影像组学的临床应用研究及挑战.docx

? ? 影像组学的临床应用研究及挑战 ? ? 刘静宇，刘 颖，张 帆* （河南大学图像处理与模式识别研究所，河南开封 475000） 随着影像技术的蓬勃发展，医学影像开始成为诊断和治疗疾病不可或缺的关键手段。由于肿瘤具有不规则性与异质性，传统的成像方式无法满足人们精准诊断肿瘤的需要，且传统的成像方式大多是定性和半定量地提取[1]肿瘤的特征。因此，人们需要开发更成熟，更精准的技术去实现对肿瘤的评估，由此影像组学兴起了[2]。影像组学的目的是深入挖掘医学影像的信息，然后利用这些特征信息来构建模型，以提高疾病早诊率和改善个体化的治疗选择[3]。近年来，越来越多的学者开始关注影像组学，致使影像组学这一技术极大地增加了医学影像在临床实践中的辅助指导价值。影像组学是临床医学研究的突破和飞跃，对于目前精准医学的发展具有重要价值。 1 影像组学处理流程 影像组学通过从医学图像中提取有用特征以揭示疾病潜在信息，并提高生存预测，而这些影像组学特征是使用高级算法从医学图像中“挖掘”出来的，它冲破了传统影像模式的局限。目前，常将影像组学的处理流程为以下5 个部分：①获取影像数据；②图像分割；③特征提取；④特征选择；⑤建立模型。 1.1 获取影像数据 首先，为了用于疾病的诊断和评估，影像数据是必不可少的，影像组学需要获取高质量和标准化的影像。图像是通过各种物理过程、检测参数和重建算法获得的，以创建一个二维或三维的患者图像。然而，包括辐射剂量、扫描协议、重建算法和切片厚度在内的图像采集参数在常规临床实践中差异很大。因此，比较从不同图像采集方法中提取的特征变得十分具有挑战性。为了得到更有价值的分析结果，应尽量选择并使用同种扫描设备去完成影像的采集，并且选择合理的管电压、管电流以及层厚等参数是必需的。 1.2 图像分割 分割是影像组学工作流程的关键步骤，因为许多提取的特征可能取决于从周围组织中分割出来的特定ROI（region of interest）。在大多数研究中，由经验丰富的放射科医师或放射肿瘤学家通过半自动、自动切割方式，在所得到的图像中勾画出肿瘤相关的感兴趣区域，即ROI，进而根据这一特征区域估算出影像组学特征。勾勒肿瘤相关的感兴趣区时必须注意图像大小是否需配准，同时对肿瘤相关的感兴趣范围一般不低于5 cm3。而在使用软件、手动、半自动和自动勾画过程中,则必须根据时间、精度等进行选择，以避免对影像特征的提取计算造成影响。 目前，已经开发了许多用于自动或半自动分割的算法。区域生长法是一种半自动方法，通常应用于CAD 中的质量分割。此外，图形切割法、活动轮廓法和水平集法等都是最常见的分割算法。对于常用的分割工具也有很多，例如3DSlicer（）、ITK-SNAP（）和MIM 软件（）。这些应用程序中大多数都提供了一些手动或半自动分割选择，这取决于研究人员选择最适合他们研究的软件。但是，在软件处理后仍然需要进行目视检查，因为有时软件可能会失败。 1.3 特征提取 在影像组学中，高通量的定量特征被提取和分析。影像组学特征可以分为形态特征、一阶和二阶直方图特征、从特定图像得到的影像特征，以及仅适用于多模式数据集的分形和融合特征[4]。提取出影像组学特征后为了实现信息的转化，将肿瘤影像转化为多维特征。目前，用于影像组学特征提取和分析的软件包，例如“成像生物标记浏览器”（IBEX），它还可以计算影像组学模型。CGITA 和Mazda 是用于纹理分析的开源软件包，它计算用户选择的VOI 上的许多特征。 1.4 特征选择 特征选择是影像组学处理流程中至关重要的一步，目的是为了避免过拟合并寻找可重现和可重复性的特征。从每个患者图像中提取大量特征，通常在几百到几千的范围内，大大超过患者人数。然而，并非所有特征对于模型区分不同分类的患者都是有用的，因为它们中的一些可能彼此高度相关或冗余，而其中一些可能与给定的分类任务没有强关联。通过特征选择，可以使用算法来为给定任务选择“有效”特征，即与将给定输出解释为一组特征的函数相关的那些特征。最简单的特征选择方法是对变量制定评分标准，根据变量的稳定性或相关性程度，剔除排名最差的那些。特征选择的单变量方法利用变量排名作为主要选择机制，有时，它被定义为“强”单变量预测变量的临界值[5]。这些方法的主要缺点是它们没有考虑可能导致更好预测的不同特征之间的依赖关系[6]。多变量方法还研究特征与目标/结果变量的关联。 1.5 建立模型 影像组学可以通过影像组学特征并利用大数据分析手段来构建一个新的模型，用该模型可以预测诊断结果，对患者疾病进行分类。目前，运用有很多基于影像组学特征的预测和分类模型是运用机器学习方法构建的，并且构建的模型效果良好。其中在构建模型这一过程中，逻辑回归模型由于其简单、运行速度快的优点，成为最常用的监督分类器。