Hệ thống Radiomics Tính Toán để Giải Mã Phân Loại Radiographic
Tóm tắt
Radiomics nhằm định lượng các đặc điểm biểu hiện trên hình ảnh y tế thông qua việc sử dụng các thuật toán tự động. Công nghệ trí tuệ nhân tạo (AI) trong radiomic, có thể dựa trên các thuật toán cứng đã được thiết kế hoặc các phương pháp học sâu, có thể được sử dụng để phát triển các dấu hiệu sinh học không xâm lấn dựa trên hình ảnh. Tuy nhiên, sự thiếu hụt trong việc định nghĩa chuẩn hóa các thuật toán và xử lý hình ảnh đã cản trở nghiêm trọng tính tái lập và khả năng so sánh của các kết quả. Để giải quyết vấn đề này, chúng tôi đã phát triển PyRadiomics, một nền tảng mã nguồn mở linh hoạt có khả năng trích xuất một loạt các đặc trưng đã được kỹ thuật từ hình ảnh y tế. PyRadiomics được triển khai bằng Python và có thể được sử dụng độc lập hoặc thông qua 3D Slicer. Ở đây, chúng tôi thảo luận về quy trình làm việc và kiến trúc của PyRadiomics và chứng minh ứng dụng của nó trong việc đặc trưng hóa các tổn thương phổi. Mã nguồn, tài liệu và các ví dụ có sẵn công khai tại www.radiomics.io. Với nền tảng này, chúng tôi nhằm thiết lập một tiêu chuẩn tham chiếu cho các phân tích radiomic, cung cấp một nguồn tài nguyên đã được thử nghiệm và duy trì, và mở rộng cộng đồng các nhà phát triển radiomic nhằm đáp ứng những nhu cầu quan trọng trong nghiên cứu ung thư. Ung thư Res; 77(21); e104–7. ©2017 AACR.
Từ khóa
Tài liệu tham khảo
Aerts, 2016, The potential of radiomic-based phenotyping in precision medicine: a review, JAMA Oncol, 2, 1636, 10.1001/jamaoncol.2016.2631
Aerts, 2014, Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach, Nat Commun, 5, 4006, 10.1038/ncomms5006
Lambin, 2012, Radiomics: extracting more information from medical images using advanced feature analysis, Eur J Cancer, 48, 441, 10.1016/j.ejca.2011.11.036
Marusyk, 2012, Intra-tumour heterogeneity: a looking glass for cancer?, Nat Rev Cancer, 12, 323, 10.1038/nrc3261
Yip, 2016, Applications and limitations of radiomics, Phys Med Biol, 61, R150, 10.1088/0031-9155/61/13/R150
Orlhac, 2014, Tumor texture analysis in 18F-FDG PET: relationships between texture parameters, histogram indices, standardized uptake values, metabolic volumes, and total lesion glycolysis, J Nucl Med, 55, 414, 10.2967/jnumed.113.129858
Tixier, 2012, Reproducibility of tumor uptake heterogeneity characterization through textural feature analysis in 18F-FDG PET, J Nucl Med, 53, 693, 10.2967/jnumed.111.099127
Fedorov, 2012, 3D slicer as an image computing platform for the quantitative imaging network, Magn Reson Imaging, 30, 1323, 10.1016/j.mri.2012.05.001
Johnson, 2016, The ITK Software Guide Book 2: Design and Functionality Fourth Edition Updated for ITK version 4. 10
Haralick, 1973, Textural features for image classification [Internet], IEEE Trans Syst Man Cybern, SMC-3, 610, 10.1109/TSMC.1973.4309314
Galloway, 1975, Texture analysis using gray level run lengths, Comput Gr Image Process, 4, 172, 10.1016/S0146-664X(75)80008-6
Chu, 1990, Use of gray value distribution of run lengths for texture analysis, Pattern Recognit Lett, 11, 415, 10.1016/0167-8655(90)90112-F
Thibault, 2009, Texture indexes and gray level size zone matrix application to cell nuclei classification, Pattern Recognition and Information Processing (PRIP), 140