影像组学

影像组学

1.影像组学研究的兴起

-2011年，影像组学先驱Lambin首次提出Radiomics。

-2012年给出定义：高通量的从放射摄影影像中提取大量的影像特征核心目标是提升对医学影像的量化分析。

-2012年对影像组学的应用范围明确到CT、PET或MRI，目标是高保真、高通量的将影像转化为可挖掘的数据。

-2013年明确提出假设：医学影像中存在肉眼难以应用的关键信息。

-2014年Hugo J.W.L Aerts取得突破性进展，证明了影像组学的预后能力。

-2015年定义开始侧重于肿瘤表型的量化

-2016年，影像组学先驱Robert Gillies定义影像组学为将影像转化为高维特征，并利用数据挖掘提升对医学决策的支持。

-2017年，Lambin提出了当前最新的影像组学定义，影像组学从标准医疗成像中高通量的提取和挖掘图像定量特征用于临床决策支持系统以提升诊断、预后和预测的准确性。

2.感兴趣区域的分割

异质性给精准、可重复性、稳定的分割带来了挑战

三种分割方式的优势劣势对比：

手动分割：费时、费力、主观，目前一般以此为金标准

半自动：速度快，需要交互，后期调整工作量较大

全自动：速度快，无需交互、可重复性，当前研究仍难以有效应用

应用影像组学时的两类分割需求：

-训练样本，提升医生的效率
-新到样本，提升应用的自动化程度

自动分割是脑胶质瘤分割的发展方向

T2序列的分割可以包含脑胶质瘤的所有区域

超像素分割的优势和主要问题：

-优势：减轻后期处理难度，提升算法鲁棒性

-主要问题：需要设置参数

3.特征工程

传统诊断依赖医生的经验，主观、稳定性和可靠性差

特征的选择对模型至关重要，手工选择工作量大、需要专业知识

影像组学包括多类特征，同时可以针对亚区进行计算，特征量特别巨大

影像组学特征的特点：

-部分特征存在NaN、Inf的情况
-多项研究表明影像组学特征存在与采集过程相关的特征（不稳定特征）

-研究表明部分影像组学特征与分割边界有直接关系（不稳定特征）

-特征之间存在大量冗余（冗余特征）

-部分特征与目标不存在关系（不相关特征）

-部分特征缺乏代表性（不相关特征）

4.特征预处理

缺失值处理

-对于训练样本中的缺失值，若确实较多，经确认后可以予以删除

-对于特征中的缺失值，若较少时，采用均值填充，若超过一定比例，经确认后予以删除

删除离群点

采用四分位距进行离群点的判断，经确认后予以删除

特征变换和标准化

-分布测试

-对数变换

-标准化（Z-score）