影像组学的图像分析及模型构建

中国医疗设备 2019年第34卷 04期 V OL.34 No.04

专论

FEATURES

引言

影像组学是在最初为分子生物学学科创建的组学（Omics ）基础上产生的。组学是指从研究目标整体中提取大量参数，假设这些参数和临床数据的适当组合可以表达显著的组织学特性，将这些参数在先验统计方法的基础上进行数学处理，那么对每一个患者的治疗诊断或预后就具有一定的个性化意义

[1-2]

。

影像组学可以通过提取形态学及功能学影像中的定量信息，反映组织的潜在病理及生理学特征，在病变组织及正常的人体组织中均可应用[2]

。影像组学的分析过程包括图像采集和重建、图像分割、特征值定义及提取、特征值分析和模型构建等。基于临床病理学信息及影像图像所构建的影像组学模型，可应用于疾病检测、肿瘤分型分期、评估疾病预后、评价疗效等方向。影像组学特征可以通过多种数学软件进行特征值提取、计算，并选取最佳参数以保证输出结果的稳定可靠。

本文着重对CT 、MR 的成像特征，影像组学特征（形状、

一阶、二阶、高阶特征）进行了介绍，并简要讨论了影像组学参数的选择方法，包括聚类分析、主成分分析、随机森林、线性/逻辑回归等。参数的再现性以及临床价值应首先通过内部交叉验证进行测试，然后在独立的外部群体中进行验证。图像的采集、后处理以及图像的分割方式等都会影响影像特征值的质量及其与临床数据的相关性，同时对模型的构建也产生影响。

1 图像采集及重建

常规临床成像技术涉及图像分辨率、造影剂应用情况、超声波频率及增益、PET 晶体材料与尺寸、CT 的kVp 和mAs 、MRI 序列类型、回波时间、重复时间、激发次数等诸多数据采集。在数据采集的过程中，即使是同一影像学检查，也会因为设备的重建算法、影像中心的重建参数、扫描参数等各方面差异干扰图像的噪声和纹理特征，最终影响影像组学特征值的提取结果。因此，对于同一临床问题所构建的影像组学模型，需评价图像采集及重建因素对预测结果稳定性、可靠性的影响。

通过整合每种成像模式的特性及来自文献和其他实验测量的信息，排除受采集及重建参数影响的特征，以克服影像组学在图像采集及重建方面的某些局限。现以CT 及MRI 的成像特征为例。

影像组学的图像分析及模型构建

隋赫1，莫展豪1，孙旭2，李雪佳1，刘景鑫1

1. 吉林大学中日联谊医院放射科，吉林长春 130000；

2. 吉林大学第二医院放射线科，吉林长春 130000

收稿日期：2019-01-17 修回日期：2019-02-12基金项目：国家重点研发计划（2016YFC0103500）；吉林省省校共建项目（SXGJXX2017-5）；吉林大学高层次科技创新团队建设项目（2017TD-27）；吉林省标准化战略科研专项（BZKY1802）。

通讯作者：刘景鑫，教授，博士生导师，主要研究方向为医学影像质量控制、创新成像技术及智能精准影像学。通讯作者邮箱：liujingxin@https://www.360docs.net/doc/9e3558294.html,

[摘要] 影像组学是精准医疗时代的新兴领域，涉及多系统疾病的筛查、诊断、治疗及预后评估等。影像组学通过从医学影像中提取多维度定量数据，发现其与临床病理学因素或基因表达之间的关联，最终将为临床诊断决策提供有力支持。本文阐述了CT 、MR 成像特征，影像组学特征值提取，模型构建的方法及其所面临的挑战。[关键词] 影像组学；纹理分析；CT 成像；MR 成像

Image Analysis and Model Building of Radiomics

SUI He 1, MO Zhanhao 1, SUN Xu 2, LI Xuejia 1, LIU Jingxin 1

1. Department of Radiology, China-Japan Union Hospital of Jilin University, Changchun Jilin 130000, China;

2. Department of Radiology, The Second Hospital of Jilin University, Changchun Jilin 130000, China

Abstract: Radiomics is an emerging field of research in the era of precision medicine, involving screening, diagnosis, treatment, and prognosis assessment of multiple systemic diseases. By extracting multi-dimensional quantitative data from medical imaging and discovering its association with clinical pathology factors or gene expression, radiomics can help make strong decisions to support clinical diagnosis and treatment. This article summarized the major issues focusing on challenges of the extraction of radiomics features and model building from data sets provided by multiple imaging features. Key words: radiomics; textural analysis; CT imaging; MR imaging [中图分类号] R318 [文献标识码] A doi：10.3969/j.issn.1674-1633.2019.04.007 [文章编号] 1674-1633(2019)04-0025-04