It is a growing concern that outcomes of neuroimaging studies often cannot be replicated. To counteract this, the magnetic resonance (MR) neuroimaging community has promoted acquisition standards and created data sharing platforms, based on a consensus on how to organize and share MR neuroimaging data. Here, we take a similar approach to positron emission tomography (PET) data. To facilitate comparison of findings across studies, we first recommend publication standards for tracer characteristics, image acquisition, image preprocessing, and outcome estimation for PET neuroimaging data. The co-authors of this paper, representing more than 25 PET centers worldwide, voted to classify information as mandatory, recommended, or optional. Second, we describe a framework to facilitate data archiving and data sharing within and across centers. Because of the high cost of PET neuroimaging studies, sample sizes tend to be small and relatively few sites worldwide have the required multidisciplinary expertise to properly conduct and analyze PET studies. Data sharing will make it easier to combine datasets from different centers to achieve larger sample sizes and stronger statistical power to test hypotheses. The combining of datasets from different centers may be enhanced by adoption of a common set of best practices in data acquisition and analysis.

The Brain Imaging Data Structure (BIDS) is a standard for organizing and describing neuroimaging datasets, serving not only to facilitate the process of data sharing and aggregation, but also to simplify the application and development of new methods and software for working with neuroimaging data. Here, we present an extension of BIDS to include positron emission tomography (PET) data, also known as PET-BIDS, and share several open-access datasets curated following PET-BIDS along with tools for conversion, validation and analysis of PET-BIDS datasets.

ABSTRACT The Brain Imaging Data Structure (BIDS) is a standard for organizing and describing neuroimaging datasets. It serves not only to facilitate the process of data sharing and aggregation, but also to simplify the application and development of new methods and software for working with neuroimaging data. Here, we present an extension of BIDS to include positron emission tomography (PET) data (PET-BIDS). We describe the PET-BIDS standard in detail and share several open-access datasets curated following PET-BIDS. Additionally, we highlight several tools which are already available for converting, validating and analyzing PET-BIDS datasets.

Abstract Purpose Long axial field-of-view (LAFOV) PET/CT systems enable PET/CT scans with reduced injected activities because of improved sensitivity. With this study, we aimed to examine the foetal radiation dose from an 18 F-FDG PET/CT scan on a LAFOV PET/CT system with reduced injected activity. Methods Two pregnant women were retrospectively included and received an 18 F-FDG PET/CT scan on a LAFOV PET/CT system with an intravenous bolus injection of 0.30 MBq/kg. Foetal radiation exposure from the PET was estimated using dose conversion factors from three published papers. Radiation exposure from the CT scans was estimated using CT-Expo. Results Foetal radiation dose from the PET scan ranged between 0.11 and 0.44 mGy. Foetal radiation exposure from the CT scan ranged between < 0.10 – 0.90 mGy depending if the foetus was included in the field-of-view. Conclusion Foetal radiation dose could be reduced to < 1.5 mGy when scanning pregnant patients on a LAFOV PET/CT system. The radiation dose to the foetus was reduced significantly in our study due to the increased sensitivity of the LAFOV PET/CT system.

Intratumoral heterogeneity is a hallmark of diffuse gliomas. We used neuronavigation to acquire 133 image-guided and spatially-separated stereotactic biopsy samples from 16 adult patients with a diffuse glioma, which we characterized using DNA methylation arrays. Samples were obtained from regions with and without imaging abnormalities. Methylation profiles were analyzed to devise a three-dimensional reconstruction of genetic and epigenetic heterogeneity. Molecular aberrations indicated that tumor was found outside imaging abnormalities, underlining the infiltrative nature of this tumor and the limitations of current routine imaging modalities. We demonstrate that tumor purity is highly variable between samples and largely explains apparent epigenetic spatial heterogeneity. Indeed, we observed that DNA methylation subtypes are highly conserved in space after adjusting for tumor purity. Genome-wide heterogeneity analysis showed equal or increased heterogeneity among normal tissue when compared to tumor. These findings were validated in a separate cohort of 61 multi-sector tumor and 64 normal samples. Our findings underscore the infiltrative nature of diffuse gliomas and suggest that heterogeneity in DNA methylation is innate to somatic cells and not a characteristic feature of this tumor type.

Background: Bleomycin is an oncolytic and antibiotic agent used to treat various human cancers because of its antitumor activity. Unfortunately, up to 46% of the patients treated with bleomycin develop drug-induced interstitial lung disease (DIILD) and potentially life-threatening interstitial pulmonary fibrosis. Tools and biomarkers for predicting and detecting DIILD are limited. Therefore, we aimed to evaluate the feasibility of 18F-FDG PET/CT, PET radiomics, and machine learning in distinguishing DIILD in an explorative pilot study. Methods: Eighteen Hodgkin’s lymphoma (HL) patients, of whom 10 developed DIILD after treatment with bleomycin, were retrospectively included. Five diffuse large B-cell lymphoma (DLBCL) patients were included as a control group since they were not treated with bleomycin. All patients underwent 18F-FDG PET/CT scans before (baseline) and during treatment (interim). Structural changes were assessed by changes in Hounsfield Units (HUs). The 18F-FDG PET scans were used to assess metabolic changes by examining the feasibility of 504 radiomics features, including the mean activity of the lungs (SUVmean). A Random Forest (RF) classifier evaluated the identification and prediction of DIILD based on PET radiomics features. Results: HL patients who developed DIILD showed a significant increase in standard SUV metrics (SUVmean; p = 0.012, median increase 37.4%), and in some regional PET radiomics features (texture strength; p = 0.009, median increase 101.6% and zone distance entropy; p = 0.019, median increase 18.5%), while this was not found in HL patients who did not develop DIILD and DLBCL patients. The RF classifier correctly identified DIILD in 72.2% of the patients and predicted the development of DIILD correctly in 50% of the patients. There were no significant differences in HUs over time within all three patient groups. Conclusions: Our explorative longitudinal pilot study suggests that certain regional 18F-FDG PET radiomics features can effectively identify DIILD in HL patients treated with bleomycin, as significant longitudinal increases were observed in SUVmean, texture strength, and zone distance entropy after the development of DIILD. The metabolic activity of these features did not significantly increase over time in DLBCL patients and HL patients who did not develop DIILD. This indicates that 18F-FDG PET radiomics, with and without machine learning, might serve as potential biomarkers for detecting DIILD.