神经胶质瘤影像组学的研究背景和工作流程。

　　神经胶质瘤影像组学的研究背景和工作流程。图像组学是放射学、计算机视觉、机器学习等多学科交叉的产物，它的产生既有现实的主观需要，又有客观条件。客观地说，目前影像学的现状是量化数据很有限，对图像的解读主要依赖于人员的视觉评价，其结果多为描述性、主观性和非定量。所以，客观、定量地评价医学图像具有迫切性。从客观上看，医疗影像设备软硬件的好转，医院数字化发展，使用电子病历，影像储存及传输系统的方便、数学算法的改进以及计算机处理能力的提高，使得实现高通量的数字信息提取成为可能，为影像组学的诞生提供了现实基础和硬件支持。

　　同时，在大数据时代，医学研究与临床数据科学等新兴领域正在形成，多学科交叉的应用，使融合多种数据资源，实现个性化诊断和治疗，为医学影像组学提供了一种不同的应用前景。图象组处理的数据尽可能地标准化，这就要求采集数据的机种要尽量统一，用来扫描的参数要一致。图像组学的工作流程大致分为四个步骤：获取图像、感兴趣区分割、特征提取、建模和合适性检验。

　　图象采集与ROI分割为影像检测与诊断，特征提取涉及计算机视觉，提取过程中可以对图像进行预处理和过滤，但提取过程并非必需。图像组学是多学科交叉的产物，包括机器学习、人工智能等，是一门综合性学科。超声、CT、MRI和正电子扫描可以获得CT和PET扫描(PET)的影像，其中CT和PET比MRI广泛。ROI分割分为手工分割、半自动分割和自动分割三种方式，对于高水平阅片者来说，人工分割较为精确，但费时且存在个体差异，使用软件进行自动分割可以减轻人力负担，但在病理状态下，是肿瘤边界不清时，无法使用。

　　特征提取是借助于计算机视觉，将图像从像素层次转换成大量的量化数据，进行分类分析。将其划分为形状特征、一阶统计、二阶统计量和高阶统计量。形态特征主要取决于所用的分割法，指标包括大小、形状等；一阶统计从图像像素强度中得到的柱状图，主要反映像素值的分布，没有考虑其空间关系；通常根据直方图生成的指数有均值、标准差、熵值、偏态峰和正态峰等；二阶统计是一种纹理或灰度变量特征，主要反映了同一灰度和灰度像素之间的空间关系，在模式识别中，反映病灶异质性较多，高阶统计量法是用过滤网格来提取重复和非重复模型，通常采用拉普拉斯法进行高斯滤过，Gabor过滤、小波变换和分维分析。图像组学模型的建立与验证需要完成足够数量的数据，所用方法有无监督的ML分析(采用热点图或聚类分析)在没有预设数据标记的情况下，从数据中查找自然结构特征；监督ML分类器，如一般线性模型，随机森林法，SVM，神经网络等；介于两者之间的半监督学习。

　　当分类标签不明确的时候，半监督学习是为特定的任务设计的。正则方法用来控制模型的复杂性和避免过度拟合(为了适应样本而使用多种复杂函数)。内部校验经常被用来进行内部校验，主要是用被试操作特征曲线下面的区域来评估。