最近所学的提纲(3)(1)

1. 探索纹理特征在预测STS癌肺转移中的潜力的研究，以及首个探索关节fdgpet和MRI纹理特征在评估任何类型癌症生物学特性方面的潜力的研究

---

2. 图像的纹理可以作为不同强度(即灰度)像素的空间排列来全局化

---

3. 有51名经组织学正式为原发性STS的患者参加实验，排除出现转移性或复发性的STS患者：

   1. 32个未发生肺转移的患者
   2. 19个已经发生肺转移的患者

   排除未转移患者中随访时间小于十二个月的

---

2.3. 图像数据预处理：

1. PET扫描首先转换为SUV（平均摄取值），然后应用平方根变换来稳定PET噪声。
2. MRI扫描以原始数据保存，体素在肿瘤区域和强度范围外$\mu \pm 3\sigma$被拒

---

2.4 体积融合

---

2.5 特征提取

5. 从治疗前的PET和MRI扫描的肿瘤区域提取非纹理特征的方法如下：
   1. 5个PET扫描中的非纹理SUV特征：
      1. $SU{V}_{max}$ 肿瘤区域的最大SUV
      2. $SU{V}_{peak}$肿瘤区域内有最大SUV值的体素的平均值，与26个相邻体素相连
      3. $SU{V}_{mean}$肿瘤区域的SUV平均值
      4. $AUC-CSH$累计SUV-volume直方图下的面积
      5. $PercentInactive$不活跃的肿瘤区域的百分比
   2. Volume 从T2FS扫描中提取的肿瘤区域的体素数量乘以体素的维数
   3. Size ：从T2FS扫描中提取的肿瘤区域的最长直径
   4. Solidity：肿瘤区域内得体素书与肿瘤区域三维凸壳的体素数之比
   5. Eccentricity：$\sqrt{1-\frac{ab}{c^2}}$,其中c为长半主轴，a、b为椭圆第二、三长半主轴

---

6. 纹理特征：从5种不同类型扫描的肿瘤区域中提取了41个纹理特征
   全局特征提取自肿瘤区域的强度直方图,而GLCM、GLRLM、GLSZM、NGTDM纹理是基于矩阵的特征
   在计算GLCM、GLRLM、GLSZM、NGTDM时，中心体素被区别对待，以考虑离散化长度差异。

---

7. 纹理提取参数：

   1. 融合参数：

      1. MRI Inv：融合过程中磁共振成像的强度的倒置 取值（0,1）
      2. MRI Weight：MRI小波子带在融合过程中的权重 取值（$\frac{1}{4},\frac{1}{3},\frac{1}{2},\frac{2}{3},\frac{3}{4}$）

   2. Wavelet band-pass filtering（小波带通滤波）：通过对肿瘤区域的带通子带(LHL、LHH、LLH、HLL、HHL、HLH)施加不同的权重来完成稿的，通过R.Ratios确定应用于带通子带的权重与应用于其他子带的权重的比率。(R.Ratios=$\frac{1}{2},\frac{2}{3},1,\frac{3}{2},2$)

   3. Isotropic voxel size(各项同性体素大小)：此参数记为‘Scale’，在计算纹理特征前，使用三次差值将所有体积重新采样到各项同性体素大小，(Scale=1mm,2mm,3mm,4mm,5mm和初始平面分辨率)

      例如：如果所需的规模设置为5mm，而PET体积的体素大小为$5.47\times 5.47\times 3.27m{m}^3$,则将重采样到$5\times 5\times 5m{m}^3$

   4. Quantization of gray levels：在计算纹理特征之前，将肿瘤区域的所有强度范围量化为更少的灰度$N_g$。有两个与灰度量化有关的提取参数：

      1. 量化算法：记为‘Quant.algo’，有等概率算法和Lloyd-Max定量方法，等概率算法试图在体积中定义决策阈值，使具有重构水平的$r_k$的体素数量在所有灰度的量化体积中相同
      2. 量化体积内的灰度级数$N_g$:分别为8、16、32、64

---

2.6单变量分析

采用Spearman秩相关研究全组特征与$ST{S}_s$肺转移发展的单变量相关性。为了校正多个测试比较，应用Bonferroni校正方法：将显着性水平降低到值$p<\frac{\alpha }{K}$，其中K是比较的数量，α是显着性水平设置为0.05。

2.7多变量分析

1. 找到感兴趣的P变量的线性组合，使得多变量模型为：
   $g(x_i)={\beta }_0+{\sum }_{j+1}^p({\beta }_j{x}_{ij}),i=1,2...N$
2. 采用0.632+bootstrap方法和受试者操作特征曲线(ROC)度量下的面积(AUC)来估计在患者队列中获取的模型哪个能够更好的预测整个STS人群的肺转移。

ROC曲线指受试者工作特征曲线/接收器操作特性曲线(receiver operatingcharacteristiccurve),是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。

bootstrap方法：每当选中一个元组，这个元组同样也可能再次被选中并再次添加到训练集中。例如，想象一台从训练集中随机选择元组的机器，在有放回的的抽样中，允许机器多次选择同一个元组。
0.632自助法。方法如下：假设给定的数据集包含d个元组，该数据集有放回的抽样d次，产生d个样本的自助样本集或训练集。原始数据元祖中的某些元组很可能在该样本集中出现多次。没有进入该训练集的数据元组最终形成检验集。假设进行这样的抽样多次。其结果是：在平均情况下，63.2%原始数据元组将出现在自助样本中，而其他36.8%的元组将形成检验集.
数字63.2%从何而来？ 每个元组被选中的概率是 1/d, 因此未被选中的概率是（1-1/d）, 需要挑选 d 次，因此一个元组在d次都未被选中的概率$(1-1/d{)}^d$如果d很大，该概率近似为$e^{-1}$=0.368。因此36.8%的元组将作为验证集。

(3)

3. 在这项研究中，每次从多变量分析的X中提取bootstrap样本$X^{\ast b}$时，选择负实例的概率(NoLungMets)等于选择一个正实例(LungMets患者组类)的概率，此过程称为“不平衡调整bootstrap重采样”。

4. 建立了三种不同类型初始特征集的预测模型：

   1. 9种非纹理特征+9135PET扫描纹理参数特征
   2. 9个非纹理特征+27405种PET和MRI扫描纹理参数特征
   3. 9个非纹理特征+188700融合PET/MRI扫描纹理参数特征

5. 通过逐级前向特征选择方案从较大的初始集合中创建包含25个不同扫描纹理特征的简约特征集。

6. 从简化的特征集合中，通过最大化0.632+bootstrapAUC进行逐步前向特征选择。对于给定的模型顺序和给定的简化特征集，将特征选择步骤分为25个实验：

   1. 首先使用非平衡调整bootstrap重采样（1000个样本）来常见1000个逻辑回归模型g($x_i$)或者顺序2的
   2. 选择最大化的0.632+bootstrapAUC的唯一剩余特性，这个过程重复到model order10.
   3. 对于每个模型的顺序，确定产生最高0.632+自举AUC的实验，并且选择特征组合用于模型顺序1-10(仅选择模型的特征，但尚未计算逻辑回归系)

7. 对允许改变或不改变的纹理提取参数类型的所有可能组合（即自由度）重复特征减少和特征选择过程：在包含从FDG-PET扫描提取的纹理的初始特征集的情况下的24种组合和包含从单独扫描中提取的纹理的初始特征集，以及在包含从融合扫描中提取的纹理的初始特征集的情况下的26个组合。例如，在仅有MRI Weight和Quant的实验算法中，允许纹理提取参数变化。 FDG-PET初始特征集包含9个非纹理特征+79个扫描纹理参数特征，单独扫描初始特征集包含9个非纹理特征+237个扫描纹理参数特征融合扫描初始特征集包含9个非纹理特征+790扫描纹理参数特征。然后，针对三个特征集分别针对1-10的每个模型阶数，发现纹理提取参数的自由度，其产生具有最高0.632+自举AUC的多变量模型。对于不允许特定提取参数变化的实验，必须确定基线参数。

8. 一旦针对三种不同类型的特征集的1-10的模型确定了特征的最佳组合，则再次对所有模型执行不平衡调整的自举重采样（1000个样本）。然后使用0.632+bootstrap方法根据（3）中定义的AUC以及（5）中定义的灵敏度和特定度量来估计预测性能。使用三个初始特征集的预测估计，然后确定具有最佳简约特性的单个特征组合。

(5)

9. 构建最终预测模型的最后一步是使用不平衡调整的自举重采样（1000个样本）计算特征的最佳组合的系数。 假设在自举样本$X^{\ast b}$中计算特征j的逻辑回归系数,对结果向量y进行建模，其中j = 0,1…p，将其表示${\beta }_j(X^{\ast b},y)$，其中p是多变量模型阶数 j =0表示模型$g(x_i)$的偏移量。 然后如下进行最终预测模型的不同系数估计的计算(6):