神经胶质瘤影像组学流程
神经胶质瘤影像组学流程，针对MRI、PET和CT等不同的成像方法，其成像组的分析流程是一样的，一般包括以下5个部分：
②影像获取，由于影像数据的获取与设备厂商、设备参数、患者体位等因素有关，这些都会直接影响研究的结果，因此需要对获得的原始影像进行预处理，实施配准、归一化等操作。
其二，影像兴趣区(ROI)分割，它能准确地把肿瘤从正常组织中分割出来。影像组学中，ROI多由经验丰富的放射肿瘤学家手工绘制，也可采用自动或半自动分割算法进行肿瘤分割，如区域生长法、蛇形法、深度学习法等。
在影像组学流程中，特征提取是核心步骤。通常，影像组学特征包括一阶特征，形态，纹理，小波变换等。从影像的灰度直方图中提取的一阶特征又称直方图特征，它可以得到诸如偏度、峰度、熵、能量、均值、方差等几种常用的统计指标。第一类特征只能描述ROI的灰度分布，无法显示相邻体素间的空间关系、交互关系和相关关系。形态学特征可用于定量描述ROI的几何特征，如肿瘤的表面积、体积、体积比、球形度、紧凑性、三维直径等，并可描述三维肿瘤的尺寸和形态信息。
该纹理特征反映了影像体素灰度的空间排列关系，可从MRI、PET和CT等原始影像或经过拉普拉斯、小波、加布尔变换等变换后的影像中获取。常见的纹理特征提取方法包括：灰度共生矩阵，它反映在给定方向和距离上体素值出现的概率；灰度漫程矩阵，它描述在指定方向连续出现的同一灰度级别的体素的长度；灰度区域大小矩阵，它量化影像中体素值连续出现的区域；灰度相关矩阵，它基于体素值测量相邻体素之间的差别；相邻灰度差分矩阵，它量化体素差分矩阵。
属性选择，即选择与任务相关的属性子集，以简化模型，缩短训练时间，并通过减少过分拟合提高模型的泛化性，常用的属性选择方法有：最小绝对收敛法、选择算子、最小冗余最大相关法、Fisher分数和ReliefF算法等。
建模与分析，常用的分类任务机器学习算法有神经网络、支持向量机、随机森林和广义线性模型等，Cox比例风险回归模型可用于肿瘤的预后分析。在建模时，应将临床记录数据、治疗过程中获得的数据或遗传数据等作为特征综合考虑。
- 本文“神经胶质瘤影像组学流程”禁止转载，如需转载请注明来源及链接(https://www.jiaozhiliu.org.cn/show-925.html)。
- 更新时间：2021-02-25 14:07:34
关注微信公众号
