Mapping
Statistical Brain Mapping (SBM) es una metodología
de cuantificación de estudios de medicina nuclear que no
requiere de la segmentación previa de regiones de inte-
rés. Esto resulta posible gracias a una etapa de procesado
de las imágenes tomográficas, previa al análisis estadísti-
co, denominada normalización espacial, que consiste en
deformar elásticamente la anatomía cerebral propia de
cada sujeto hasta que concuerde con un PET promedio,
que se denomina patrón o template (Figura 7). En esta
etapa se modifica únicamente la anatomía subyacente en
las imágenes PET, al tiempo que se conservan las carac-
terísticas funcionales (actividad) de cada región cerebral.
Una vez que todos los cerebros concuerdan con el patrón
es posible compararlos vóxel a vóxel para efectuar todo
tipo de estudios estadísticos (Figuras 8 y 9).
Estas técnicas gozan de gran popularidad entre la co-
munidad de neuroinvestigadores, ya que permiten estan-
darizar en gran medida el análisis estadístico de las imá-

(a)

(b)
Figura 7. (a) Patrón estadístico de FDG-PET. (b) Las PET de cuatro sujetos distintos antes (arriba) y después (abajo) de la etapa de
normalización espacial. Puede observarse como las PET normalizadas se ajustan morfológicamente al patrón , al tiempo que mantie-
nen la información individual referente a la captación de FDG.
J. D. Gispert et al. Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96 21

(a)

(b)
Figura 8. (a) Ejemplo de proyección de intensidad máxima (Maximum Intensity Projection o MIP) de un mapa de estadísticos
paramétricos. En cada vista transversal, sagital y coronal aparecen las regiones que presentan un metabolismo significativamente
menor en pacientes que en controles. El software SPM presenta estos resultados superpuestos en una rejilla de Talairach, si bien las
coordenadas en milímetros no son equivalentes a las que aparecen en el Atlas. (b) El mismo mapa superpuesto en una imagen de
resonancia magnética para una mejor localización de las regiones cerebrales de interés.

los Drs. John Ashburner y Karl Friston del Wellcome De-

partment of Imaging Neuroscience en el University Co-
llege London (36); NEUROSTAT, desarrollado por el
Dr. Satoshi Minoshima del Departamento de Medicina
Nuclear de la Universidad de Michigan (37); y DOT, de-
sarrollado por el Dr. Peter Neelin del McConnell Brain
Imaging Centre en el Montréal Neurological Institute (26).
Mediante este tipo de herramientas informáticas es po-
sible efectuar casi cualquier tipo de estudio estadístico.
Sin embargo, es necesario conocer detalladamente su
metodología, ya que bajo una aparente facilidad de uso,
se utilizan algoritmos matemáticos complejos, cuyas
condiciones de aplicabilidad no resultan obvias y deben
ser conocidas. A continuación se comentan algunos de
los principales puntos clave de este tipo de estudios. Para
una revisión más a fondo de SPM, véase (38).

Figura 9. Ejemplo de visualización tridimensional de un

mapa de estadísticos paramétricos. Las regiones más amarillas 6. CONSIDERACIONES TÉCNICAS
indican un metabolismo significativamente menor debido al
efecto de un nuevo fármaco neuroléptico. 6.1. Normalización en intensidad

Este tipo de métodos de cuantificación suelen utilizar

genes PET, lo que redunda en una mayor comparabilidad
entre distintos estudios. Actualmente existen varias he-
rramientas informáticas que permiten realizar este tipo
de cuantificación estadística, los más utilizados son:
SPM (Statistical Parametric Mapping), desarrollado por
valores relativos de cuentas de las imágenes PET, dada la
poca repetibilidad de los valores absolutos de cuentas o
de SUVs. Esto es debido a que en la mayor parte de estu-
dios PET en neurología es posible la obtención de resul-
tados válidos sin una cuantificación absoluta de los valo-
22 J. D. Gispert et al.
res de captación. El valor de referencia más utilizado es
la actividad media de todo el cerebro, o valor global. Para
calcular los valores relativos a este valor global, una op-
ción consiste en multiplicar los valores de las imágenes
por un factor, de tal modo que el valor global (medio) de
todas ellas sea idéntico. Esta técnica de normalización en
intensidad recibe el nombre de escalado proporcional
(proportional scaling). Un método alternativo consiste
en incluir el valor medio de cada PET en un modelo esta-
dístico de análisis de covarianza (ANCOVA), en el que
el valor global de actividad se considera como covaria-
ble. En este último caso, se efectúa implícitamente un
escalado aditivo, a diferencia del escalado proporcional
que es multiplicativo. El uso del método ANCOVA es
preferible cuando la varianza entre adquisiciones es baja,
por ejemplo, en estudios con un único sujeto, mientras
que el escalado proporcional es más apropiado para estu-
dios PET con diversos sujetos con una mayor varianza
(39).
Ninguno de estos dos métodos contempla la posibili-
dad de que los efectos presentes en el cerebro bajo estu-
dio afecten a zonas suficientemente extensas como para
que el valor medio de las PET se vea modificado. En este
caso, al igualar los valores medios se enmascara el efecto
de las influencias del metabolismo de los sujetos con el
efecto debido a la patología bajo estudio (localizada en
zonas concretas y cuya determinación constituye la fina-
lidad última del estudio). Una forma de evitar esta confu-
sión consiste en utilizar una normalización por regiones,
delineando áreas de interés que comprendan solamente
estructuras cerebrales no afectadas por la patología. De
esta manera, se pueden escalar las imágenes de modo que
el valor medio de estas regiones de interés sea idéntico.
Esto implica una preconcepción de qué regiones no esta-
rán alteradas y bastante tiempo para delinearlas. Trabajar
con ROIs con una geometría fija, por ejemplo círculos,
introduce el error de que no se ajustan a la forma anató-
mica de las regiones cerebrales. Además, la corrección
puede resultar poco precisa si estas regiones no son lo
suficientemente grandes (39).
La normalización con respecto al máximo es otro mé-
todo utilizado en ocasiones en este tipo de casos. La hi-
pótesis de partida consiste en que las regiones con mayor
metabolismo no están afectadas por la patología. En es-
tos casos, es factible escalar las imágenes de modo que su
valor máximo sea el mismo, logrando así una mayor po-
tencia estadística en las zonas de menor metabolismo.
Esta aproximación no implica renunciar a encontrar zo-
nas en las que el metabolismo cerebral sea mayor en los
pacientes que en los controles.
6.2. Normalización espacial
Los algoritmos necesarios para deformar una imagen
PET de modo que concuerde con el patrón (Figura 7a)
son muy complejos, implican la estimación de gran nú-
mero de parámetros y, si bien están validados con cere-
Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96
bros y patrones construidos a partir de sujetos normales,
su uso con cerebros que puedan presentar alteraciones
anatómicas puede sesgar los resultados de un modo im-
predecible. El patrón de RM del Montréal Neurological
Institute (MNI) es uno de los más utilizados, y fue cons-
truido promediando 305 estudios de sujetos normales.
Para construir el patrón de PET se tomaron imágenes de
12 de esos sujetos con los ojos cerrados y en condición de
reposo, utilizando 15O-H2O como trazador. Este patrón es
el más utilizado, incluso en casos en los que se ha utiliza-
do otro trazador, como por ejemplo FDG, o en los que las
condiciones cerebrales de los sujetos bajo estudio no se
correspondan con las del patrón. Así pues, es frecuente
encontrar trabajos en la literatura que han normalizado
imágenes de FDG PET mediante un patrón que se corres-
ponde con un trazador distinto. Un trabajo que estudia el
efecto que puede tener este tipo de prácticas en el resulta-
do estadístico puede encontrarse en (40), en la que se
recomienda el uso de patrones construidos a partir de las
propias imágenes para evitar este tipo de errores.
6.3. Sistemas de coordenadas
Otra ventaja de utilizar un patrón para normalizar es-
pacialmente los estudios PET es que de este modo es po-
sible identificar las regiones cerebrales mediante un sis-
tema de coordenadas estándar, siguiendo la filosofía
propuesta por Talairach en su atlas cerebral (33). Sin em-
bargo, el sistema de coordenadas de este atlas y el que
proporciona el patrón basado en el MNI no son equiva-
lentes (Figura 10). Esto es debido a que las coordenadas
del atlas fueron referidas al cerebro de una única pacien-
te, mientras que las del MNI lo están con respecto al pa-
trón cerebral promediado. El sistema de coordenadas del
MNI ha sido utilizado para parcelar el patrón estadístico
de modo que es posible determinar la localización de una
región cerebral de forma automática y estandarizada, sin
tener que recurrir a atlas cerebrales (41).
6.4. Interpretación de los valores p
Todos los métodos de cuantificación estadística ofre-
cen como resultado un valor de probabilidad (valor p),
asociado a cada ROI en el caso del método basado en el
Atlas de Talairach, o a cada vóxel en el SPM. Este valor
de probabilidad pretende representar lo mismo en este
tipo de métodos que en estadística clásica, por lo que es
necesario conocer con precisión su significado. Con es-
tos métodos de cuantificación estadística, es precisa la
formulación habitual de una hipótesis previa (la hipótesis
nula). Una vez formulada la hipótesis, se emplea el test
estadístico para cuantificar la probabilidad de que esta
hipótesis sea cierta o falsa. En general, la hipótesis de
partida considera que no existe ningún efecto de interés
sobre nuestras imágenes, lo que recibe el nombre de «hi-
pótesis nula». Entonces, el valor de p representa la proba-
bilidad de que la hipótesis nula sea cierta. Por lo tanto,
valores bajos de p indicarán que la probabilidad de que
J. D. Gispert et al.
Figura 10. Corte coronal del Atlas de Talairach (izquierda) y corte equivalente del patrón de resonancia magnética del Montréal
Institute of Neurology (MNI) (derecha). Puede observarse como las dimensiones de los dos cerebros no coinciden exactamente.
Cortesía del Dr. Matthew Brett de la unidad MRC-CBU Imaging de la Universidad de Cambridge (disponible en http://www.mrc-
cbu.cam.ac.uk/Imaging/mnispace.html).
existan efectos de interés en las imágenes es alta. En este
contexto, cabe preguntarse cuál es el umbral del valor de
p para rechazar la hipótesis nula asumiendo un riesgo ra-
zonable. Este umbral de significación se suele establecer
en p<0’05 sin que medie otro motivo de mayor peso que
el hecho de que es muy utilizado. Un valor de p igual a
0’05 indica que existe una posibilidad entre veinte de
equivocarse al rechazar la hipótesis nula. Ésta es la pro-
babilidad cuando se efectúa un único estudio estadístico.
En el caso particular de neuroimágenes, se efectúan de
forma implícita muchos estudios independiente para
cada ROI, o vóxel. Por ello se espera que aparezcan 0,05
por el número de tests (unos 200.000 en SPM) falsamen-
te positivos.
Para intentar corregir este problema, denominado de
comparaciones múltiples, es preciso corregir los valores
de p por el número de estudios realizados mediante méto-
dos como el de Bonferroni, que sitúa en umbral de signi-
ficación a 0,05 dividido por el número de tests indepen-
dientes. Sin embargo los métodos de corrección por
comparaciones múltiples siempre redundan en una pérdi-
da de potencia estadística. En la práctica, cada vez es más
habitual la realización de tests de permutación con re-
muestreo (42) para establecer y validar los umbrales rea-
les de significación de los valores p en cada juego de
datos. Estos procedimientos consisten en efectuar repeti-
damente el test estadístico reasignando aleatoriamente
sujetos a cada grupo (bootstrap), o bien eliminando alea-
toriamente un cierto tanto por ciento de sujetos de cada
grupo (jacknife).
Aún teniendo en cuenta todas estas precauciones, la
interpretación de los valores p sigue siendo conflictiva.
Un nivel de p aceptado como verdaderamente significati-
vo debería estar además respaldado por una hipótesis
plausible, basada en el conocimiento acerca del funcio-
namiento de los mecanismos biológicos involucrados,
Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96 23
que permita explicar los resultados obtenidos de forma
coherente con la literatura previa acerca del tema bajo
estudio. Una interesante disertación acerca de la interpre-
tación de los valores p se encuentra en (43).
7. CONCLUSIONES
En el caso de imágenes PET, se dispone de toda una
artillería de posibles medidas, desde los sencillos SUV
hasta los complicados modelos farmacocinéticos. Sin
embargo, la cuantificación de PET no siempre constituye
un paso imprescindible, aunque a menudo se da mayor
credibilidad a los resultados si van acompañados de pará-
metros numéricos.
Precisamente por ello, antes de iniciar un estudio de
investigación o un procedimiento clínico es preciso eva-
luar si realmente se obtiene algún beneficio de la cuanti-
ficación y, si es así, cuál es el método de cuantificación
más adecuado para los problemas que se plantean. Debi-
do a que actualmente existe un gran número de métodos
de cuantificación, no existe un consenso sobre cuál es el
óptimo en cada caso desde un punto de vista de cos-
te/beneficio. Los modelos más sencillos resultan menos
precisos, empeorando la potencia estadística del estudio,
y los más complejos y repetibles pueden resultar muy
caros o imposibles de llevar a la práctica.
Para decidir qué método puede ser adecuado para una
aplicación concreta, deberíamos saber en primera instan-
cia si la medida que se va a extraer contiene la informa-
ción de interés: por ejemplo, si se desea evaluar el des-
censo de metabolismo global con la edad, las medidas
relativas no son útiles. Otra forma de decidir a priori qué
método de cuantificación es más conveniente, es el de
conocer cuál es el tipo de medidas, o de estudios previos
en la literatura, con los que se desea comparar los datos.
24 J. D. Gispert et al.
Cuando se utilizan métodos de análisis estadístico sofis-
ticados, es de extrema importancia el conocimiento deta-
llado de sus condiciones de aplicabilidad, así como todos
sus detalles técnicos.
Si bien la posibilidad de cuantificar los estudios PET
de forma precisa constituye una herramienta de gran uti-
lidad para la investigación de los procesos biológicos in
vivo, es conveniente recordar que los números no reem-
plazan al sentido común.
8. ANEXO MATEMÁTICO
8.1. Modelos de cuantificación de FDG
8.1.1. SUV (Standard Uptake Value)
El método de cuantificación más simple utiliza el nú-
mero de cuentas absoluto. Debido a la variabilidad de
esta medida con factores como el peso del paciente, la
dosis de radiotrazador inyectada y el tiempo de adquisi-
ción, se utiliza frecuentemente el valor SUV, que se cal-
cula como:
Actividad en tejido (kC i /mL)
SUV =
Actividad inyectada (mC i)
Peso (kg)
Sin embargo, esta medida de SUV no se comporta de
forma lineal con el peso del paciente, por lo que se han
propuesto otros modelos de SUV corregidos, que sustitu-
yen el valor del peso del paciente por otra medida, como
el área de superficie corporal (BSA; Body Surface Area):
Actividad en tejido (kC i /mL)
SUVBSA = LC (k2 + k3)
Actividad inyectada(mCi)
Superficie corporal (m 2)
La BSA se calcula a partir del peso y la altura del pa-
ciente. La fórmula más habitual para ello es (3):
BSA = 0,007184 · Peso (kg)0,425 · Altura (cm)0,725
Otra posibilidad para corregir los valores SUV es utili-
zar el valor de masa corporal magra (LBM; Lean Body
Mass). De forma similar al cálculo de la BSA, la LBM se
calcula mediante la fórmula:
Actividad en tejido (kC i /mL)
SUVLBM =
Actividad inyectada (mC i)
Masa corporal magra (kg)
LBM = 45,5 + 0,91 · [Altura (cm) − 152] en mujeres
LBM = 48,0 + 1,06 · [Altura (cm) − 152] en hombres
8.1.2. Curvas de actividad temporal
El modelo de Sokoloff/Phelps modela la farmacociné-
tica de la FDG en el tejido a partir de la actividad presen-
te en el torrente sanguíneo (Figura 1). Una vez inyectada
Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96
en la sangre, la FDG penetra en los tejidos que consumen
glucosa y se fosforila a FDG-6-P. Por lo tanto, la concen-
tración total de FDG en el tejido (Ci ) es igual a la suma
de FDG sin metabolizar (Ce) y metabolizada (Cm):
Ci (t) = Ce (t) + Cm (t)
Para ser capaces de estimar el valor de la concentra-
ción de radiotrazador en cada instante a lo largo del tiem-
po de adquisición, es preciso derivar la ecuación anterior:
dCi (t) dCe (t) dCm (t)
= +
dt dt dt
Conociendo la curva de actividad temporal (TAC) en
el plasma sanguíneo (Cp) y definiendo las constantes k1 y
k2 como las tasas directa e inversa, respectivamente, de
transporte capilar de FDG al tejido, y las constantes k3 y
k4 como las tasas de fosforilación y defosforilación de la
FDG dentro del tejido, es posible modelar el cambio en
las concentraciones de trazador metabolizado y no meta-
bolizado:
dCe (t)
= k1Cp (t) − (k2 + k3) · Ce (t) + k4Cm (t)
dt
dCm (t)
= k3 Ce(t) − k4 Cm (t)
dt
La solución de este sistema de ecuaciones determina
los valores de las constantes k1, k2, k3 y k4, y las curvas de
concentración de radiotrazador a lo largo del periodo de
adquisición, permitiendo el cálculo de la tasa de utiliza-
ción de glucosa por parte del tejido como:
Cp k1 · k3
MRGlc = ·
Para resolver el sistema de ecuaciones diferenciales se
pueden emplear varios métodos, algunos clásicos para el
ajuste de curvas como los métodos Linear y Non-Linear
Least Squares (este último utiliza la transformada de La-
place del sistema de ecuaciones diferenciales), u otros es-
pecíficos para la cuantificación de PET como el de Patlak,
el método Autorradiográfico o el Weighted Integration
Projection (44).
Existen diversos programas que permiten la cuantifi-
cación de este tipo de estudios PET en la práctica clínica
sin bajar al detalle de las ecuaciones, como por ejemplo
el SPAMALIZE (disponible en http://tezpur.keck.wais-
man.wisc.edu/Voakes/spam/spam_frames.htm) del Dr.
Terry Oakes de la Universidad de Winsconsin, escrito
para el lenguaje de programación IDL o el DEPICT (45),
escrito por el Dr. Roger N. Gunn del Montréal Neurolo-
gical Institute, para MatLab.
8.2. Modelo lineal general
Mediante las técnicas de cuantificación estadística de
imágenes PET es posible diseñar numerosos tipos de es-
J. D. Gispert et al.
tudio, como por ejemplo regresiones, tests t de Student,
tests F y análisis de varianza (ANOVA) incluyendo co-
variables y permitiendo el modelado de interacciones en-
tre ellas. Todos estos tipos de análisis pueden ser englo-
bados en un modelo común (el modelo lineal general o
GLM) (34).
Todo estudio estadístico parte de una hipótesis nula a
priori acerca del comportamiento observado en las imá-
genes PET. Por lo tanto, no se puede esperar que ningún
procedimiento de cuantificación estadística encuentre
automáticamente estos efectos a partir de las imágenes
PET, sino que simplemente confirmará o rechazará la hi-
pótesis a priori.
8.2.1. Diseño del modelo
Los estudios que pueden efectuarse mediante técnicas
estadísticas se dividen fundamentalmente en dos tipos:
estudios paramétricos o factoriales, y estudios categóri-
cos o sustractivos. Los primeros estudian la relación en-
tre las imágenes PET y un parámetro, como puede ser la
edad, una escala de síntomas o el resultado de un test
cognitivo. Los estudios categóricos se utilizan para poner
de manifiesto diferencias entre grupos, definidas por va-
riables categóricas.
Un ejemplo de estudio paramétrico podría ser aquel en
el que se quiere confirmar la hipótesis de que la edad
influye en el metabolismo cerebral utilizando doce suje-
tos, para cada uno de los cuales se ha adquirido una ima-
gen PET. Mediante el GLM la hipótesis se expresa a tra-
vés de la denominada matriz de diseño, la cual consta de
una fila por cada imagen incluida en el estudio (doce en
el ejemplo) y de una columna por cada efecto sólo (uno,
la edad), y en la que se introducen los valores de los efec-
tos correspondientes a cada sujeto (la edad de cada uno
de los sujetos). Para calcular la relación entre las imáge-
nes y el parámetro, dicha relación debe ser lineal. Si se
desea probar hipótesis que impliquen respuestas no-li-
neales, se debe aplicar una transformación adecuada para
linealizar adecuadamente dicha respuesta.
En los estudios categóricos es necesaria una columna
para determinar la pertenencia a cada uno de los grupos.
Por ejemplo, si se desea comparar un grupo de pacientes
con otro de control, las filas correspondientes a los pa-
cientes tendrán un «1» en la columna de pacientes y un
«0» en la de controles, y viceversa.
Esta distinción entre dos grupos de estudios estadísti-
cos no es excluyente, es posible combinar ambos tipos de
estudio. Siguiendo los ejemplos anteriores, supongamos
que la hipótesis de partida consiste en que, en ciertas re-
giones cerebrales, el metabolismo es menor en un grupo
patológico que en el de control (efectos de interés), una
vez descontado el efecto de la edad (efecto corrector).
También es posible modelar interacciones entre efectos.
En el ejemplo anterior es posible que el efecto de la edad
sea más intenso en un grupo que en el otro.
Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96 25
8.2.2. Contrastes
Una vez se establecido el modelo que ha sido concre-
tado en la matriz de diseño, ya es posible estimar de for-
ma automática la contribución de cada efecto de forma
separada. Esto permite diferenciar entre efectos de inte-
rés (como el efecto de grupo, en el ejemplo) y efectos
correctores (efecto de la edad), así como por diferencias
entre las medias de dos factores. Mediante el GLM, esto
se realiza mediante la definición de un contraste.
Un contraste se define mediante un vector. La longitud
de este vector es igual al número de efectos incluidos en
la matriz de diseño, de modo que cada efecto se pondera
por su elemento correspondiente. Si el efecto es correc-
tor, entonces se pondera con un «0» en el vector contras-
te. En caso de que el efecto sea paramétrico, el contraste
determina si la correlación buscada es positiva, mediante
un «1», o bien negativa mediante un «−1», en la posición
correspondiente a ese efecto en el vector contraste. En
caso de efectos categóricos los contrastes deben cumplir
una condición importante: la suma de todos los pesos en
el contraste en las columnas de efectos categóricos debe
ser igual a cero.
En el ejemplo, la pertenencia al grupo de pacientes
contribuye con peso negativo (menor metabolismo que
controles), el grupo de controles contribuye con peso po-
sitivo (mayor metabolismo que pacientes) y la edad, al
ser un efecto corrector, tendría peso «0» (nulo). De este
modo el vector de contraste sería [1, −1, 0], ya que la
suma de los efectos 1 y 2 debe ser cero. En el caso contra-
rio, para comprobar qué regiones presentan un metabolis-
mo mayor en pacientes el contraste sería [−1, 1, 0] (39).
REFERENCIAS
1. Hamberg, L. M.; Hunter, G. J.; Alpert, N. M.; Choi, N. C.;
Babich, J. W. & Fischman, A. J. (1994) The dose uptake
ratio as an index of glucose metabolism: useful parameter
or oversimplification? J Nucl Med 35, 1308-1312.
2. Keyes, J. W., Jr. (1995) SUV: standard uptake or silly use-
less value? J Nucl Med 36, 1836-1839.
3. Graham, M. M.; Peterson, L. M. & Hayward, R. M. (2000)
Comparison of simplified quantitative analyses of FDG up-
take. Nucl Med Biol 27, 647-655.
4. Hunter, G. J.; Hamberg, L. M.; Alpert, N. M.; Choi, N. C.
& Fischman, A. J. (1996) Simplified measurement of
deoxyglucose utilization rate. J Nucl Med 37, 950-955.
5. Gjedde, A. (1982) Calculation of cerebral glucose phos-
phorylation from brain uptake of glucose analogs in vivo: a
re-examination. Brain Res 257, 237-274.
6. Patlak, C. S.; Blasberg, R. G. & Fenstermacher, J. D.
(1983) Graphical evaluation of blood-to-brain transfer con-
stants from multiple-time uptake data. J Cereb Blood Flow
Metab 3, 1-7.
7. Sokoloff, L.; Reivich, M.; Kennedy, C.; Des Rosiers, M.
H.; Patlak, C. S.; Pettigrew, K. D.; Sakurada, O. &
Shinohara, M. (1977) The [14C]deoxyglucose method for
26 J. D. Gispert et al.
the measurement of local cerebral glucose utilization: the-
ory, procedure, and normal values in the conscious and an-
esthetized albino rat. J Neurochem 28, 897-916.
8. Phelps, M. E.; Huang, S. C.; Hoffman, E. J.; Selin, C.;
Sokoloff, L. & Kuhl, D. E. (1979) Tomographic measure-
ment of local cerebral glucose metabolic rate in humans with
(F-18)2-fluoro-2-deoxy-D-glucose: validation of method.
Ann Neurol 6, 371-388.
9. Coleman, R. E. (2002) Is quantitation necessary for on-
cological PET studies? For. Eur J Nucl Med Mol Imaging
29, 133-135.
10. Jerusalem, G.; Beguin, Y.; Fassotte, M. F.; Najjar, F.;
Paulus, P.; Rigo, P. & Fillet, G. (1999) Whole-body posit-
ron emission tomography using 18F-fluorodeoxyglucose
for posttreatment evaluation in Hodgkin’s disease and non-
Hodgkin’s lymphoma has higher diagnostic and prognostic
value than classical computed tomography scan imaging.
Blood 94, 429-433.
11. Ahuja, V.; Coleman, R. E.; Herndon, J. & Patz, E. F.; Jr.
(1998) The prognostic significance of fluorodeoxyglucose
positron emission tomography imaging for patients with
nonsmall cell lung carcinoma. Cancer 83, 918-924.
12. Lowe, V. J.; Fletcher, J. W.; Gobar, L.; Lawson, M.; Kir-
chner, P.; Valk, P.; Karis, J.; Hubner, K.; Delbeke, D.;
Heiberg, E. V.; Patz, E. F. & Coleman, R. E. (1998) Pros-
pective investigation of positron emission tomography in
lung nodules. J Clin Oncol 16, 1075-1084.
13. Higashi, T.; Sakahara, H.; Torizuka, T.; Nakamoto, Y.;
Kanamori, S.; Hiraoka, M.; Imamura, M.; Nishimura, Y.;
Tamaki, N. & Konishi, J. (1999) Evaluation of in-
traoperative radiation therapy for unresectable pancreatic
cancer with FDG PET. J Nucl Med 40, 1424-1433.
14. Kitagawa, Y.; Sadato, N.; Azuma, H.; Ogasawara, T.;
Yoshida, M.; Ishii, Y. & Yonekura, Y. (1999) FDG PET to
evaluate combined intra-arterial chemotherapy and
radiotherapy of head and neck neoplasms. J Nucl Med 40,
1132-1137.
15. Schulte, M.; Brecht-Krauss, D.; Werner, M.; Hartwig, E.;
Sarkar, M. R.; Keppler, P.; Kotzerke, J.; Guhlmann, A.;
Delling, G. & Reske, S. N. (1999) Evaluation of neoad-
juvant therapy response of osteogenic sarcoma using FDG
PET. J Nucl Med 40, 1637-1643.
16. Weber, W. A.; Ott, K.; Becker, K.; Dittler, H. J.; Helmber-
ger, H.; Avril, N. E.; Meisetschlager, G.; Busch, R.;
Siewert, J. R.; Schwaiger, M. & Fink, U. (2001) Prediction
of response to preoperative chemotherapy in adenocar-
cinomas of the esophagogastric junction by metabolic
imaging. J Clin Oncol 19, 3058-3065.
17. Kubota, K.; Ishiwata, K.; Kubota, R.; Yamada, S.; Tada,
M.; Sato, T. & Ido, T. (1991) Tracer feasibility for monitor-
ing tumor radiotherapy: a quadruple tracer study with fluor-
ine-18-fluorodeoxyglucose or fluorine-18-fluorodeoxyuri-
dine, L-[methyl-14C]methionine, [6-3H]thymidine, and
gallium-67. J Nucl Med 32, 2118-2123.
18. Graham, M. M. (2002) Is quantitation necessary for on-
cological PET studies? Against. Eur J Nucl Med Mol Imag-
ing 29, 135-138.
19. Frey, K. A.; Minoshima, S. & Kuhl, D. E. (1998) Neur-
ochemical imaging of Alzheimer’s disease and other de-
generative dementias. Q J Nucl Med 42, 166-178.
20. Phelps, M. E. (2000) PET: the merging of biology and
imaging into molecular imaging. J Nucl Med 41, 661-681.
21. Fukuda, M.; Edwards, C. & Eidelberg, D. (2001) Func-
tional brain networks in Parkinson’s disease. Parkinsonism
Relat Disord 8, 91-94.
Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96
22. Heinonen, T.; Dastidar, P.; Eskola, H.; Frey, H.; Ryymin,
P. & Laasonen, E. (1998) Applicability of semi-automatic
segmentation for volumetric analysis of brain lesions. J
Med Eng Technol 22, 173-178.
23. Crum, W. R.; Scahill, R. I. & Fox, N. C. (2001) Automated
hippocampal segmentation by regional fluid registration of
serial MRI: validation and application in Alzheimer’s dis-
ease. Neuroimage 13, 847-855.
24. Vannier, M. W.; Brunsden, B. S.; Hildebolt, C. F.; Falk, D.;
Cheverud, J. M.; Figiel, G. S.; Perman, W. H.; Kohn, L. A.;
Robb, R. A.; Yoffie, R. L. & Et Al. (1991) Brain surface
cortical sulcal lengths: quantification with three-dimen-
sional MR imaging. Radiology 180, 479-484.
25. Zhang, Y.; Brady, M. & Smith, S. (2001) Segmentation of
Brain MR Images Through a Hidden Markov Random
Field Model and the Expectation-Maximization Algo-
rithm. IEEE Transactions on Medical Imaging 20, 45-57.
26. Collins, D. L. & Evans, A. C. (1997) Animal: Validation
and Applications of Non-Linear Registration-Based Seg-
mentation. International Journal and Pattern Recognition
and Artificial Intelligence 11, 1271-1294.
27. Andreasen, N. C.; Cohen, G.; Harris, G.; Cizadlo, T.;
Parkkinen, J.; Rezai, K. & Swayze Ii, V. W. (1992) Image
processing for the study of brain structure and function:
problems and programs. J Neuropsychiatry Clin Neurosci
4, 125-133.
28. Andreasen, N. C.; Cizadlo, T.; Harris, G.; Swayze Ii, V.
W.; O’leary, D. S.; Cohen, G.; Ehrhardt, J. C. & Yuh, W. T.
(1993) Voxel processing techniques for the antemortem study
of neuroanatomy and neuropathology using magnetic reson-
ance imaging. J Neuropsychiatry Clin Neurosci 5, 121-130.
29. Magnotta, V. A.; Harris, G.; Andreasen, N. C.; O’leary, D.
S.; Yuh, W. T. C. & Heckel, D. (2002) Structural MR Im-
age Processing Using the BRAINS2 Toolbox. Comput Med
Imaging Graph (in press).
30. Dale, A. M.; Fischl, B. & Sereno, M. I. (1999) Cortical
surface-based analysis. I. Segmentation and surface recon-
struction. Neuroimage 9, 179-194.
31. Ashburner, J. & Friston, K. (1997) Multimodal Image
Coregistration and Partitioning - A Unified Framework.
NeuroImage 6, 209-217.
32. Ashburner, J. & Friston, K. J. (2000) Voxel-Based Mor-
phometry - The Methods. NeuroImage 11, 805-821.
33. Talairach, J. & Tournoux, P. (1988) A Co-planar Stereotatic
Atlas of the Human Brain. En: Thieme. Thieme, Stuttgart.
34. Friston, K. J.; Holmes, A. P.; Worsley, K. J.; Poline, J. P.;
Frith, C. D. & Frackowiak, R. S. J. (1995) Statistical Par-
ametric Maps in Functional Imaging: A General Linear
Approach. Hum Brain Mapp 2, 189-210.
35. Reig, S.; Gispert, J. D.; Pascau, J.; Martínez, R.; Molina, V.
& Desco, M. (2002) Normalización espacial de cerebros
patológicos: Su efecto en estudios intersujeto de PET. En:
Congreso Anual de la Sociedad Española de Ingenieria Bi-
omédica (CASEIB’02). Zaragoza, pp.
36. Ashburner, J. & Friston, K. J. (1999) Nonlinear spatial nor-
malization using basis functions. Hum Brain Mapp 7, 254-
266.
37. Minoshima, S.; Koeppe, R. A.; Frey, K. A. & Kuhl, D. E.
(1994) Anatomic standardization: linear scaling and non-
linear warping of functional brain images. J Nucl Med 35,
1528-1537.
38. Gispert, J. D.; Pascau, J.; Reig, S.; García-Barreno, P. &
Desco, M. (in press). Teoría y práctica de los mapas par-
amétricos estadísticos (SPM) en medicina nuclear. Revista
Española de Medicina Nuclear.
J. D. Gispert et al.
39. Frackowiack, R. S. J.; Friston, K. J.; Frith, C. D.; Dolan, R.
J. & Mazziota, J. C. (1997) Human Brain Function. En.
Academic Press, San Diego.
40. Gispert, J. D.; Pascau, J.; Reig, S.; Martínez-Lázaro, R.;
Molina, V.; García-Barreno & Desco, M. (in press). Influ-
ence of the Normalization Template in Statistical Paramet-
ric Mapping of PET Scans-Neuroimage (in press).
41. Tzourio-Mazoyer, N.; Landeau, B.; Papathanassiou, D.;
Crivello, F.; Etard, O.; Delcroix, N.; Mazoyer, B. & Joliot,
M. (2002) Automated anatomical labeling of activations
in SPM using a macroscopic anatomical parcellation of
the MNI MRI single-subject brain. Neuroimage 15,
273-289.
Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96 27
42. Efron, B. & Tibshirani, R. J. (1998) An Introduction to the
Bootstrap. En: Monographs on Statistics and Applied
Probability. Chapman & Hall / CRC, New York. Vol. 57.
43. Goodman, S. N. (1999) Toward evidence-based medical
statistics. 1: The p value fallacy. Ann. Intern. Med. 130,
995-1004.
44. Peters, A. M. & Myers, M. (1998) Physiological Measure-
ments with Radionuclides in Clinical Practice. En. Oxford
University Press.
45. Gunn, R.; Gunn, S.; Aston, J.; Turkheimer, F. & Cunning-
ham, V. (2002) DEPICT: Data-driven Estimation of Par-
ametric Images based on Compartmental Theory. En:
Neuro Receptor Mapping 2002 Meeting. Oxford, UK, pp.
 28 J. D. Gispert et al. Rev.R.Acad.Cienc.Exact.Fis.Nat. (Esp), 2002; 96

SERIE «LIBROS ANTIGUOS»

REAL ACADEMIA DE CIENCIAS

Linné, Carl von

Genera plantarum : eorumque characteres naturales, secundùm nu-
merum, figuram, situm, & proportionem omnium fructificationis
partium / authore Carolo Linnaeo... - Editio secunda, nominibus
plantarum gallicis locupletata. - Parisiis : sumptibus Michaelis An-
tonii David..., 1743 ([Parisiis] : typis Joannis-Baptistae Coignard...).

View publication stats