放射组学及其在肿瘤研究与临床中的应用-田捷教授

整理文档很辛苦,赏杯茶钱您下走!

免费阅读已结束,点击下载阅读编辑剩下 ...

阅读已结束,您可以下载文档离线阅读编辑

资源描述

1放射组学及其在肿瘤研究与临床中的应用2020年2月24日田捷中国科学院自动化研究所2报告内容放射组学(Radiomics)原理Radiomics与精准医学肺癌的Radiomics前期研究基础3解剖结构物理组织层次代谢层次蛋白质层次转录学层次功能影像结构影像分子影像微环境基因层次Radiomics癌症研究放射组学(Radiomics)概念(1/4)VirendraKumaretal,MagneticResonanceImaging,2012,30:1234.4放射组学(Radiomics)概念(2/4)以肺癌为例,2010年中国共54万发病率,45万死亡率,且在过去30年以465%的速度增长肺癌居恶性肿瘤首位,在非小型细胞肺癌患者中,五年存活率依然很低中国每年花在肺癌治疗上的费用近400亿各大医院开始关注肺癌的检测。肺癌筛检中假阳性较高,活检代价较大—中国癌症调查报告,20125放射组学(Radiomics)概念(3/4)Radiomics:是从海量影像数据中进行特征提取与量化分析通过量化分析提高诊断准确率并进行预测影像CT/MRI/…肿瘤分割特征提取与量化分析分析特征与诊疗结果关系肿瘤模型VirendraKumaretal,MagneticResonanceImaging,2012,30:1234.6放射组学(Radiomics)挑战(4/4)CTMRI…采集重建数据存储可重复性金标准全自动验证数据库的整合存储及共享PACS系统信息分析多信息特征空间自动提取低冗余度影像数据图像分割特征提取及量化分析及数据库建立VirendraKumaretal,MagneticResonanceImaging,2012,30:1234.7集数据共享、处理、融合、分析于一体的影像融合医疗平台将极大地促进全球医疗进展。融合分析共享处理TrudieLangetal.,Science,2011,331:714-717.精准医学(1/3)—影像融合医疗平台8通用影像融合计算平台可以用于处理和无缝融合不同成像模态的医学影像数据RalphWeisslederetal.,Nature2008,452:580-589.精准医学(2/3)—影像融合计算平台9Radiomics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)10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=1201.6mm2Perimeter=152.4mmVolume=2615mm3Surf.area=1099.33mm2Surf.Area/volume=0.42mm-1Density,NecrosisMean=19.33HUSD=76.59HUMin=-249HUMax=118HUSpiculations0Slopeatmargin=133.5±31.3HU/mmLowdensityinclusionsRel.vol.=0.21mm3Number=110Volume=4.89±8.35mm3特征信息Balagurunathanetal.TranslationalOncology,accepted,2014.11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12基于纹理的特征:基于形状的特征:Skewness:Kurtosis: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Balagurunathanetal.,TranslationalOncology,accepted,2014.13细(staging)中间Ganeshanetal.,CancerImaging(2010)10:137.粗(SUV)纹理特征:粗的纹理特征与FDG吸收中的SUV相关(p0.03).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14肺癌Radiomics(5/35)—影像特征序号影像特征种类代表性特征假设1形状a.紧密度b.主要方向c.部分各向异性d.形状索引长方形肿瘤沿着现存血管生长,因更可能有转移2尺寸a.体积b.最长的直径c.厚度大的肿瘤在后阶段3边界a.边界梯度b.维度c.边界长度这些特征可能与扩散性的、重大的及对肿瘤更少反应4与肺的关系a.肺的边界b.解剖位置边界肿瘤更可能扩散5强度与各向异性a.平均HUb.低的HU区域c.直方图特征d.纹理特征各向异性病变可能包含稳定体积的危险区15特征名字2D2D特征个数3D3D特征个数边界梯度√2××维度√1××傅立叶描述符√1××共生矩阵√5√6扫描宽度分析√22√11规则特征√25√125小波分解√30√30傅立叶分析√5××直方图特征√6√6常用特征总计数97178常用影像特征列表。(√):可用,(×):不可用211个三维和114个二维特征Balagurunathanetal.,TranslationalOncology,accepted,2014肺癌Radiomics(6/35)—影像特征16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?17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18肺癌Radiomics(9/35)—图像分割YuhuaGuetal.,PatternRecognition,2013,46(3):692-702.单点式分割算法(SCES)算法19SCES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YuhuaGuetal.,PatternRecognition,2013,46(3):692-702.20XiuliLietal.,unpublishedresults肺癌Radiomics(11/35)—图像分割21由MITK算法实现的整肺分割LevelSetSCES(Guetal)骨架割方法肺结节分割结果肺癌Radiomics(12/35)—图像分割22主动形状模型分割方法总框架ShanhuiSunetal.,IEEETransactionsonMedicalImaging,2011:30(2),266.原始CT影像肋骨检测模型初始化强的主动形状模型匹配约束的优化面搜索肺癌Radiomics(13/35)—图像分割23主动形状模型法分割结果肺癌Radiomics(14/35)—图像分割ShanhuiSunetal.,IEEETransactionsonMedicalImaging,2011:30(2),266.24微分几何分割方法分割流程JiantaoPuetal.,IEEETransactionsonMedicalImaging,2012:31(2),449.肺癌Radiomics(15/35)—图像分割25血管分割结果微分几何分割方法支气管分割结果支气管分割结果肺癌Radiomics(16/35)—图像分割JiantaoPuetal.,IEEETransactionsonMedicalImaging,2012:31(2),449.26特征提取背景特征对不同图像中的同一肿瘤提取的稳定性部分特征对肿瘤之间的区分度不明显特征之间不独立特征提取要求对同一肿瘤的不同图像应具有高度重复性特征对肿瘤间区分性较强特征之间具有独立性肺癌Radiomics(17/35)—特征提取27怎样抽取与选择可用的影像特征1尺寸2形状3体积4边界5直方图6小波7……1高重复性的2信息丰富的3低冗余度的……原始CT影像被分割的影像影像特征可用的特征:用于预测预后肺癌Radiomics(18/35)—特征提取Balagurunathanetal.,TranslationalOncology,accepted,2014.28高重复性特征提取一致相关系数(CCC)c222()xyxyxy,xy,xy为变量x,y的均值为变量x,y的方差为变量x,y的相关系数肺癌Radiomics(19/35)—特征提取高可重复性:一致相关性指数CCC0.9。Balagurunathanetal.,TranslationalOncology,accepted,2014.29高重复性特征提取肺癌Radiomics(20/35)—特征提取高可重复性:在Test/Retest数据集上提取相同的特征,计算相关一致性指数,提取出具有高可重复性的特征。数据集:肿瘤病人在短时间内经过两次CT扫描,获取两次肿瘤图像。以便测试特征的可重复性。Balagurunathanetal.,TranslationalOncology,accepted,2014.30高区分度特征提取动态范围(DR)11|Test(i)Retest(i)|(1)niDRnMaxMin对于任意一个特征n为数据总数,MaxMin为该特征在数据集中的最大值和最小值Test(i)Retest(i)为该特征在Test数据和Retest数据之间的差值Balagurunathanetal.,TranslationalOncology,accepted,2014.肺癌Radiomics(21/35)—特征提取31高区分度特征提取高区分度:动态范围DR0.9。在数据集上提取相同的特征,计算动态范围,提取出具有高动态范围的特征Balagurunathanetal.,TranslationalOncology,accepted,2014.肺癌Radiomics(22/35)—特征提取32低冗余度特征独立性:在高重复性高区分度的基础上,对特征进行层次聚类,去除具有高依赖性(R20.95)的特征Balagurunathanetal.,TranslationalOncology,accepted,2014.肺癌Radiomics(23/35)—特征提取33典型特征对预后的预测准确性肺癌Radiomics(24/35)—特征提取原始特征数Balagurunathanetal.,TranslationalOncology,accepted,2014.用于预测预后的典型特征34肺癌Radiomics(25/35)—特征提取获取可用特征的方法数据挖掘方法统计方法一般计算方法主成分分析方法二次统计算法Balagurunathanetal.,TranslationalOncology,accepted,2014.35肺癌Radiomics(26/35)—分析(1/10)非小型细胞肺癌存活率分析:预测非小型细胞肺癌病人的存活时间用影像图象观察方法发展预后影像特征早期肺癌检测:肺癌筛检的基本研究预测模型用于区分良性与恶性结节36肺癌病人存活率预测数据集84个患有非小型细胞肺癌的病人存活时间大于24个月的病人有57人存活时间小于24个月的

1 / 61
下载文档,编辑使用

©2015-2020 m.777doc.com 三七文档.

备案号:鲁ICP备2024069028号-1 客服联系 QQ:2149211541

×
保存成功