影像组学的临床应用研究.pptxVIP

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

添加标题结构成像添加标题功能成像添加标题分子生物学添加标题分子影像学添加标题数字化医学影像学添加标题基因组学添加标题影像组学radiomics添加标题医学影像学

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

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、处理流程影像数据的获取；01图像的分割与绘制；02特征的提取和量化；03影像数据库的建立；04分类和预测。05

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。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

单击此处添加大标题内容大数据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。MeasuringComputedTomographyScannerVariabilityofRadiomicsFeatures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)

图像的分割与绘制将图像分割为感兴趣容量(volumes-of-interestVOI)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

基于边缘的分割方法图像分割算法基于区域的分割方法基于阈值的分割方法：广泛

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）

个体化数据分析数据库的建立与共享

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。

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0.84RadiomicsofLungNodules:AMulti-InstitutionalStudyofRobustnessandAgreementofQuantitativeImagingFeaturesRadiologicalImagetraitsPredictiveofCancerStatusinPulmonaryNodulesEffectsofcontrast-enhancement,reconstructionslicethicknessandconvolutionkernelonthediagnosticperformanceofradiomicssignatureinsolitarypulmonarynoduleAClinicalModelToEstimatethePret