Radiomics学习总结

最新推荐文章于 2024-08-08 08:14:23 发布
最新推荐文章于 2024-08-08 08:14:23 发布
阅读量5.8k 收藏 97
点赞数 18
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Beans___Lee/article/details/83965045
版权

介绍了Radiomics的工作流程及每一步的常用软件

Dicom图像

  Dicom就是是医学图像和相关信息的国际标准，Dicom图像就是指标准的医学图像格式。Dicom图像深度比正常图像大得多，而不同的深度则可以表示不同的信息。一般情况下以HU描述。

下表描述了人体中常见物质的HU值

7239122-cefc1ce287261e90.png
影像组学的应用

  影像组学的概念真正提出来是2012年。当时它刚提出来时只是针对CT数据，把它用组学的方法进行分析。后续则将数据从CT扩展到磁共振、超声等，涉及到多影像。大数据和AI和影像组学的结合，主要有以下三个方面的应用：

* 辅助诊断
  结合计算机的分析计算辅助发现病灶，提高诊断准确率。

* 肿瘤预测
  预测疾病的可能病程和结局，包括症状、体征和并发征等异常情况
  的出现消失和死亡。

* 疗效评估
  借助计算机进行评估
影像组学工作流程

  影像组学就是从医疗大数据中提取数据，利用AI方法挖掘肿瘤信息，实现临床辅助决策。这个流程和日常医生读片的过程是一致的，医生读片是先有影像数据，然后用人眼提取它的形状特征。最终给出诊断结果。
影像组学工作流程：

1.  确定要研究的问题和患者群体，获得标准医学图像
2.  在医学图像中分割出感兴趣的区域（ROI），主要就是病灶部分
3.  获取图像的特征
4.  进行分析统计并建模
影像组学关键技术
图像分割

  根据上述工作流程，得到患者数据后，第一步就是进行图像分割，得到病灶区。图像分割一般包括全自动分割、半自动分割和人工手动分割。

目前比较成熟的分割算法有以下几种：

区域生长
图割算法
水平集
分水岭

  目前没有普适的分割算法能够应用于所有的医学影像。现阶段可用于该步的工具有以下几种：

3DSlicer
官方网址：www.slicer.org
是一款用于图像分析的免费开源软件包，可用于图像分割

MIM软件
官方网址：www.mimsoftware.com
商业软件包，可应用于图像分割，其中包括了手动轮廓和自动轮廓，
已经应用于肺部和食管癌的研究

Itk-SNAP
官方网址：www.itksnap.org

Definiens
官方网址：www.definiens.com
主要应用于肺肿瘤分析
特征提取量化

  一旦肿瘤区域被确定，影像特征即可被提取。目前常用的特征有4大类：形状特征、强度特征、纹理特征和高阶特征，具体如下：

强度  ：最大值、标准方差、能量等
形状  ：紧密度、最长直径、体积等
纹理  ：灰度共生矩阵、熵等
小波  ：边界、自由粘贴面积比

目前使用的特征提取软件有以下几种：

TexRAD
官方网址：www.texrad.com
TexRAD特征分析使用拉普拉斯高斯滤波，其允许计算对应于不同
尺度和强度变化的各种特征。

MaZda
官方网址：http://eletel.eu/mazda
是一种二维和三维图像纹理分析软件程序，添加了ROI定义，规范化，
功能统计分析和分类的工具。

CGITA
官方网址：http://code.google.com/p/cgita
基于MATLAB的开源纹理分析软件程序，可以导入任何DICOM图像
建模/统计分析

  提取出来的数百上千的特征必须进行统计分析，统计分析中重要的一步也就是减少特征的数量，找到少数真正的关键的特征，术语称作降维。统计完成之后就是建立预测模型或分类模型。

统计分析有以下几种方法：

众测信度分析
主成份分析
相关性分析
聚类分析

分类与预测模型：

肿瘤分类
肿瘤分期
预后预测

可用于建模/统计分析的软件包：

R
官方网址：www.r-project.org/
R是用于统计计算的自由软件环境

MedCalc
官方网址：www.medcalc.org

Weka
官方网址：www.cs.waikato.ac.nz/ml/weka/
辅助诊断

医学影像分析算法平台

MITK集成化医学影像分析c++类库
    下载地址：http://www.mitk.net/download_mitk1.html

3DMed面向用户的医学影像分析平台
    下载地址：http://www.mitk.net/download_med1.html

肺癌影像组软件

Radiomics影像组学软件
参考
  1. 中科院田捷：基于医疗大数据和AI技术的影像组学及其应用
  2. 《Computational resources for radiomics 》 Laurence E. Court, Xenia Fave, Dennis Mackin, Joonsang Lee, Jinzhong Yang, Lifei Zhang
Manfestain
关注
pyradiomics使用——1. 医学影像的组学特征值（Radiomics Features）提取
啷个哩个啷
05-30 5670
文章目录1. 使用插件1.1 插件安装1.2 插件使用2. 使用python代码2.1 安装2.2 使用2.2.1 官方示例2.2.2 快速使用2.2.3 其它使用3. 组学特征字段意义说明 Github地址：https://github.com/AIM-Harvard/pyradiomics 官方文档地址：https://pyradiomics.readthedocs.io/en/latest/features.html 1. 使用插件 从pyradiomics的Github仓库中可以知道，pyradio
基于机器学习的脑炎影像组学算法研究
最新发布
程序员光剑
08-08 731
基于机器学习的脑炎影像组学算法研究 1. 背景介绍 1.1 脑炎的临床表现与危害 脑炎是一种危及生命的中枢神经系统感染性疾病,其临床表现包括发热、头痛、意识障碍、癫痫发作等。及时准确的诊断对于脑炎的治疗和预后至关重要。然而,由于脑炎
Radiomics：使用先进的特征分析方法从医学影像中提取更多信息
u010356041的博客
05-09 8298
Radiomics：使用先进的特征分析方法从医学影像中提取更多信息关键字图像 Radiomics 肿瘤 内部肿瘤 异质性摘要实体肿瘤具有空间上和时间上的异质性。这就限制了基于分子检测的侵入性活检的使用，但是这给医疗影像的使用保留了巨大的潜能，它拥有着不使用侵入性方法来获取内部肿瘤异质性的能力。在过去几十年中，医疗影像中新的硬件、显像剂和标准化协议的更新使得这个领域朝着定量成像前进。因此，为了从图像特
PyRadiomics：基于Python的医疗影像 Radiomics 分析工具
gitblog_00439的博客
08-08 946
PyRadiomics：基于Python的医疗影像 Radiomics 分析工具 pyradiomics项目地址:https://gitcode.com/gh_mirrors/py/pyradiomics 项目介绍 PyRadiomics 是一个开源的 Python 库，专门用于从医学影像中提取 Radiomics 特征。该库旨在建立放射组学分析的参考标准，并提供一个经过测试和维护的开放平台，以...
基于PET的Radiomics论文
07-06
放射组学近年来一直都是比较火的话题，从12年荷兰学者提出之后，近年来一直成为研究热点
radiomics放射组学图像特征计算
qq_41989587的博客
04-02 5319
如何计算大量的放射组学特征 刚开始接触放射组学的时候，同样惊奇于如何从图像当中提取成百上千的特征，看了很多文章，走了很多弯路，终于找到了计算出大量图像特征的方法。 其实，本质上，包括全局灰度特征，以及纹理矩阵特征（灰度共生矩阵、灰度行程矩阵等），再加上针对肿瘤图像的形状特征总共可以计算出来的特征数量最多100多个，而这100多个特征的计算方法你完全可以自己编程实现，不管是通过matlab（附上 一...
Radiomics analysis on ultrasound for prediction of biologic behavior in breast invasive ductal carcinoma
02-22
总结而言，这项研究在放射组学与乳腺癌诊断和治疗领域具有重要的应用价值。通过深入分析超声影像特征与肿瘤生物特性的关系，放射组学为乳腺癌的个性化治疗提供了一种新的可能性。这对于临床医学来说是一大进步，可以...
python 中yaml文件简单用法总结
梁先森的博客
07-03 4413
YAML是一种标记语言，它使用空白符号缩进和大量依赖外观的特色，特别适合用来表达或编辑数据结构、各种配置文件、倾印调试内容、文件大纲。
"混合感染耐药分类的迁移学习方法
医学信息学解锁24（2021）100568混合感染耐药分类的迁移学习方法HIV数据集摩西E.Ekpenyong a，*，Mercy E. 艾菲奥克·J·埃多霍菲利普·乌多 Etebong a，Nseobong P. 乌托b，滕德威西角作者：Jackson c. 奥比亚科da...
图像的纹理分析方法
09-20
图像的纹理分析方法
图像的纹理分析应用实例
04-02
图像的纹理分析应用实例是一个非常棒的源代码，里面详细描述了，各种不同格式的图像分析方法以及质量分析方法
图像纹理分析讲解
05-08
图像纹理分析讲解，纹理特征，特征值的应用
Python实现的神经影像学机器学习库
05-22
Python实现的神经影像学机器学习库
matlab读取nrrd格式文件
03-09
用matlab读取nrrd格式文件，支持raw和gzip编码
Radiomics-从医学图像中获取更多信息
itodayer的个人博客
07-21 6175
在过去几十年时间里，医学图像在四个方面发生着显著的变化。 （一）硬件方面的提升 过去一段时间，硬件方面的提升带来了更多的益处。这些技术的革新很大程度的提升了图像的时间分辨率并且使得组织图像的可视化更为便捷。 （二）显影剂技术的提升 各种造影剂的出现使得对各种组织结构的生理活动和组织结构的观测变得更加容易和准确。 （三）协议的标准化 协议的标准化使得放射学成为一门可以高度重复使用的科学。
Radiomics组学分析初始化
qq_37172182的博客
07-24 1502
Radiomics：安装并调通第一个demo import radiomics import radiomics.featureextractor as FEE # 文件名 main_path = './' ori_name = 'brain1_image.nrrd' lab_name = 'brain1_label.nrrd' para_name = 'default.yaml' # 文件全部路径 ori_path = main_path + ori_name lab_path = m.
Li‘s 影像组学radiomics视频学习笔记(34)-使用3D Slicer软件提取影像组学特征
weixin_38594676的博客
01-03 4096
作者：北欧森林 链接：https://www.jianshu.com/p/afcd06221ea4 来源：简书，已获授权转载 RadiomicsWorld.com “影像组学世界”论坛： 影像组学世界/RadiomicsWorld 本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(34)主要介绍: 使用3D Slicer软件提取影像组学特征 Pyradiomics官网里有介绍，pyradiomics也可以通过软件3D Slicer的扩展软件包进行影像组学特征提取。 3D Slicer i.
radiomics score
10-24
radiomics score（放射医学分数）是一种计算用于评估医学影像的指标，通过分析图像中的数字特征来预测疾病的发生、发展和治疗效果等信息。放射医学分数主要应用于医学影像学中，如CT扫描和MRI等。 放射医学分数的计算过程包括四个主要步骤。首先，医学影像获取后，通过图像分割提取感兴趣区域（ROI）。然后，从ROI中提取一系列定量特征（radiomics features），如形状、纹理和密度等。接下来，对这些特征进行特征选择和降维处理，以减少冗余和噪声。最后，使用机器学习算法或其他数学模型对所选特征进行分析并生成放射医学分数。 radiomics score的应用非常广泛。首先，它可以用来帮助医生进行疾病的诊断和分类。例如，在肿瘤学中，radiomics score可以用于辅助肿瘤的分类和分级。其次，radiomics score可以用于预测疾病的进展和治疗效果。例如，在癌症治疗中，通过分析影像的radiomics score可以预测患者的预后和治疗反应。此外，radiomics score还可以用于辅助临床试验的设计和结果评估。 总而言之，radiomics score是一种通过计算医学影像中的数字特征来评估疾病的指标。它可以为医生提供有关疾病诊断、预后和治疗效果等方面的信息，对于改善临床决策和个体化治疗具有重要意义。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值