放射组学及其在肿瘤研究与临床中的应用.ppt课件

Radiomics与精准医学

“影像特征信息的使用会使医学更精准”

2011年美国基因组学与生物医学界的智库发表了《迈向精准医学：建立生物医学与疾病新分类学的知识网络》”

2013年8月国际放射学会在北京举办了展望未来五年医学技术的发展论坛：精准医学是未来五年医学影像的发展方向

精准医学(3/3)

影像数据

将影像转换成可挖掘的数据

肺

支气管树

结节

血管树

分析(特征与诊疗结果关系)

肺癌的Radiomics(1/35)

医学图像处理

Area=1201.6 mm2 Perimeter=152.4 mm Volume=2615 mm3 SU##Rf. area=1099.33 mm2 SU##Rf. Area/volume=0.42 mm-1 Density, Necrosis Mean = 19.33 HU SD = 76.59 HU Min = -249 HU Max = 118 HU Spiculations0 Slope at margin =133.5±31.3 HU/mm Low density inclusions Rel. vol.= 0.21 mm3 Number=110 Volume=4.89±8.35 mm3

特征信息

BalagU##Runathan et al. Translational Oncology, accepted, 2014.

肺癌Radiomics(2/35)

影像特征 数据检测挑战 分割挑战 肺肿瘤/结节分割 肺部/血管/支气管树分割 特征提取及量化 分析(特征与诊疗结果关系) 病人存活率的肿瘤预测模型 肺癌CT筛检早期癌症检测

基于纹理的特征：

基于形状的特征:

Skewness:

KU##Rtosis:

Entropy:

Sphericity:

Compactness:

211个三维和114个二维纹理与形状特征

肺癌Radiomics(3/35)—影像特征

细 (staging)

中间

Ganeshan et al., Cancer Imaging (2010) 10: 137.

粗 (SUV)

纹理特征： 粗的纹理特征与FDG吸收中的SUV相关 (p<0.03). 细的纹理特征以100%敏感度和87.5%特异性预测肿瘤发展程度

肺癌Radiomics(4/35)—影像特征

肺癌Radiomics(5/35)—影像特征

常用影像特征列表。(√)：可用，(×)：不可用

211个三维和114个二维特征

肺癌Radiomics(6/35)—影像特征

肺癌Radiomics(7/35)—数据检测挑战

对于部分匿名影像，必要数据重建可能困难 不同医院的影像，不是每个标注都相似 由于不同的设备和协议，很难识别出关键参数去检测 识别对应影像的疾病实例(序号) 计算不同(诊断影像，外科影像及治疗影像) 组织的影像层厚 其他参数也可变?

肺癌Radiomics(8/35)—图像分割

目前现有的分割算法需要大量交互操作 不同用户的交互操作之间的一致性只有73-85% 影像分割要求 自动或者少量交互的半自动算法 影像分割方法 CT/MRI 肺部肿瘤/结节 单点式分割算法 (SCES) MITK肺部结节分割算法 CT/MRI 整肺分割 微分几何分割方法 主动形状模型分割方法

肺癌Radiomics(9/35)—图像分割

Yuhua Gu et al., Pattern Recognition, 2013,46(3): 692-702.

单点式分割算法 (SCES)算法

SCES算法：在129个图像上采用20个不同种子点得到的相似度指数

肺癌Radiomics(10/35)—图像分割

Yuhua Gu et al., Pattern Recognition, 2013,46(3): 692-702.