精华内容
下载资源
问答
  • Radiomics-Phantom-源码

    2021-03-19 03:17:06
    Radiomics-Phantom
  • matlab开发-RADIOMICS

    2019-08-23 08:25:35
    matlab开发-RADIOMICS。用于放射分析的matlab编程工具
  • Radiomics学习总结

    千次阅读 多人点赞 2017-08-13 18:45:00
    介绍了Radiomics的工作流程及每一步的常用软件 Dicom图像   Dicom就是是医学图像和相关信息的国际标准,Dicom图像就是指标准的医学图像格式。Dicom图像深度比正常图像大得多,而不同的深度则可以表示不同的信息。...

    介绍了Radiomics的工作流程及每一步的常用软件

    Dicom图像


      Dicom就是是医学图像和相关信息的国际标准,Dicom图像就是指标准的医学图像格式。Dicom图像深度比正常图像大得多,而不同的深度则可以表示不同的信息。一般情况下以HU描述。

    下表描述了人体中常见物质的HU值

    7239122-cefc1ce287261e90.png

    影像组学的应用


      影像组学的概念真正提出来是2012年。当时它刚提出来时只是针对CT数据,把它用组学的方法进行分析。后续则将数据从CT扩展到磁共振、超声等,涉及到多影像。大数据和AI和影像组学的结合,主要有以下三个方面的应用:

    * 辅助诊断
      结合计算机的分析计算辅助发现病灶,提高诊断准确率。
    
    * 肿瘤预测
      预测疾病的可能病程和结局,包括症状、体征和并发征等异常情况
      的出现消失和死亡。
    
    * 疗效评估
      借助计算机进行评估
    

    影像组学工作流程


      影像组学就是从医疗大数据中提取数据,利用AI方法挖掘肿瘤信息,实现临床辅助决策。这个流程和日常医生读片的过程是一致的,医生读片是先有影像数据,然后用人眼提取它的形状特征。最终给出诊断结果。
    影像组学工作流程:

    1.  确定要研究的问题和患者群体,获得标准医学图像
    2.  在医学图像中分割出感兴趣的区域(ROI),主要就是病灶部分
    3.  获取图像的特征
    4.  进行分析统计并建模
    

    影像组学关键技术


    图像分割

      根据上述工作流程,得到患者数据后,第一步就是进行图像分割,得到病灶区。图像分割一般包括全自动分割、半自动分割和人工手动分割。

    目前比较成熟的分割算法有以下几种:

    区域生长
    图割算法
    水平集
    分水岭
    

      目前没有普适的分割算法能够应用于所有的医学影像。现阶段可用于该步的工具有以下几种:

    3DSlicer
    官方网址:www.slicer.org
    是一款用于图像分析的免费开源软件包,可用于图像分割
    

    MIM软件
    官方网址:www.mimsoftware.com
    商业软件包,可应用于图像分割,其中包括了手动轮廓和自动轮廓,
    已经应用于肺部和食管癌的研究
    

    Itk-SNAP
    官方网址:www.itksnap.org
    

    Definiens
    官方网址:www.definiens.com
    主要应用于肺肿瘤分析
    
    特征提取量化

      一旦肿瘤区域被确定,影像特征即可被提取。目前常用的特征有4大类:形状特征、强度特征、纹理特征和高阶特征,具体如下:

    强度  :最大值、标准方差、能量等
    形状  :紧密度、最长直径、体积等
    纹理  :灰度共生矩阵、熵等
    小波  :边界、自由粘贴面积比
    

    目前使用的特征提取软件有以下几种:

    TexRAD
    官方网址:www.texrad.com
    TexRAD特征分析使用拉普拉斯高斯滤波,其允许计算对应于不同
    尺度和强度变化的各种特征。
    

    MaZda
    官方网址:http://eletel.eu/mazda
    是一种二维和三维图像纹理分析软件程序,添加了ROI定义,规范化,
    功能统计分析和分类的工具。
    

    CGITA
    官方网址:http://code.google.com/p/cgita
    基于MATLAB的开源纹理分析软件程序,可以导入任何DICOM图像
    
    建模/统计分析

      提取出来的数百上千的特征必须进行统计分析,统计分析中重要的一步也就是减少特征的数量,找到少数真正的关键的特征,术语称作降维。统计完成之后就是建立预测模型或分类模型。

    统计分析有以下几种方法:

    众测信度分析
    主成份分析
    相关性分析
    聚类分析
    

    分类与预测模型:

    肿瘤分类
    肿瘤分期
    预后预测
    

    可用于建模/统计分析的软件包:

    R
    官方网址:www.r-project.org/
    R是用于统计计算的自由软件环境
    

    MedCalc
    官方网址:www.medcalc.org
    

    Weka
    官方网址:www.cs.waikato.ac.nz/ml/weka/
    

    辅助诊断


    医学影像分析算法平台

    MITK集成化医学影像分析c++类库
        下载地址:http://www.mitk.net/download_mitk1.html
    
    3DMed面向用户的医学影像分析平台
        下载地址:http://www.mitk.net/download_med1.html
    

    肺癌影像组软件

    Radiomics影像组学软件
    
    参考
    1. 中科院田捷:基于医疗大数据和AI技术的影像组学及其应用
    2. 《Computational resources for radiomics 》 Laurence E. Court, Xenia Fave, Dennis Mackin, Joonsang Lee, Jinzhong Yang, Lifei Zhang
    展开全文
  • Radiomics:安装并调通第一个demo import radiomics import radiomics.featureextractor as FEE # 文件名 main_path = './' ori_name = 'brain1_image.nrrd' lab_name = 'brain1_label.nrrd' para_name = '...

     Radiomics:安装并调通第一个demo

    import radiomics
    import radiomics.featureextractor as FEE
     
    # 文件名
    main_path =  './'
    ori_name = 'brain1_image.nrrd'
    lab_name = 'brain1_label.nrrd'
    para_name = 'default.yaml'
     
    # 文件全部路径
    ori_path = main_path + ori_name  
    lab_path = main_path + lab_name
    para_path = main_path + para_name
    print("originl path: " + ori_path)
    print("label path: " + lab_path)
    print("parameter path: " + para_path)
     
    # 使用配置文件初始化特征抽取器
    extractor = FEE.RadiomicsFeatureExtractor(para_path)
    
    print("Extraction parameters:\n\t", extractor.settings)
    print("Enabled filters:\n\t", extractor.enabledImagetypes)
    print("Enabled filters:\n\t", extractor.enabledFeatures)
    
    # 运行
    result = extractor.execute(ori_path,lab_path)  #抽取特征
    print ("Result type:", type(result))  # result is returned in a Python ordered dictionary
    print ("")
    print ("Calculated features")
    for key, value in result.items():  #输出特征
        print ("\t", key, ":", value)

    测试图像下载:https://pan.baidu.com/s/1KvPmJnk88kkdI_0IOCMRMQ 提取码: 4hp5, default.yaml内容如下:

    # This is an example of a parameters file
    # It is written according to the YAML-convention (www.yaml.org) and is checked by the code for consistency.
    # Three types of parameters are possible and reflected in the structure of the document:
    #
    # Parameter category:
    #   Setting Name: <value>
    #
    # The three parameter categories are:
    # - setting: Setting to use for preprocessing and class specific settings. if no <value> is specified, the value for
    #   this setting is set to None.
    # - featureClass: Feature class to enable, <value> is list of strings representing enabled features. If no <value> is
    #   specified or <value> is an empty list ('[]'), all features for this class are enabled.
    # - imageType: image types to calculate features on. <value> is custom kwarg settings (dictionary). if <value> is an
    #   empty dictionary ('{}'), no custom settings are added for this input image.
    #
    # Some parameters have a limited list of possible values. Where this is the case, possible values are listed in the
    # package documentation
    
    # Settings to use, possible settings are listed in the documentation (section "Customizing the extraction").
    setting:
      binWidth: 25
      label: 1
      interpolator: 'sitkBSpline' # This is an enumerated value, here None is not allowed
      resampledPixelSpacing: # This disables resampling, as it is interpreted as None, to enable it, specify spacing in x, y, z as [x, y , z]
      weightingNorm: # If no value is specified, it is interpreted as None
      force2D: true
      force2Ddimension: 0  # axial slices, for coronal slices, use dimension 1 and for sagittal, dimension 2.
    # Image types to use: "Original" for unfiltered image, for possible filters, see documentation.
    imageType:
      Original: {} # for dictionaries / mappings, None values are not allowed, '{}' is interpreted as an empty dictionary
      # LoG:{'sigma': [1.0, 3.0]}
      Wavelet:
        binWidth: 10
    # Featureclasses, from which features must be calculated. If a featureclass is not mentioned, no features are calculated
    # for that class. Otherwise, the specified features are calculated, or, if none are specified, all are calculated (excluding redundant/deprecated features).
    featureClass:
      shape:
      # redundant Compactness 1, Compactness 2 an Spherical Disproportion features are disabled by default, they can be
      # enabled by specifying individual feature names (as is done for glcm) and including them in the list.
      shape:
        - SurfaceArea
      firstorder: [] # specifying an empty list has the same effect as specifying nothing.
      glcm:  # Disable SumAverage by specifying all other GLCM features available
        - 'Autocorrelation'
        - 'JointAverage'
        - 'ClusterProminence'
        - 'ClusterShade'
        - 'ClusterTendency'
        - 'Contrast'
        - 'DifferenceVariance'
        - 'JointEnergy'
        - 'JointEntropy'
      glrlm: # for lists none values are allowed, in this case, all features are enabled
      glszm:
      gldm:  # contains deprecated features, but as no individual features are specified, the deprecated features are not enabled
    

    结果:(一大堆冗余数据,还需后续分析)

    展开全文
  • radiomics论文

    2016-11-28 21:12:58
    国内影像组学仅有的几篇论文
  • Radiomics: the bridge between medical imaging and personalized medicine,影像组学:医学影像之间的桥梁和个性化医疗。影像组学机器学习的经典综述论文。 放射组学是一种从标准医疗成像中大规模挖掘定量图像特征...
  • 基于遗传神经网络和舌根癌Radiomics特征的生存期预测.pdf
  • Radiomics analysis on ultrasound for prediction of biologic behavior in breast invasive ductal carcinoma
  • Matlab的耳语基于视觉的,基于字典的放射基因组学方法 此存储库包含2018年论文《视觉上可解释的,基于词典的成像基因组建模方法》中的实验代码,并以低级神经胶质瘤为例。 要求 所有实验均以MATLAB编程语言编写,...
  • Radiomics 一个切割肺结节数据的小工具 1.肺结节数据来源为公开数据集 2.功能 上面的数据集包含1000+患者的肺结节数据,以DICOM文件存储,有CT、DX两种模型。此外,在每个序列(CT/DX)中都有一个XML文件. 在CT序列...
  • Molecular Subtypes Recognition of Breast Cancer in Dynamic Contrast-Enhanced Breast Magnetic Resonance Imaging Phenotypes from Radiomics Data
  • Radiomics 的计算资源 Abstract: 放射线组学有可能通过使用已经常规获得的图像来实现病人的个性化治疗。定义为从临床图像中提取定量成像特征用于统计模型,放射组学已在各种肿瘤部位和成像模式中获得成功。刚进入该...

    Radiomics 的计算资源

    Abstract: 放射线组学有可能通过使用已经常规获得的图像来实现病人的个性化治疗。定义为从临床图像中提取定量成像特征用于统计模型,放射组学已在各种肿瘤部位和成像模式中获得成功。刚进入该领域的研究人员必须首先选择软件来分割肿瘤[或其他感兴趣的区域(ROI)],提取定量的图像特征,并分析结果。这篇综述描述了可用于这些任务的各种软件,并举例说明了这些程序在放射组学研究中的应用。

    Keywords: 医学影像;图像处理;数据分析

    Introduction

    放射线组学,即使用定量图像特征来探测肿瘤表型,可以显著提高我们对患者进行分层的能力,以实现真正的个性化癌症护理。放射线组学是一个研究领域合乎逻辑的下一步,该领域多年来一直在开发医学图像分析工具,包括计算机辅助诊断,用于检测乳房X光片上的乳腺癌和X光片及计算机断层扫描(CT)研究上的肺结节(1-5)。我们可以将这些年分析医学图像的知识体系与越来越多地获得大量的成像数据和新的、复杂的分析工具结合起来,对生物标志物进行定量分析,目的是完善临床决策和改善病人的预后。

    现在可用的先进放射组学工具可以帮助回答重要的临床问题,并为针对病人的个性化治疗(即精准医疗)提供必要的信息。例如,传统的预后因素,如肿瘤体积或患者年龄,根本不足以帮助临床医生对患者风险进行分层或预测结果。

    这篇文章的目的是向读者介绍可用于分割成像数据、提取图像特征和为此类放射组学项目进行建模/统计分析的软件。

    Radiomics 工作流程

    放射性组学项目工作流程包括以下阶段:

    (I) 确定问题和病人群;

    (II) 对病人图像中的感兴趣区域(ROI)进行分割;

    (III) 提取图像特征;

    (IV) 统计分析/建模。

    本文简要回顾了确定患者群所涉及的主要问题,并重点介绍了第2-4阶段可使用的软件资源。

    1. 确定患者群组

    即使在这个大数据时代,也很难构建好的患者数据集。 尽管不是本综述的重点,但确定患者队列是任何放射学项目的关键部分。 下面我们概述了构建良好数据集的策略。

    患者队列的同质性

    为了达到足够的患者数量,患者队列中的一些异质性可能是必要的,但过多的异质性不仅会冲淡研究结果的潜在影响,也会给数据集带来过多的差异。稀释影响的一个例子是包括总体分期差异很大的患者,因为分期可能已经是一个预后因素。数据集差异过大的一个例子是包括治疗方法差异很大的患者(即由不同的手术、化疗和放疗方法组成的大相径庭的方案)。

    感兴趣的区域大小

    当肿瘤太小时,许多放射组学图像特征就没有意义了。关于可评估的最小ROI没有一致的指导原则,尽管一些作者建议将 5 c m 3 5cm^3 5cm3作为一个合适的分界值。分界值取决于成像方式[如CT和正电子发射断层扫描(PET)有不同的体素大小,可能需要不同的分界值],也可能因被调查的部位或肿瘤而不同。较小的ROI可以给出毫无意义的放射组学特征值,因为没有足够的像素来进行真正的评估,或者ROI越小,结果可能与肿瘤体积越相关。本刊后面的Fave等人对这个问题进行了更详细的讨论。

    成像数据的均匀性

    一些数据集的成像参数有很大的异质性,如像素大小(6)。这些变化可能会大大影响计算出的图像特征的值。使用不同的重建算法可以改变计算的特征值。此外,来自不同扫描仪的数据可以增加计算特征的不确定性(7)。因此,尽量减少图像来源的差异是很重要的,尽管为了保证足够的病人数量,往往需要作出妥协。有关图像的重要信息(如像素大小和管电压)列在医学数字成像和通信(DICOM)的标题中,可以很容易地在任何DICOM图像浏览器或简单的内部软件中提取和查看,例如基于MATLAB的软件。

    样本数量

    小样本量会增加 type-I(错误地检测出差异)和 type-II(未检测出实际差异)的错误率。Chalkidou等人建议,线性模型(如多元回归)要求每个变量至少有10-15个观察值(8)。已发表的放射组学研究只有15名患者,但存在过度拟合数据的风险,研究人员一般应以更大的数据集为目标。

    有时,作者可以用癌症成像档案(9)中的图像来补充自己的数据集,这是一个便于共享图像数据的开放数据库。在撰写本报告时,癌症成像档案有63个图像集,涵盖了一系列的部位(肺、前列腺、甲状腺等)。对少数图像集的访问是有限的;没有限制访问的数据集的受试者的中位数是46个受试者(范围是1-1010个受试者)。该档案包括测试-重测数据,如几个小组用来测试不同图像特征的可重复性的RIDER数据集(10-14),以及几个专门为放射组学研究收集的数据集(12,15)。这些图像集是测试算法或验证模型的极佳数据来源。

    2. 分割

    收集完数据集后,放射组学工作流程的下一步是对ROI进行分割。选择软件和技术的重要考虑因素包括轮廓的不确定性和工作流程的效率。手工分割的ROI可能有很高的用户间差异,特别是对于某些模式(16,17),这可能影响放射组学的图像特征。许多成功的放射组学研究使用手工划定的轮廓线(18),但应尽量减少用户间的差异。通过使用半自动或全自动的分割工具(19),可以减少用户间的差异,不过要提醒用户的是,这些工具可能会失败,我们强烈建议一定要目测检查结果。重要的是,这些自动工具可以大大影响分割ROI的时间–当使用来自数百名患者的数据时,这是一个关键的考虑因素。另一个减少用户间差异的方法是使用STAPLE[同步真理和性能水平估计(20)]等算法,从专家产生的分割,或从不同的自动分割算法中创建共识轮廓。

    用户还必须决定是对整个肿瘤(或其他结构)还是只对ROI的部分进行分割。一些研究者对肿瘤最大的轴向切片进行分割(21)。在使用人工分割时,对单个切片或固定大小的ROI进行分割,可以显著提高效率。然而,提取的ROI可能不代表整个肿瘤。单个切片或固定大小的ROI的分割对提取的放射组学图像特征的影响各不相同,具体取决于图像特征,但可能很重要(22)。其他可以改善工作流程和减少用户间差异的方法是使用固定大小的ROI[例如Bang等人使用球形ROI(23)]和包括手动分割的肝脏病变内的最大圆(24)。研究人员可能还需要决定对四维CT的哪个阶段进行分割(22)。

    在本节中,我们描述了用于放射学研究中目标分割的几种软件程序。 选择用于划分轮廓的软件时要考虑的要点如下:

    (I) 导入选项。该软件能否导入并与你的模式一起工作?

    (II) 输出选项。软件可以用什么格式来导出你划定的结构?将分割结果从分割软件转移到特征提取软件可能是一个挑战;

    (III) 使用的方便性。该软件的用户友好度如何?这包括诸如打开病人数据文件的时间等考虑因素;

    (IV) 划线工具。该软件提供哪些手动或半自动的划线工具?

    (V) 自动勾画工具。软件提供了哪些自动勾画工具?这些工具是否适用于你的目标(例如,肺部肿瘤与肝脏肿瘤)?

    治疗计划系统

    许多放射组学研究项目使用放射肿瘤学家为治疗计划系统划定的ROI。因为准确划定ROI在放射治疗中至关重要,所以放射治疗治疗计划系统中使用的人工划定工具往往比专注于放射学应用的软件更复杂。放射肿瘤学家在使用这些系统方面非常有经验。

    然而,在使用这些治疗规划轮廓线进行放射组学研究之前,必须考虑这是否是合适的选择。例如,由于原始轮廓线是用来确定哪些组织/肿瘤体积将被放射治疗,医生可能已经包括了有合理可能性代表肿瘤组织的组织,而且轮廓线的体积可能比实际肿瘤大。将健康组织包括在放射组学的ROI中可能会大大影响计算出的图像特征。解决这个潜在问题的一个方法是使用原始的肿瘤总体积,并手动修改轮廓线,只包括有很大可能代表肿瘤组织的区域。阈值处理也可用于排除健康组织,如肺部或骨骼(25)。然而,阈值的选择会影响图像特征的价值和可重复性,所以可能需要一些实验(26)。

    另一个问题是划定的ROI的不确定性,即不同医生划定的区域存在差异。一些放射组学研究者通过开展多用户划线研究和根据对划线的不确定性的敏感性对图像特征进行排序来解决这个问题(12)。

    3DSlicer

    3DSlicer(www.slicer.org)是一个免费的、开源的图像分析软件包(27),包括图像配准和分割的工具,可用于许多医学成像模式,包括CT、MRI和PET。3DSlicer网页上有一系列的教程和数据集,用于学习如何使用该软件。许多扩展功能可用,包括一个用于PET图像的肿瘤分割的扩展功能。3DSlicer已被用于各种放射组学项目,包括CT和PET上肺部肿瘤的半自动划分(13,19)。一些研究人员使用3DSlicer中已有的工具,而另一些人则将他们自己的工具添加到软件平台中。例如,Parmar等人在3DSlicer平台上实现了一种半自动的区域生长分割算法,并表明这种方法比手工绘制的区域更具有可重复性(19)。

    MIM software

    MIM (www.mimsoftware.com)是一个商业软件包,具有许多有用的放射组学应用工具,如手动勾勒、自动勾勒和图像注册。该软件适用于CT、MR和PET图像。在模型数据上,MIM算法对PET图像上的肿瘤进行半自动勾勒(PET Edge)被证明是划定肺癌病灶的最准确和一致的技术(28),MIM算法已被用于肺癌和食道癌的放射组学研究(29,30)。

    其它软件

    由于我们没有足够的空间列出所有的软件程序,我们重点介绍了最常用的分割软件。在放射组学研究中,然而,许多其他的软件程序可能对放射组学研究有用,这取决于具体的研究情况。例如itk-SNAP (www.itksnap.org)、Definiens Lung T umor Analysis (LuTA)工具 (www.definiens.com) (14,31) 和Velocity ROI划线工具 (www.velocitymedical.com) (32)。另外,如下文所述,大多数图像特征提取软件都包括一些手动或半自动的分割功能。

    3. 图像特征提取

    有几个商业和开源的软件可用于提取图像特征。在选择特征计算软件时需要考虑以下几点:

    (I) 透明度。是否清楚图像特征是如何计算的?如果你想模仿文献中使用的特征,透明度很重要。知道图像是如何被处理的也很重要–例如,几位作者已经表明了知道多少比特级被用于计算的重要性(33,34);

    (II) 特征类。有许多可能的图像特征和图像特征类,包括基于形状的特征,基于直方图的特征,和基于小波的特征。Aerts等人(12)的支持数据和Zhang等人(35)的参考资料对文献中发现的各种特征进行了深入的描述。大多数特征提取软件包括许多这些图像特征,但在一些软件程序中,选择是有限的。另外,用户应该考虑他们是否需要添加自己的图像特征的能力;

    (III) 导入特征。该软件能否导入你的图像格式和ROI?

    (IV) 分割工具。在某些情况下,可能会使用图像特征提取软件中内置的分割工具。如果是这种情况,可能还需要具备导出ROI(或等值线)的能力,以便与其他软件进行比较;

    (V) 图像数据摘要的可用性。一些软件会列出每张图像的重要成像参数(如像素大小)。这个功能在过滤数据时可能很有用(考虑到一些参数对计算的图像特征的影响);

    (VI) 批量处理。有时作为一个批次计算许多病人的特征会很有用。

    这些软件通常不能互换使用,因为一个具有特定名称的特征在使用不同的软件计算时可能不可能产生相同的结果,这不仅是因为名称并不总是标准化的,而且还因为特征计算的实施(如位深度)以及如何解释ROI边缘的细节方面的差异。即使使用相同的软件,研究人员也应确保算法的设置是相同的。

    TexRAD

    早期的放射组学研究大多使用TexRAD(www. texrad.com),这是由布莱顿和苏塞克斯医学院和苏塞克斯大学(英国布莱顿)开发的商业图像特征软件程序。TexRAD被广泛使用(主要是CT图像,也包括PET ,MR和乳腺摄影)(11,21,36-52)。TexRAD特征分析使用高斯滤波的拉普拉斯,可以计算对应于不同尺度和强度变化的各种特征。TexRAD的创造者将其设计成适合临床工作流程,包括图片存档和通信系统(PACS)的连接和几个分割工具(半自动、自动手动)。TexRAD还包括一个数据挖掘机,以促进数据的可视化和探索(包括统计分析)。

    MaZda

    MaZda(http://eletel.eu/mazda)(53,54)是一个二维和三维图像纹理分析软件,被广泛用于放射组学和其他图像分析任务。MaZda最早是在20世纪90年代开发的,用于乳房X光片的纹理分析,并被扩展用于三维图像;增加了ROI定义、归一化、特征统计分析和分类等工具。MaZda网站提供了良好的文档和教程。MaZda软件被广泛使用(原文已被引用148次),是一个经得起考验的工具。在过去的几十年里,这个软件的应用包括检测骨骼的骨质疏松变化(55),评估光学显微镜图像中的细胞坏死(56),诊断CT图像中的急性缺血性中风(57),以及评价冷鲜肉的质量(58)。该软件的放射组学应用包括使用治疗前PET纹理来预测局部晚期直肠癌的治疗反应(23)。

    MaZda包括许多可能有用的工具,包括简单的轮廓线工具和一些用于特征还原和分析的工具(监督/非监督聚类等)。与其他特征提取软件一样,可以在另一个软件中划定ROI,并导入MaZda中进行分析。然后,在MaZda中计算出图像特征后,可以将其导出到统计分析软件程序中,如R或SPSS。

    Chang-Gung Image Texture Analysis (CGITA)

    CGITA(http://code.google.com/p/cgita)(59)是一个基于MATLAB的开源纹理分析软件,由长庚纪念医院(台湾桃园市)开发,用于分析分子图像。虽然专注于分子图像,但CGITA可以导入任何DICOM图像,并且已经用CT和MR图像进行了测试。有几个小组已经使用CGITA在PET研究中进行特征提取(60,61)。ROI可以在其他软件中划定,并使用几种格式(包括DICOM-放射治疗)导入CGITA,也可以使用CGITA的半自动分割功能划定。统计分析必须使用一个不同的软件程序。可执行版本和源码版本可供学术研究免费使用。可执行版本对那些没有MATLAB许可证和对实现自己的功能不感兴趣的研究人员很有用。源代码对希望实现新功能的研究人员很有用。

    IBEX

    IBEX(Stand-aloneIBEX: http://bit.ly/IBEX_MDAnderson; Source-code version: http://bit.ly/IBEXSrc_MDAnderson)是一个用于放射组学图像特征提取的开源平台,基于MA TLAB和C/C++编程语言,包括导入各种图像和轮廓格式的工具、一些轮廓工具和图像特征提取工具(35)。IBEX由T exas大学MD安德森癌症中心(Houston, TX, USA)开发,已被用于MD安德森的一些放射组学研究,包括CT和PET研究(7,25,29,30,62)。与其他软件一样,如MaZda,IBEX允许用户改变预处理和特征算法的参数(如比特深度)。这种灵活性使用户可以为每一种模式和部位优化设置。这些设置会对图像特征值产生巨大的影响,不调整这些设置会导致特征计算,最好的情况是没有优化,最坏的情况是没有意义(9)。重要的是,IBEX还显示经过处理的病人图像,这对确定处理是否有意义非常有用(例如,确保图像没有被过度平滑)。另外,IBEX还允许用户导出实际的共现矩阵或强度直方图–这在调查不同的预处理方法时是非常有用的能力。IBEX的其他功能包括导出整个特征集的能力,因此其他机构的用户可以很容易地应用相同的特征,以及匿名处理病人数据的能力。

    Computational environment for radiotherapy research (CERR)

    CERR(www.cerr.info)是一个开源的基于MATLAB的软件平台,用于导入、显示和分析放射治疗计划(63)。CERR包括导入各种成像方式、图像融合和轮廓分析的功能。CERR在放疗研究中被广泛使用(被引用近300次),并且正在努力为该软件平台增加一个放射组学工具箱(64,65)。其他研究人员使用CERR平台导入和管理他们的医学图像,并增加了他们自己的内部图像特征工具箱(18)

    内部软件

    许多小组已经编写了内部软件,使用MATLAB提取特征 (14,66) 。在许多情况下,这种内部软件建立在其他软件程序之上,如 CERR(18,67)。特别值得注意的是 Insight Segmentation and Registration Toolkit,(ITK,itk.org)。ITK是一套用于图像分析的开源软件工具,包括图像预处理、分割、登记和纹理计算,可以纳入研究人员自己的软件中。

    有几个小组目前正在建立内部软件,以创建可在其他机构使用的放射组学平台。

    4. 建模/统计分析

    放射性组学图像特征被用于许多不同的分析。也许最常见的是将放射组学图像特征纳入模型,以改善病人的风险分层(总生存期、无转移等)。在这种情况下,问题是图像特征是否为临床数据增加价值。其他问题包括图像特征是否与肿瘤组织学(40)、肿瘤等级(38)或基因特征(12,68-70)有关。

    模型开发是放射组学过程的一个重要组成部分,有许多潜在的陷阱。尽管有越来越多的出版物有积极的结果,Chalkidou等人回顾了2000年至2013年间发表的15项放射组学研究,估计平均 type-I 错误概率为76%(范围为34-99%),而且大多数研究的结果没有达到统计学意义(8)。没有经验的用户不能简单地复制已发表的方法;必须仔细考虑建模和统计分析,最好有对这种类型的分析有经验的同事参与。Chalkidou等人提供了以下最佳实践,以开发具有统计学和临床意义的模型,同时减少错误发现。I)评估特征的可重复性;(II)进行交叉相关分析;(III)包括临床上重要的变量(体积应包括在内);(IV)确保数据集有足够的观察率(每个特征超过10-15);(V)包括一个外部验证队列(使用相同的特征计算和截止值)。最后,在使用没有物理(或生物)解释的图像特征时应注意。

    以下是可用于建模/统计分析的部分软件包清单:

    (I) R(www.r-project.org/)。R是一个用于统计计算的免费软件环境,包括放射组学研究中使用的许多统计技术,如线性和非线性建模、分类和聚类。R已经被放射组学研究界广泛使用(29,36)。Parmar等人调查了R中的许多机器学习算法,以确定哪些方法是放射组学应用的最佳方法(67);

    (II) SPSS(www.ibm.com/software/analytics/spss)。SPSS是一个广泛使用的统计分析商业软件,并在许多放射组学出版物中使用(4,21,23,24);

    (III) Stata(www.stata.com)。Stata是另一个商业统计软件包,已被用于放射组学研究(14);

    (IV) MedCalc(www.medcalc.org)。MedCalc已被Desseroit等人(13)用于他们的放射组学研究,也被其他人用于许多与图像分析有关的项目(71,72);

    (V) Bioconductor(www.bioconductor.org)。Bioconductor 是一个用于计算生物学和生物信息学的开源软件(73),并已被Coroller等人(18)等放射组学研究人员使用;

    (VI) Weka(www.cs.waikato.ac.nz/ml/weka/)。Weka 是一个用于数据可视化、分析和预测建模的免费软件,1993年在怀卡托大学(新西兰汉密尔顿)开发。Weka 已被用于几个放射组学项目(31,74)和其他使用图像特征的密切相关项目(75)。例如,Hawkins等人使用 Weka 分类器和基于CT的特征来预测肺癌患者的总生存时间(74)。

    前面描述的几个放射组学特征提取软件(如MaZda和TexRAD)也包括一些统计分析/建模功能。

    Summary

    许多软件程序可用于放射组学研究。本综述描述了最流行的分割、特征提取和统计建模或分析的选择,并包括文献中的例子。研究人员在选择软件进行分析之前,应仔细权衡每个软件的优点和缺点。此外,为了提高研究之间的特征重现性,研究人员必须详细说明他们在研究中使用的任何具体的分割、图像处理或特征参数。

    展开全文
  • 医学影像组学特征值(Radiomics Features)提取

    万次阅读 多人点赞 2019-05-22 11:29:34
    在AI+医学影像方向工作近三年,主要负责医学标注工具和影像组学(Radiomics)特征值提取软件的实现。 基于这些工具软件发表了5篇高分(IF>5)文章,下面逐一做个总结和整合,以更好地开展工作。 1.医学标注工具...

    在AI+医学影像方向工作近三年,主要负责医学标注工具和影像组学(Radiomics)特征值提取软件的实现。

    基于这些工具软件发表了5篇高分(IF>5)文章,下面逐一做个总结和整合,以更好地开展工作。

    1.医学标注工具软件

       3D Slicer是一款非常成熟的医学影像处理平台软件,它集成了非常多实用的工具,我们一般使用segmentation editor做为添加ROI的方法,并将该ROI导出后,用于后续影像组学的计算。

    2.radiomics 计算

    对于上面第一步勾画的ROI,可以使用pyradiomics进行特征值提取计算。具体实现,后文会介绍。

    总结:目前计算影像组学的步骤如下:

    展开全文
  • 这是一个开源python软件包,用于从医学成像中提取Radiomics功能。 借助此软件包,我们旨在建立放射分析的参考标准,并提供经过测试和维护的开源平台,以轻松,可重复地提取放射特征。 通过这样做,我们希望提高对...
  • python使用TSNE为影像组学(radiomics)数据进行降维可视化分析 目录 python使用TSNE为影像组学(radiomics)数据进行降维可视化分析 #绘制降维的二维可视化图像 #绘制降维的三维可视化图像 #绘制降维的...
  • 基于PET的Radiomics论文

    2018-07-06 14:47:45
    放射组学近年来一直都是比较火的话题,从12年荷兰学者提出之后,近年来一直成为研究热点
  • Radiomics: 图像不仅仅是图片,它们是数据 在过去的十年里,医学图像分析领域呈指数级增长,模式识别工具的数量增加,数据集的规模也在增加。这些进展促进了高通量定量特征提取过程的发展,从而将图像转化为可挖掘的...
  • 以下是本文内容: 一、引语 二、R&Rstuio简介 三、Rstudio优势 四、R软件下载与安装 ...)文章《Development and Validation of a Radiomics Nomogram for Preoperative Prediction of Lymph Node Metastasis
  • matlab图像分割肿瘤代码GC_RADIOMICS- 肿瘤免疫微环境的非侵入性成像评估可预测胃癌的化疗React 该matlab代码包含1个演示: “ Feature_Extr”:Matlab代码,用于加载CT图像,分割蒙版并提取不同参数设置下的放射...
  • 论文翻译:Radiomics: Extracting more information from medical images using advanced feature analysis Abstract 实体癌在空间和时间上都是异质性的。这限制了基于分子检测的侵入性活检的使用,但给医学成像带来...
  • Deep learning radiomics can predict axillary lymph node status in early-stage breast cancer 深度学习预测早期乳腺癌的腋窝淋巴状态 Accurate identification of axillary lymph node (ALN) involvement in ...
  • Radiomics:使用先进的特征分析方法从医学影像中提取更多信息关键字图像 Radiomics 肿瘤 内部肿瘤 异质性摘要实体肿瘤具有空间上和时间上的异质性。这就限制了基于分子检测的侵入性活检的使用,但是这给医疗影像的...
  • 放射学工具 图像处理工具和基于Ruffus的管道用于放射线特征分析 超级身材 只需运行super-build.sh ./super-build.sh 安装软件 Python 3.7 必需的 脚本引擎和有用的模块 !... 所需模块:熊猫,ruffus,SimpleITK,...
  • matlab中存档算法代码
  • 可以计算除去针对肿瘤特征之外的图像初始特征,总共46个特征
  • 图像矩阵matlab代码鼻咽癌 这是一个matlab演示,展示了如何使用不同的策略/参数设置为PET / CT扫描的NPC图像构建放射线矩阵并提取放射线特征。 引文: [1]吕伟,袁Q等人(2018)在放射学特征中更改参数设置时的鲁棒...
  • -------------------------------------------------- ----------------------- || --> 提供用于放射组学分析的 MATLAB 编程工具的软件包。 -------------------------------------------------- ---------------...
  • 软着代码matlab
  • 放射学 LUNA LIDC-IDRI数据集的放射学特征提取

空空如也

空空如也

1 2 3 4 5 ... 14
收藏数 262
精华内容 104
关键字:

radiomics