影像组学的临床应用研究 ppt课件

• 通过计算机分析提取的不可视特征（直方图、纹理、分形 维等）——定量描述病变的异质性（肿瘤）
• 数据库的建立与共享 • 个体化数据分析
Hale Waihona Puke Baidu
• 在分析定量Radiomics特征时，需要考虑影像采集参数不 同、呼吸运动位移带来的干扰，使用合理的方法筛选抗 噪声能力强的Radiomics特征，并通过调整参数，提高影 像特征的稳定性。 • ROI的勾画应具有较好的可重复性及准确性。 • 模型的建立应通过努力扩大样本数量、选择合适的机器 学习演算法，提高预测效能、尽量降低过拟合风险。 • Radiomics的研究结果必须具有可重复性，得到多中心研 究的验证。为了实现较高的可靠性与可重复性，在 Radiomics研究流程的各个步骤和临床上, 均有不同的困 难需要克服。
次的挖掘、预测和分析来辅助医师做出最准确的诊断。
• 直观地理解为将视觉影像信息转化为深层次的特征来进行量化研究。
大数据
•
定义：一种规模大到在获取、存储、管理和分析等方面都 大大超出了传统数据库软件工具能力范围的数据范围。
•
主要特征：“4V”
•
• • •
Volume：海量的数据规模
Velocity：快速的数据流转 Variety：多样的数据类型 Value：价值大，价值密度低
•
异质性优化框架（HOF）——降低由于采集MR图像的仪器、方案的不同对肿 瘤的异质性分析所造成的影响。
质控指南的开发：影像特征(分辨率、重建以及参数获取)
临床参数(疾病阶段、疾病的类型和结果)
大数据
• 图像的分割与绘制 • 将图像分割为感兴趣容量(volumes-of-interest VOI)
• 人工手动 ：精度最高，费时费力，重复性低 • 半自动：速度提高，准确性较低，依赖操作者经验 • 自动：重复性好，研究阶段
影像组学利用大数据挖掘技术定量肿瘤异质 性，实现精准诊疗决策，提高患者的生存期
二、处理流程
• • • • •
（1）影像数据的获取； （2）图像的分割与绘制； （3）特征的提取和量化； （4）影像数据库的建立； （5）分类和预测。
• 影像数据的获取
• 入组数据需要具有相同或相似的采集参数， 保证数据不会受到机型、参数的影响。
影像组学的临床应用研究
郭小芳
主要内容
• 概念
• 处理流程
• 影像组学的临床应用 • 影像组学的优势
医学影像学
结构成像
分子生物学
功能成像
数字化医学影像学
基因组学
分子影像学
影像组学 radiomics
一、概 念
• •
最早由荷兰学者在2012年提出； 指从影像（CT、MRI、PET等）中高通量地提取大量影像信息，实现肿 瘤分割、特征提取与模型建立，凭借对海量影像数据信息进行更深层
• CT：可能是最为直接且最容易进行比对的，信号强度能与组织密
度联系起来
• PET-CT：主要的挑战是对示踪剂计量的校对和代谢容量或VOI
的重建问题
• MRI：磁共振影像信号强度变量，来源于组织各种内在固有属性
复杂的相互作用
• •
NSCLC肿瘤中，影像组学特征的可变性与不同的CT扫描的图像有关。应考虑 这些相互扫描的差异，并在未来的研究中尽量减少它们的影响。 Measuring Computed Tomography Scanner Variability of Radiomics Features
• 图像分割算法
• 基于阈值的分割方法：广泛 • 基于边缘的分割方法 • 基于区域的分割方法
• 特征提取与量化
• 广义：通过变换的方法用低维空间表示高维度特征数据； • 狭义：将ROI分割完成后，就可以对其进行特征提取。
• 特征：
• 常见描述病变的术语（形状、大小、密度、边缘等）—— 病变定性的描述
三、影像组学的临床应用
• 1、良恶性病变的鉴别诊断及肿瘤分期
• 辅助诊断肺结节的良恶性：Radiomics可以提高肺部结节 诊断的准确性。 • 与良性结节相比, 恶性结节的CT密度直方图具有更高的峰 度和更低的偏度, ROC曲线下面积0.71~0.83。利用肺结节 的分形维度可以将肺癌与肺炎、结核区分开。综合利用形 状、大小、直方图特征, 可以将判断结节良恶性质的ROC 曲线下面积从0.79提高到0.84
• • • • • Radiomics of Lung Nodules: A Multi-Institutional Study of Robustness and Agreement of Quantitative Imaging Features Radiological Image traits Predictive of Cancer Status in Pulmonary Nodules Effects of contrast-enhancement, reconstruction slice thickness and convolution kernel on the diagnostic performance of radiomics signature in solitary pulmonary nodule A Clinical Model To Estimate the Pretest Probability of Lung Cancer in Patients With Solitary Pulmonary Nodules （PET） SCREENING AND EARLY DETECTION OF LUNG CANCER
• 11 papers related to computed tomography (CT) Radiomics, 3 to Radiomics or texture analysis with positron emission tomography (PET) and 8 relating to PET/CT Radiomics. There are two main applications of Radiomics, the classification of lung nodules (diagnostic) or prognostication of established lung cancer (theragnostic).