脑胶质瘤影像组学是什么

　　脑胶质瘤影像：对MRI、PET、CT等不同的成像方法，图像组学分析流程相同，一般包括以下5个部分：

　　①图像采集，由于图像数据的获取与设备厂商、设备参数、患者体位等因素有关，直接影响到研究结果，因此，需要对所得到的图像进行预处理、配准、归一化等操作。

　　②图像兴趣区(regionofimage,ROI)分割，使肿瘤区域与正常组织准确地分离。图像组学研究中，大多数是由有经验的放射肿瘤学家手工绘制ROI，或者采用自动或半自动的分割算法，如区域增长法、蛇形算法、深度学习分割算法等。

　　③特征提取，是图像组学过程中的重要环节。图像组特征通常包括一级特征、形态学特征、纹理特征、小波特征等。一阶特征量，又称直方图特征，它通过对图像灰度直方图进行提取，得到诸如偏度、峰度、熵、能、均值和方差等一般统计量。一阶特征只能用于描述ROI的灰度分布，无法表示相邻体素间的空间关系、交互性和相关性。利用形态学可定量地描述肿瘤的表面、体积、表面积和体积比、球形度、致密度、三维直径等ROI的几何特征，可表征肿瘤三维尺寸和形貌信息。

　　通过对原始图像的MRI、PET、CT等或变换后的图像(如拉普拉斯，小波，Gabor变换等)，反映了图像的纹理特征，反映了图像的空间分布关系。提取纹理特征的常用方法有：灰度共生矩阵(graylevelco-occurrencematrix，GLCM)，某一特定方向和距离所反映的体素值出现的概率；灰度行程矩阵(graylevelrunlengthmatrix)GLRLM)，说明某一特定方向上同一灰度级别的体素的连续长度；灰度区域大小矩阵(graylevelsizezonematrix)GLSZM)，用灰色关联矩阵(grayleveldependencematrix)来量化连续体素值的区域，GLDM)，用连续灰度差矩阵(neighbouringgraytonedifferencematrix，用来测量相邻体素之间的差别。在距离范围内，量化体素灰度值和平均灰度在距离上的差值。

　　④特征选择，即选择与任务相关的子集，简化模型，减少训练时间；并且通过减少过度拟合增强了模型的泛化程度，较小收敛性和选择算子(leastabsoluteshrinkageandselectionoperator是一种常用的特征选择方法，LASSO,Fisher分数和Relief-F算法，较小冗余较大相关。

　　⑤建立了模型并进行了分析，常用的机器学习算法包括神经网络、Supportvectormachine,SVM)、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预后分析。建模过程中，应该把临床记录的数据，治疗过程中取得的数据或者遗传数据等等作为特征纳入模型。