python影像组学_【影像组学预测模型-Radiomics】实操教学

影像组学(Radiomics)是一个新兴的概念,2012 年由荷兰学者 Philippe Lambin 首次提出,其定义是借助计算机软件,从医学影像图像中挖掘海量的定量影像特征,使用统计学和/或机器学习的方法, 筛选最有价值的影像组学特征,用以解析临床信息,用于疾病的定性、肿瘤分级分期、疗效评估和预后预测等.

流程概述

第一步：勾画ROI(三维ROI)

这一步很多软件都能做到 (工具见第二部分)。请留意使用的工具应能勾画三维的ROI，并且体素大小、层间距等几何信息能计算准确，否则跟形态/轮廓相关的特征会计算错误。

第二步：计算ROI内影像信号(也就是把ROI内的影像抠出来)的特征集。特征集包括：灰度特征：即常见的直方图信息譬如均值，均方偏差，偏度之类；

形状特征：根据ROI轮廓计算的，如体积、表面积、最大径之类的；

纹理特征：通过灰度共生矩阵计算出来的高阶特征。这些纹理特征其实往往都有显示意义，举例：SizeZone特征用于评估ROI内影像的块状程度，下列两个瓷砖图的Small     Area Emphasis / Large Area Emphasis就不同。

这一步需要特别留意的是：应该用信号真实值而不是灰度值进行计算。单纯把0~4095的灰度值放进去计算，难以把不同被试的图归一化。所以作者不推荐用通用的图像纹理计算软件。应使用专业的医学影像处理软件，准确读入DICOM信息得到真实值。

第三步：数据挖掘，预测模型建立与检验。

目前最常见的套路是利用Lasso回归筛选相关变量，然后绘制nomogram，对nomogram性能进行评价。如果再深入一点，那就是基于nomogram做亚组划分与分析。