掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類(lèi)五星書(shū)更多>
-
>
中醫(yī)入門(mén)必背歌訣
-
>
醫(yī)驗(yàn)集要
-
>
尋回中醫(yī)失落的元神2:象之篇
-
>
補(bǔ)遺雷公炮制便覽 (一函2冊(cè))
-
>
人體解剖學(xué)常用詞圖解(精裝)
-
>
神醫(yī)華佗(奇方妙治)
-
>
(精)河南古代醫(yī)家經(jīng)驗(yàn)輯
中圖價(jià):¥144.5
加入購(gòu)物車(chē)
影像組學(xué)基礎(chǔ) 版權(quán)信息
- ISBN：9787030684721
- 條形碼：9787030684721 ; 978-7-03-068472-1
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
影像組學(xué)基礎(chǔ) 內(nèi)容簡(jiǎn)介
本書(shū)系統(tǒng)介紹了影像組學(xué)的發(fā)展歷程、基本概念、關(guān)鍵技術(shù)和軟件平臺(tái)，并對(duì)影像組學(xué)在輔助疾病診療和療效評(píng)估兩個(gè)方面的典型應(yīng)用進(jìn)行了詳細(xì)分析。此外，還探討了影像組學(xué)研究的基本范式，并對(duì)目前影像組學(xué)研究存在的潛在問(wèn)題進(jìn)行了總結(jié)，對(duì)未來(lái)影像組學(xué)的發(fā)展趨勢(shì)進(jìn)行了展望。 本書(shū)適合醫(yī)學(xué)影像、醫(yī)學(xué)統(tǒng)計(jì)學(xué)、生物醫(yī)學(xué)工程等相關(guān)學(xué)科的臨床工作者或科研人員閱讀，也可作為相關(guān)專(zhuān)業(yè)高年級(jí)本科生、研究生的參考用書(shū)。
影像組學(xué)基礎(chǔ) 目錄
目錄
序一
PREFACE 1
序二
PREFACE 2
序三
PREFACE 3
前言
第1章 緒論 1
1.1 醫(yī)學(xué)影像的背景 1
1.2 影像組學(xué)的概念 3
1.3 影像組學(xué)的價(jià)值 4
1.4 影像組學(xué)分析方法概述 5
1.4.1 醫(yī)學(xué)影像采集 6
1.4.2 腫瘤區(qū)域分割 7
1.4.3 腫瘤影像表型 7
1.4.4 腫瘤臨床預(yù)測(cè) 9
1.4.5 人工智能新技術(shù) 10
1.5 影像組學(xué)的臨床應(yīng)用前景 11
參考文獻(xiàn) 11
第2章 影像組學(xué)的關(guān)鍵技術(shù)及軟件平臺(tái) 14
2.1 腫瘤檢測(cè) 14
2.1.1 數(shù)據(jù)預(yù)處理 14
2.1.2 候選結(jié)節(jié)檢測(cè) 15
2.2 圖像配準(zhǔn) 17
2.2.1 基于空間區(qū)域加權(quán)的相關(guān)比測(cè)度的彈性配準(zhǔn) 17
2.2.2 基于無(wú)監(jiān)督網(wǎng)絡(luò)的腦磁共振圖像形變配準(zhǔn) 21
2.2.3 基于無(wú)監(jiān)督對(duì)抗相似度判別網(wǎng)絡(luò)的圖像形變配準(zhǔn) 24
2.3 腫瘤圖像分割 28
2.3.1 基于卷積神經(jīng)網(wǎng)絡(luò)的腦腫瘤分割 28
2.3.2 基于MV-CNN的肺結(jié)節(jié)分割算法 29
2.3.3 基于中心池化卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)分割 33
2.3.4 基于全卷積網(wǎng)絡(luò)的腫瘤分割方法 40
2.4 基于知識(shí)的醫(yī)學(xué)圖像分割方法 41
2.4.1 融入先驗(yàn)信息的深度學(xué)習(xí)模型 41
2.4.2 基于活動(dòng)輪廓線模型的醫(yī)學(xué)圖像分割方法 43
2.4.3 融入解剖學(xué)和成像知識(shí)的圖像分割與Bias校正的數(shù)學(xué)模型 45
2.5 醫(yī)學(xué)數(shù)據(jù)可視化 46
2.5.1 多模態(tài)醫(yī)學(xué)圖像可視化 48
2.5.2 可視化工具包 51
2.6 特征提取 52
2.6.1 人工設(shè)計(jì)的特征 52
2.6.2 深度學(xué)習(xí)特征 53
2.7 特征選擇與降維 54
2.7.1 傳統(tǒng)線性降維 55
2.7.2 基于特征選擇的降維方法 56
2.7.3 基于模型與正則化的特征選擇 57
2.8 模型構(gòu)建 62
2.8.1 線性回歸模型 63
2.8.2 線性分類(lèi)模型 66
2.8.3 樹(shù)模型 69
2.8.4 自適應(yīng)提升模型 70
2.8.5 模型選擇 72
2.8.6 卷積神經(jīng)網(wǎng)絡(luò) 73
2.8.7 遷移學(xué)習(xí) 77
2.8.8 半監(jiān)督學(xué)習(xí) 80
2.9 影像組學(xué)質(zhì)量評(píng)估體系 84
2.10 影像組學(xué)軟件平臺(tái) 86
2.10.1 Radlomlcs 軟件 86
2.10.2 Pyradlomlcs影像組學(xué)算法庫(kù) 87
參考文獻(xiàn) 96
第3章 影像組學(xué)在輔助診斷中的應(yīng)用 101
3.1 影像組學(xué)在腫瘤鑒別診斷與分期中的應(yīng)用 103
3.1.1 腫瘤良惡性鑒別 103
3.1.2 腫瘤淋巴結(jié)轉(zhuǎn)移預(yù)測(cè) 110
3.1.3 腫瘤遠(yuǎn)處轉(zhuǎn)移預(yù)測(cè) 129
3.1.4 腫瘤其他分期診斷 139
3.2 影像組學(xué)在腫瘤分子分型中的應(yīng)用 146
3.2.1 腫瘤病理亞型預(yù)測(cè) 146
3.2.2 腫瘤分子分型預(yù)測(cè) 158
3.3 影像組學(xué)在其他疾病診斷中的應(yīng)用 175
3.3.1 肝纖維化分期診斷 175
3.3.2 冠狀動(dòng)脈斑塊診斷 181
3.3.3 胎兒21-三體綜合征診斷 185
3.3.4 新冠肺炎診斷 189
參考文獻(xiàn) 200
第4章 影像組學(xué)在療效評(píng)估和預(yù)后預(yù)測(cè)中的應(yīng)用 209
4.1 影像組學(xué)在腫瘤療效評(píng)估中的應(yīng)用 209
4.1.1 放化療的療效評(píng)估 209
4.1.2 靶向治療的療效評(píng)估 212
4.1.3 介入治療的療效評(píng)估 220
4.1.4 新輔助治療的療效評(píng)估 225
4.1.5 治療方案的選擇與療效評(píng)估 229
4.2 影像組學(xué)在腫瘤預(yù)后預(yù)測(cè)中的應(yīng)用 242
4.2.1 腫瘤復(fù)發(fā)的預(yù)測(cè) 243
4.2.2 腫瘤生存期預(yù)測(cè) 254
參考文獻(xiàn) 262
第5章 總結(jié)和展望 272
5.1 總結(jié) 272
5.2 展望 273
5.2.1 影像組學(xué)的臨床應(yīng)用前景 274
5.2.2 制訂研究規(guī)范 275
5.2.3 醫(yī)學(xué)大數(shù)據(jù)基礎(chǔ) 275
5.2.4 病灶分割算法 276
5.2.5 實(shí)驗(yàn)的可重復(fù)性 276
5.3 結(jié)語(yǔ) 277
參考文獻(xiàn) 277
序一
PREFACE 1
序二
PREFACE 2
序三
PREFACE 3
前言
第1章 緒論 1
1.1 醫(yī)學(xué)影像的背景 1
1.2 影像組學(xué)的概念 3
1.3 影像組學(xué)的價(jià)值 4
1.4 影像組學(xué)分析方法概述 5
1.4.1 醫(yī)學(xué)影像采集 6
1.4.2 腫瘤區(qū)域分割 7
1.4.3 腫瘤影像表型 7
1.4.4 腫瘤臨床預(yù)測(cè) 9
1.4.5 人工智能新技術(shù) 10
1.5 影像組學(xué)的臨床應(yīng)用前景 11
參考文獻(xiàn) 11
第2章 影像組學(xué)的關(guān)鍵技術(shù)及軟件平臺(tái) 14
2.1 腫瘤檢測(cè) 14
2.1.1 數(shù)據(jù)預(yù)處理 14
2.1.2 候選結(jié)節(jié)檢測(cè) 15
2.2 圖像配準(zhǔn) 17
2.2.1 基于空間區(qū)域加權(quán)的相關(guān)比測(cè)度的彈性配準(zhǔn) 17
2.2.2 基于無(wú)監(jiān)督網(wǎng)絡(luò)的腦磁共振圖像形變配準(zhǔn) 21
2.2.3 基于無(wú)監(jiān)督對(duì)抗相似度判別網(wǎng)絡(luò)的圖像形變配準(zhǔn) 24
2.3 腫瘤圖像分割 28
2.3.1 基于卷積神經(jīng)網(wǎng)絡(luò)的腦腫瘤分割 28
2.3.2 基于MV-CNN的肺結(jié)節(jié)分割算法 29
2.3.3 基于中心池化卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)分割 33
2.3.4 基于全卷積網(wǎng)絡(luò)的腫瘤分割方法 40
2.4 基于知識(shí)的醫(yī)學(xué)圖像分割方法 41
2.4.1 融入先驗(yàn)信息的深度學(xué)習(xí)模型 41
2.4.2 基于活動(dòng)輪廓線模型的醫(yī)學(xué)圖像分割方法 43
2.4.3 融入解剖學(xué)和成像知識(shí)的圖像分割與Bias校正的數(shù)學(xué)模型 45
2.5 醫(yī)學(xué)數(shù)據(jù)可視化 46
2.5.1 多模態(tài)醫(yī)學(xué)圖像可視化 48
2.5.2 可視化工具包 51
2.6 特征提取 52
2.6.1 人工設(shè)計(jì)的特征 52
2.6.2 深度學(xué)習(xí)特征 53
2.7 特征選擇與降維 54
2.7.1 傳統(tǒng)線性降維 55
2.7.2 基于特征選擇的降維方法 56
2.7.3 基于模型與正則化的特征選擇 57
2.8 模型構(gòu)建 62
2.8.1 線性回歸模型 63
2.8.2 線性分類(lèi)模型 66
2.8.3 樹(shù)模型 69
2.8.4 自適應(yīng)提升模型 70
2.8.5 模型選擇 72
2.8.6 卷積神經(jīng)網(wǎng)絡(luò) 73
2.8.7 遷移學(xué)習(xí) 77
2.8.8 半監(jiān)督學(xué)習(xí) 80
2.9 影像組學(xué)質(zhì)量評(píng)估體系 84
2.10 影像組學(xué)軟件平臺(tái) 86
2.10.1 Radlomlcs 軟件 86
2.10.2 Pyradlomlcs影像組學(xué)算法庫(kù) 87
參考文獻(xiàn) 96
第3章 影像組學(xué)在輔助診斷中的應(yīng)用 101
3.1 影像組學(xué)在腫瘤鑒別診斷與分期中的應(yīng)用 103
3.1.1 腫瘤良惡性鑒別 103
3.1.2 腫瘤淋巴結(jié)轉(zhuǎn)移預(yù)測(cè) 110
3.1.3 腫瘤遠(yuǎn)處轉(zhuǎn)移預(yù)測(cè) 129
3.1.4 腫瘤其他分期診斷 139
3.2 影像組學(xué)在腫瘤分子分型中的應(yīng)用 146
3.2.1 腫瘤病理亞型預(yù)測(cè) 146
3.2.2 腫瘤分子分型預(yù)測(cè) 158
3.3 影像組學(xué)在其他疾病診斷中的應(yīng)用 175
3.3.1 肝纖維化分期診斷 175
3.3.2 冠狀動(dòng)脈斑塊診斷 181
3.3.3 胎兒21-三體綜合征診斷 185
3.3.4 新冠肺炎診斷 189
參考文獻(xiàn) 200
第4章 影像組學(xué)在療效評(píng)估和預(yù)后預(yù)測(cè)中的應(yīng)用 209
4.1 影像組學(xué)在腫瘤療效評(píng)估中的應(yīng)用 209
4.1.1 放化療的療效評(píng)估 209
4.1.2 靶向治療的療效評(píng)估 212
4.1.3 介入治療的療效評(píng)估 220
4.1.4 新輔助治療的療效評(píng)估 225
4.1.5 治療方案的選擇與療效評(píng)估 229
4.2 影像組學(xué)在腫瘤預(yù)后預(yù)測(cè)中的應(yīng)用 242
4.2.1 腫瘤復(fù)發(fā)的預(yù)測(cè) 243
4.2.2 腫瘤生存期預(yù)測(cè) 254
參考文獻(xiàn) 262
第5章 總結(jié)和展望 272
5.1 總結(jié) 272
5.2 展望 273
5.2.1 影像組學(xué)的臨床應(yīng)用前景 274
5.2.2 制訂研究規(guī)范 275
5.2.3 醫(yī)學(xué)大數(shù)據(jù)基礎(chǔ) 275
5.2.4 病灶分割算法 276
5.2.5 實(shí)驗(yàn)的可重復(fù)性 276
5.3 結(jié)語(yǔ) 277
參考文獻(xiàn) 277
展開(kāi)全部
影像組學(xué)基礎(chǔ) 節(jié)選
第1章緒論 醫(yī)學(xué)影像始于1895年德國(guó)物理學(xué)家威廉 拉德 倫琴發(fā)現(xiàn)X射線，1978年，G.N.Hounsfield公布計(jì)算機(jī)斷層成像（ComputedTomography，CT)技術(shù)，其被認(rèn)為是20世紀(jì)科學(xué)技術(shù)的重大成就之一。自此，醫(yī)學(xué)影像迅速發(fā)展，新的醫(yī)學(xué)影像設(shè)備和醫(yī)學(xué)成像技術(shù)不斷涌現(xiàn)，醫(yī)學(xué)影像在疾病診斷和治療中也發(fā)揮了越來(lái)越大的作用。另一方面，近年來(lái)人工智能的迅猛發(fā)展，在人臉識(shí)別、目標(biāo)檢測(cè)等領(lǐng)域中展現(xiàn)出巨大的應(yīng)用前景，而海量醫(yī)學(xué)大數(shù)據(jù)的積累為人工智能應(yīng)用于醫(yī)學(xué)影像數(shù)據(jù)分析提供了良好契機(jī)，在此背景下影像組學(xué)應(yīng)運(yùn)而生，影像組學(xué)以人工智能為工具，通過(guò)對(duì)海量醫(yī)學(xué)影像進(jìn)行數(shù)據(jù)挖掘分析獲得疾病圖像的潛在病理生理信息，從而可實(shí)現(xiàn)疾病分期分型預(yù)測(cè)、療效評(píng)估、預(yù)后預(yù)測(cè)等。本章內(nèi)容以腫瘤為例，從醫(yī)學(xué)影像的背景以及影像組學(xué)的概念、價(jià)值、方法流程和臨床應(yīng)用前景五個(gè)方面展開(kāi)。 1.1醫(yī)學(xué)影像的背景 根據(jù)世界衛(wèi)生組織下屬的國(guó)際癌癥研究機(jī)構(gòu)（The International Agency for Research on Cancer)于2018年9月發(fā)表的2018全球癌癥報(bào)告，全球新增癌癥病例高達(dá)1810萬(wàn)，因癌癥死亡人數(shù)達(dá)960萬(wàn)，且年輕患者的發(fā)病率在逐年增高[1]；中國(guó)國(guó)家癌癥中心2019年1月發(fā)布的全國(guó)癌癥統(tǒng)計(jì)數(shù)據(jù)報(bào)告表明，2015年全國(guó)惡性腫瘤發(fā)病約392.9萬(wàn)人，死亡約233.8萬(wàn)人；癌癥已然成為嚴(yán)重影響人類(lèi)生活質(zhì)量、威脅人類(lèi)生命的主要疾病。而癌癥的早期診斷和準(zhǔn)確的預(yù)后評(píng)估對(duì)于制定準(zhǔn)確的個(gè)性化治療方案起著十分重要的作用。 隨著CT、核磁共振成像(MagneticResonanceImaging，MRI)、正電子發(fā)射斷層成像(PositronEmissionTomography，PET)、超聲(Ultrasound)等醫(yī)學(xué)影像技術(shù)廣泛應(yīng)用于臨床，為輔助腫瘤分期和評(píng)估腫瘤患者預(yù)后提供了影像學(xué)參考依據(jù)。醫(yī)學(xué)影像是臨床上對(duì)腫瘤進(jìn)行臨床評(píng)估以及治療后療效評(píng)估的重要工具。CT對(duì)腫瘤的診斷價(jià)值在于可以從CT圖像中觀察癌變組織的形態(tài)和密度改變、腫瘤的侵犯范圍，對(duì)病變的分期判斷具有重要的作用，但是對(duì)形態(tài)學(xué)不明顯的早期病變難以做出診斷；MRI可多參數(shù)、多序列、多方位成像，在軟組織對(duì)比度方面具有較高優(yōu)勢(shì)，可以清晰地顯示腫瘤的大小、位置及其侵犯周?chē)M織的程度，對(duì)腫瘤的診斷和分期有較好的臨床價(jià)值，以幫助制訂手術(shù)方案；PET對(duì)疾病診斷的靈敏度高，但分辨率低，現(xiàn)通常將PET和CT/MR組合以彌補(bǔ)PET分辨率低的問(wèn)題，從而實(shí)現(xiàn)解剖定位。超聲成像可以清晰顯示臟器及周?chē)鞴俚母鞣N斷面像，接近解剖真實(shí)結(jié)構(gòu)，因其價(jià)廉、簡(jiǎn)便、迅速、無(wú)創(chuàng)、無(wú)輻射性、準(zhǔn)確、可連續(xù)動(dòng)態(tài)及重復(fù)掃描等優(yōu)勢(shì)應(yīng)用甚廣，常作為實(shí)質(zhì)臟器及含液器官的首選成像方法。 醫(yī)學(xué)影像作為一種無(wú)創(chuàng)的腫瘤診斷方法，已被廣泛應(yīng)用于各類(lèi)腫瘤的輔助診斷中，但仍存在諸多挑戰(zhàn)： 首先，目前使用影像信息進(jìn)行臨床輔助診斷往往依靠醫(yī)生的主觀經(jīng)驗(yàn)，通過(guò)影像反映出的病人疾病影像特征給予相應(yīng)診斷，然而醫(yī)學(xué)影像中仍有待開(kāi)發(fā)的揭示病變分期和預(yù)后的有價(jià)值信息。例如基于標(biāo)準(zhǔn)的醫(yī)學(xué)圖像，臨床醫(yī)生只能從中獲得類(lèi)似于腫瘤形狀大小和腫瘤代謝等視覺(jué)信息，而這些信息可能和腫瘤的病理生理或者診療效果相關(guān)性不高，從而無(wú)法提供有效的手段早期量化腫瘤的病理分期分型或者腫瘤接受治療后的變化[2]。而醫(yī)學(xué)影像不僅僅是圖像，除了提供視覺(jué)信息之外，還包含和腫瘤病理生理及組織細(xì)胞微環(huán)境有關(guān)的大量潛在信息[3]，長(zhǎng)久以來(lái)臨床上并未對(duì)這些潛在信息進(jìn)行有效利用，對(duì)醫(yī)學(xué)影像數(shù)據(jù)的深度挖掘?qū)⒛塬@得更多包括腫瘤形態(tài)學(xué)、潛在病理機(jī)制、腫瘤異質(zhì)性等在內(nèi)的信息，基于這些信息將有助于實(shí)現(xiàn)腫瘤的精準(zhǔn)診斷、制定個(gè)性化治療方案。 其次，醫(yī)學(xué)影像已從*初單一的X射線成像發(fā)展為現(xiàn)在多種模態(tài)的醫(yī)學(xué)成像技術(shù)，可以在病理、細(xì)胞和分子層次反映腫瘤信息。醫(yī)學(xué)影像已成為臨床上對(duì)腫瘤評(píng)估的有效手段，用于進(jìn)行腫瘤分期分型診斷或者評(píng)估治療效果5]。在腫瘤的標(biāo)準(zhǔn)化臨床診斷和治療中，對(duì)醫(yī)學(xué)影像的應(yīng)用大多數(shù)都只停留在對(duì)腫瘤解剖結(jié)構(gòu)或者腫瘤大小的評(píng)估上，而且影像手段一般也被認(rèn)為是一種較為簡(jiǎn)單的方法，這種偏見(jiàn)從一定程度上限制了醫(yī)學(xué)影像在腫瘤異質(zhì)性研究方面的應(yīng)用潛力。醫(yī)學(xué)影像為腫瘤異質(zhì)性研究提供了一個(gè)潛在的數(shù)據(jù)來(lái)源。眾所周知，腫瘤在不同的病人之間有著迥然不同的表型差異，而這種表型差異可以通過(guò)醫(yī)學(xué)影像進(jìn)行挖掘。醫(yī)學(xué)影像的優(yōu)勢(shì)在于可以通過(guò)無(wú)創(chuàng)的方法獲得腫瘤的外觀表型，比如在宏觀尺度的瘤內(nèi)異質(zhì)性，即腫瘤在生長(zhǎng)過(guò)程中，經(jīng)過(guò)多次分裂增殖，其子細(xì)胞呈現(xiàn)出分子生物學(xué)或基因方面的改變，從而使腫瘤的生長(zhǎng)速度、侵襲能力、對(duì)藥物的敏感性、預(yù)后等各方面產(chǎn)生差異。在目前的臨床研究中，通過(guò)穿刺的方法也可以獲取腫瘤相關(guān)信息，但是由于穿刺只能提取部分組織，而腫瘤異質(zhì)性導(dǎo)致部分組織的檢查無(wú)法全面地反映腫瘤內(nèi)部病理信息。更進(jìn)一步地，重復(fù)有創(chuàng)的穿刺操作對(duì)病人來(lái)說(shuō)也是較重的負(fù)擔(dān)。相反地，醫(yī)學(xué)影像提供的腫瘤的影像表型則提供了包含腫瘤基因型、腫瘤微環(huán)境和潛在治療效果的豐富信息。盡管腫瘤影像無(wú)法詳細(xì)地量化腫瘤的生理過(guò)程，但是影像提供的信息可以對(duì)基因信息起到互補(bǔ)的作用。因此基于醫(yī)學(xué)影像的腫瘤影像表型在精準(zhǔn)醫(yī)療中的作用需要進(jìn)一步地深入研究，腫瘤影像表型在臨床上可以較為容易地獲得，將對(duì)臨床診斷、腫瘤分期和診療方案制定提供潛在幫助。而且，臨床醫(yī)師可以在每次隨訪都對(duì)病人的腫瘤影像表型進(jìn)行量化評(píng)估，而病人不必為此增加額外的負(fù)擔(dān)。 在目前的臨床實(shí)踐中，影像科醫(yī)生采用一些簡(jiǎn)單量化指標(biāo)去進(jìn)行腫瘤評(píng)估，在CT的斷層圖像中，腫瘤大小可以通過(guò)二維或者三維方法進(jìn)行描述；而在PET影像中，則只是采用*大或者平均造影劑攝入量去量化代謝。盡管這些指標(biāo)都是很有意義的生物標(biāo)志物，但是能夠提供的信息有限。除了量化的影像學(xué)特征之外，從醫(yī)學(xué)圖像中還可以獲取語(yǔ)義型特征，語(yǔ)義型特征指通過(guò)影像專(zhuān)家對(duì)醫(yī)學(xué)影像進(jìn)行肉眼評(píng)估獲得的腫瘤特性特征。在臨床上，語(yǔ)義型特征是對(duì)腫瘤的定性判斷，在獲取語(yǔ)義特征時(shí)，需要評(píng)估者具備專(zhuān)業(yè)醫(yī)學(xué)影像背景知識(shí)，同時(shí)評(píng)估結(jié)論容易受不同的評(píng)估者的主觀因素影響。因此臨床醫(yī)師也需要做大量的工作來(lái)定義術(shù)語(yǔ)以統(tǒng)一標(biāo)準(zhǔn)。建立統(tǒng)一術(shù)語(yǔ)標(biāo)準(zhǔn)的好處在于，術(shù)語(yǔ)由經(jīng)驗(yàn)豐富的影像學(xué)專(zhuān)家定義，可以為腫瘤定性地建立一個(gè)統(tǒng)一的衡量標(biāo)準(zhǔn)。 1.2影像組學(xué)的概念 近年來(lái)，由于存儲(chǔ)技術(shù)和信息處理技術(shù)的發(fā)展，病人的醫(yī)學(xué)影像信息得到了很好的數(shù)字化保存，因此醫(yī)學(xué)圖像不再是少量的數(shù)據(jù)資源，而成為與互聯(lián)網(wǎng)數(shù)據(jù)、金融數(shù)據(jù)并列的第三大數(shù)據(jù)資源。與以往的基于小樣本的單純圖像處理相比，大量的醫(yī)學(xué)圖像帶來(lái)了新的研究機(jī)遇：①基于大量的影像數(shù)據(jù)，可以建立更為精準(zhǔn)的統(tǒng)計(jì)模型來(lái)提高計(jì)算機(jī)輔助診斷系統(tǒng)的診斷和檢測(cè)水平，使其精度提高到接近人的診斷;②有了大數(shù)據(jù)的鋪墊，很多更為復(fù)雜而且表達(dá)能力很強(qiáng)的機(jī)器學(xué)習(xí)、模式識(shí)別以及統(tǒng)計(jì)學(xué)方法可以發(fā)揮更好的作用，從而在海量的影像數(shù)據(jù)中挖掘出更多潛在的規(guī)律和信息。醫(yī)學(xué)影像大數(shù)據(jù)的積累和人工智能技術(shù)的快速發(fā)展直接促使一項(xiàng)新的綜合分析方法的誕生。 影像組學(xué)(Radwmics)是2012年由Lambm等人[6]提出的一種新興的醫(yī)學(xué)圖像分析方法，指的是高通量地從影像中提取大量影像特征（因此*初譯為放射組學(xué)），同年Kumar等人做了補(bǔ)充，將影像組學(xué)的定義擴(kuò)充為高通量地從CT、PET和MRI中提取并分析大量高級(jí)的定量影像特征[7]，擴(kuò)充了成像模態(tài)，加入了定量分析等概念，Aerts等人在2014年Nature Commutations上發(fā)表了突破性的應(yīng)用成果，指出影像組學(xué)的預(yù)后預(yù)測(cè)能力，進(jìn)而引起了科研界的廣泛關(guān)注[8]。通俗地來(lái)講，影像組學(xué)是指從臨床不同模態(tài)的影像數(shù)據(jù)中提取并分析具有強(qiáng)代表性的定量影像特征，即使用大量自動(dòng)化的特征描述算法，將圖像數(shù)據(jù)轉(zhuǎn)換到高維可挖掘的特征空間，通過(guò)將其與臨床信息進(jìn)行對(duì)比分析，完成對(duì)病例數(shù)據(jù)的病變?cè)\斷和預(yù)測(cè)等工作。進(jìn)一步來(lái)說(shuō)，影像組學(xué)分析就是基于圖像中提取的定量特征參數(shù)與腫瘤的分子表型及基因型存在一定的相關(guān)性這一假設(shè)，通過(guò)對(duì)臨床診斷治療中采集的醫(yī)學(xué)圖像進(jìn)行后處理，提取肉眼難以看到的信息，并與其他基因組數(shù)據(jù)、代謝數(shù)據(jù)和蛋白質(zhì)數(shù)據(jù)等結(jié)合，一起提高腫瘤的療效預(yù)測(cè)及預(yù)后評(píng)估效能，*大程度上實(shí)現(xiàn)患者的個(gè)性化治療。 1.3影像組學(xué)的價(jià)值 不同類(lèi)型的腫瘤由于其病理特性不同，在影像上的表現(xiàn)迥異，不同的腫瘤影像特征也預(yù)示腫瘤對(duì)于治療的反應(yīng)不同，并直接影響著預(yù)后。目前通過(guò)影像手段實(shí)現(xiàn)腫瘤的預(yù)判都需要醫(yī)生根據(jù)其主觀的臨床經(jīng)驗(yàn)、病理切片以及血檢等進(jìn)行詳細(xì)的檢測(cè)得到臨床檢測(cè)結(jié)果。然而，基于現(xiàn)有的醫(yī)學(xué)影像特征分析研究，某些多維紋理特征能夠準(zhǔn)確反映病變組織的病理學(xué)信息，對(duì)于實(shí)現(xiàn)個(gè)體化醫(yī)療具有重要的研究?jī)r(jià)值，所以一個(gè)完備的特征庫(kù)對(duì)于后續(xù)關(guān)鍵特征篩選能夠提供更全面的數(shù)據(jù)支持。因此采用計(jì)算機(jī)方法輔助完成病變的預(yù)測(cè)分析并給出可信的建議具有很好的實(shí)用意義[9]。 影像組學(xué)分析主要從圖像中提取出與診斷相關(guān)聯(lián)的特征并對(duì)其進(jìn)行量化，例如在腫瘤的CT圖像中，不同病理級(jí)別的腫瘤的形狀、大小和紋理等方面存在差異。這些特征經(jīng)常被醫(yī)生作為人工診斷的依據(jù)，但其判斷結(jié)果存在主觀性且與醫(yī)生經(jīng)驗(yàn)有關(guān)，難以保證客觀性和可復(fù)現(xiàn)性。在影像組學(xué)的分析流程中，這些醫(yī)生定性描述的特征可以從圖像的角度用數(shù)學(xué)表達(dá)式進(jìn)行定量描述，從而提供客觀可重復(fù)的診斷。影像組學(xué)試圖通過(guò)大量的醫(yī)學(xué)圖像提取出和診斷結(jié)果有關(guān)聯(lián)的圖像特征，并由圖像直接進(jìn)行診斷結(jié)果分析，而不僅僅是單獨(dú)的圖像處理工作。例如，研究人員通過(guò)影像組學(xué)的方法提取出高維的圖像特征，并發(fā)現(xiàn)這些特征和肺癌預(yù)后生存期高度相關(guān)。根據(jù)這些特征的取值不同，可以將病人分為不同的風(fēng)險(xiǎn)組，從而可以采用不同的治療方案[8]。 除了使用圖像數(shù)據(jù)外，影像組學(xué)還引入了基因分析的方法以提高診斷精度。在傳統(tǒng)的基因分析方法中，通常在腫瘤的某個(gè)位置采樣然后進(jìn)行基因測(cè)序來(lái)判斷某個(gè)基因是否突變。由于腫瘤的異質(zhì)性，基因突變可能在沒(méi)有被取樣到的腫瘤的其他部分發(fā)生。因此，傳統(tǒng)的基因分析可能有抽樣誤差。一旦出現(xiàn)基因突變，這些基因會(huì)對(duì)腫瘤的生長(zhǎng)產(chǎn)生影響，從而可以表現(xiàn)在影像數(shù)據(jù)中[10]。影像組學(xué)特征可以從整體腫瘤圖像提取，進(jìn)而包含更完整的信息。影像組學(xué)中基因分析的特點(diǎn)可以和傳統(tǒng)基因分析互補(bǔ)提高診斷精度[11]。 影像組學(xué)可以使用多種模態(tài)的影像數(shù)據(jù)，影像組學(xué)對(duì)常見(jiàn)模態(tài)都可以進(jìn)行分析。影像組學(xué)分析不僅局限在腫瘤學(xué)領(lǐng)域，包括2020年初在全球范圍內(nèi)蔓延的新型冠狀病毒肺炎，影像組學(xué)也能夠在其早期診斷、預(yù)后預(yù)測(cè)、療效評(píng)估中產(chǎn)生一定的價(jià)值。 1.4影像組學(xué)分析方法概述 影像組學(xué)的核心步驟是提取高維影像學(xué)特征。在獲取影像數(shù)據(jù)后，可以使用自動(dòng)算法進(jìn)行病灶區(qū)域檢測(cè)，針對(duì)檢測(cè)到的病灶區(qū)域使用手動(dòng)或自動(dòng)分割以得到精準(zhǔn)的腫瘤區(qū)域圖像。針對(duì)提取出的腫瘤區(qū)域可以使用圖像處理的方式提取出高維特征，*后，使用機(jī)器學(xué)習(xí)或統(tǒng)計(jì)學(xué)的方法對(duì)特征和病理結(jié)果進(jìn)行關(guān)聯(lián)性分析從而通過(guò)影像數(shù)據(jù)預(yù)測(cè)病理結(jié)果。 影像組學(xué)分析主要包含以下五個(gè)步驟[12]: (1)圖像獲取及重建。由于不同掃描儀的重建方法和層厚不同，日常臨床獲取的圖像的參數(shù)(如分辨率等)也會(huì)有較大差異，而這會(huì)給不同研究中心和不同病人群體之間的比較帶來(lái)很大困難。為了減少這種差異，一方面可以通過(guò)制定一系列臨床醫(yī)學(xué)圖像采集規(guī)范，盡可能地減少參數(shù)的差異，另一方面可以在分析過(guò)程中盡量選取不同患者之間高重復(fù)性、有足夠動(dòng)態(tài)范圍并且對(duì)圖像獲取協(xié)議和重建算法不敏感的特征[13]。 (2)圖像分割。影像組學(xué)分析提取的特征是針對(duì)腫瘤，正常組織及其他解剖結(jié)構(gòu)等感興趣區(qū)域(volumes of interest，VOI)的，因此VOI的準(zhǔn)確勾畫(huà)對(duì)接下來(lái)的特征量化、特征提取和統(tǒng)計(jì)分析起著非常重要的作用。通常將有經(jīng)驗(yàn)專(zhuān)家的手工分割結(jié)果作為金標(biāo)準(zhǔn)，但是這種方法非常耗時(shí)，而且具有非常大的主觀性，并不適合基于大數(shù)據(jù)量醫(yī)學(xué)
書(shū)友推薦
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
名家?guī)阕x魯迅:朝花夕拾
- >
上帝之肋:男人的真實(shí)旅程
- >
唐代進(jìn)士錄
- >
名家?guī)阕x魯迅:故事新編
- >
隨園食單
- >
莉莉和章魚(yú)
- >
推拿
本類(lèi)暢銷(xiāo)
