图像采集技术方法来源：放射学实践
作者：史张，沉稳的手套
放射学实践，2018，33 (6) 633-636
影像组学概念从影像图像中提取的所有特征都是“影像组学”，但通过特征选择选择的具有预测价值的特征集合通常被称为“影像组学标签”。
影像学诊断来源于计算机辅助检查或诊断(computer-aideddetectionordiagnosis，CAD ) )，结合影像定量分析和机器学习方法。 目前影像学的基本作用是通过大量的影像学特征定量分析肿瘤感兴趣的区域，可以提供有价值的诊断、预后或预测信息。 影像学的目的是探索和利用这些信息资源开发诊断、预测或预后的影像学模型，帮助改善个性化临床决策和个性化治疗选择。
图像组学工作流程1.图像采集
目前，主要通过CT、MRI、PET-CT等图像扫描方式进行图像的采集。 CT是影像学研究中应用最广泛的成像模式，具有高空间分辨率的影像特征，可以评估肿瘤和淋巴结的组织密度、形状、质量和纹理特征。 PET-CT可同时获得组织密度和代谢信息，常用于肿瘤的检测与分期，是影像诊断学将功能影像与潜在肿瘤生物学行为直接相关的研究手段。 MRI在软组织影像中表现突出，可以提供高对比度的结构信息和功能信息，其中弥散加权成像(DWI )和动态对比度增强磁共振成像(DCE-MRI )可以反应组织细胞结构和微血管生成情况，并可收集这些图像
2.图像分割
图像分割是指分割关注区域的部位，即在图像上描绘出关注区域，并针对该特定区域计算图像组学特征。 目前，图像分割的方法有人工分割法、半自动分割法、自动分割法三种。
手动分割法应用于许多影像学研究，其优点是精度高、不规则肿瘤边界刻画细致，但受主观因素影响大、重复性低、耗时、效率低。
相反，自动或半自动分割规律表现出较高的重复性和时效性，其中半自动分割法是目前图像组学图像分割的主要方法。 例如，在MattonenSA等人关于肺癌的研究中，首先研究人员根据实体肿瘤反应评价标准(theresponseevaluationcriteriainsolidtumors，RECIST 1.1 ) )测定肿瘤的最长轴径，然后自动
与半自动分割法相比，自动分割法可以排除人为因素，更好地达到自动化、可重复且高效的效果。 目前应用于影像组学的全自动分割法尚无统一的方案和标准，但自动分割技术已卓有成效，其中CAD自动分割乳腺肿瘤已应用10多年，其分割结果的准确性与人工手动分割相差不大。 这些表明，实现感兴趣区域的自动分割法是未来影像组学图像分割的重要研究方向。
3.图像特征提取和量化
图像组特征可以分为形状特征、第一直方图特征、第二直方图或纹理特征。 它还具有来自特定图像的图像组的特征(如PET的SUV测量)，以及仅应用于多模式数据集的分形和融合特征。
)形状特征)体积、表面积、二维和三维最大直径及有效直径)与ROI相同体积的球的直径)、或描述ROI与球的相似度的特征，例如表面体积比、致密度、偏心度、球形度等。
)初级直方图特征)描述ROI内体素强度分布的特征，不包含它们之间的相互空间作用，由直方图分析计算得到。 包括平均数、中央值、最小值、最大值、标准偏差、偏差度、峰度。 这些特征可以反应所测体素的对称性、均匀性和局部强度分布的变化。
(3)二维直方图或纹理特征：是描述体素空间分布强度水平的特征。 图像纹理是强度级别上可感知或测量的空间变化，它被认为是灰度，是视觉感知图像的局部特征的融合[9]。 包括灰度共生矩阵(gray level co-occurrence matrix，GLCM )、灰度长度矩阵(gray level run-length matrix，GLRLM )、灰度带矩阵(graylevelsizezone )
a ) GLCM是用矩阵数表示灰度值，单元中包含灰度值处于一定关系(角度、距离)的次数的矩阵，也称为二次直方图。 在GLCM上计算的特征还定义为熵(与二次熵、异质性相关联的)、能量)、角二次矩(重新描述图像的均匀性)、对比度)、同质性)、图像的局部灰度平衡度量(GLCM
b ) GLRLM是二维矩阵，其中每个元素(I，j )描述ja灰度I在给定方向上连续出现的次数[10]，其中灰度执行是在图像中的预定方向上具有相同强度的连续体素的长度。
c ) GLSZM是在行和列元素中存储具有灰度和大小的区域(具有相同灰度的连接体)的数量的矩阵。 GLSZM具有记述小/地区和低/高灰度地区分布的特征。
d ) NGTDM，其第I项是所有具有灰色调I的像
素与其周围邻域像素平均值之差的总和。NGTDM的影像组学特征包括粗糙度、对比度、冗繁度、复杂度、纹理强度等。
（4）融合和分形特征：融合特征与多模态图像数据集相关，其可通过配准技术与几何图像对齐。分形特征是分析评估不同层面表面的自相似性和粗糙度,这些区域的复杂性由Hausdorff的分形维（fractal dimension, FD）量化呈现，该分形维是一个模式的自我重复纹理，并具有放大特征。
4.特征选择
最简单的特征选择方法是根据变量的稳定程度或相关性制定一个评分标准，以此标准对变量进行筛选。另外，在消除相关特征时，使用相关矩阵消除高度相关的特征，通过消除那些高度相关的特性，剩下“非冗余”的特征集，其中常用的方法有LASSO（least absolute shrinkage and selection operator）Cox回归模型、最大相关最小冗余（maximum relevance and minimum redundancy，mRMR）、RELIEF (RELevance In EstimatingFeatures)、主成分分析法(principal component analysis，PCA)等。
（1）LASSOCox回归模型，是最常用的特性选择方法之一，它是一种收缩和变量选择方法的回归模型，它使罚对数似然函数最大化，并适用于高维数据的回归。
（2）mRMR通过计算一组特性和结果变量之间的相互信息(mutual information，MI)，对输入的特征进行排名，最大化MI、最小化更高排名的MI平均值，从而达到降维的效果。
（3）RELIEF是最近比较热门的特征选择方法之一，其方法是根据属性之间的区分进行排名。与其他方法相比，RELIEF可以有效地评估强相互依赖的特征，并显示出更高的预测准确性。RELIEF算法能够检测特征之间的上下关联信息，从而更准确地处理存在依赖关系的情况。
（4）PCA是将多个变量通过线性变换以选择出少量重要变量的一种多元统计分析方法，即能将相关性强的影像组学特征合并为主成分，各主成分间相互独立从而实现将高维空间简化为二维或三维空间。
5.建立模型
目前，有许多机器学习的方法可被用于建立基于影像组学特征的预测和分类模型，其中很多都是之前服务于CAD 的。在影像组学建模中，logistic回归模型因其简单易行，成为最受欢迎且常用的监督分类器；另外，常用的机器学习模型还有随机森林（random forest）、支持向量机（SVM）、人工神经网络（Artificial neural networks，ANNs）、聚类分析（clustering analysis）、“leave-one out”交叉验证（LOOCV）、自举法（bootstrapping）。
（1）随机森林：是基于机器学习中一个较普遍的决策树概念，将假设表示为连续的“如果-然后”，这一点很类似于人类推理。在该方法中，训练一组决策树，并且该算法引入两个级别的随机化。所有的决策树被训练后，对所有单株树进行预测，并将选出最高频的一类作为最终结果。
（2）SVM：是一种先前用于CAD的有辨识监督机器学习的技术，它利用边界将数据点分为两类（如反应者或无反应者），该方法在CAD微钙化检测中有较高的判别力，并经常用于影像组学。
（3）ANNs：是经典的机器学习方法之一，也被用于基于超分类的基因组学研究。卷积神经网络（Convolutional Neural Network，CNN）是一种特殊的前馈神经网络，用于学习直接对原始图像进行操作的图像数据的分层表现，通过尝试自动提取高度表现的成像特征，CNN消除了对图像预处理和特征选择的依赖性。该方法在MRI对三阴乳腺癌的判别中要优于其他预测模型。
（4）聚类分析：属于无监督分类（unsupervised classifiers），其可将抽象对象集合分组，在分组的过程中对类似的对象组成的多个类进行分析，目标是在相似的基础上收集数据来进行分类。共识聚类（consensusclusterin）是常用于降维的聚类分析。有报道称共识聚类可以在440个特征的集合空间中识别出13个非冗余特征聚类。
（5）LOOCV：是用于内部验证的最常用的技术，也称为“jackknife”。该算法除了一个数据点被用于测试外其余所有数据均用于训练或拟合，这个过程在每次LOOCV迭代中重复，使得每个数据点只剩下一次。
（6）自举法（bootstrapping）：由原始数据生成大量自举样本，引导数据集是一系列数据（特征，结果），每个数据来自患者队列中随机选择的患者，每个自举样本重复建模。该方法提供了模型参数和模型评估指数AUC或CI值的分布，从而可以评估特征的不确定性。
影像组学的质量评估
2017年10月，在Nature Reviews Clinical Oncology中提到影像组学质量评分（radiomics quality score，RQS）及其标准。RQS共有16个项目，每个项目下方均有2-3个选项，测试者只需要勾选即可，满分36分。RQS标准对预测模型的所有方面都需要进行全面和清晰的评估和打分，以尽量减少偏差，从而提高预测模型的实用性。
作者单位：中国人民解放军海军军医大学附属第一医院放射科