首先,对图像组学进行说明。 目前,图像设备生成的图像数据量越来越大,传统的图像数据处理和使用方法很难充分提取图像的大数据信息。 于是影像组学应运而生。 2012年,荷兰学者Lam悲凉的太阳等人[1]正式提出了图像组学的概念。 Radiomics使用大量的自动化数据特征化算法实现了兴趣区域(region ofinterest, 同年Kumar等人[2]发表文章,将ROI )的图像转换为可挖掘的数据信息,并以高通量(high throughput )对其进行定量分析,将Radiomics的定义进一步扩展,形成CT、PET或MRI等医学图像
那么,影像组学到底是什么呢? 我的浅见:影像组学是一门技术,应用人工智能和机器学习的方法对医学影像进行兴趣区域(ROI )分割,定量提取ROI特征,建立分析模型,辅助临床决策。 其中提取图像组学特征是重要的一步。 在这里,我将其应用于医学影像肿瘤的良恶性分类。 我们针对感兴趣区域提取一阶、二阶(GLCM、GLDS )及高阶Gabor特征,由于多模态特征特征的特征维数较高,建立机器学习的分类模型后,模型计算复杂度较高,难以训练鲁棒性较高的模型在此,考虑Lasso、Relief、MI互信息等特征降维。 这里,我想表达的是,单一的好特征组合并不能提高分类器的性能,换句话说,m个最佳特征并不是最好的特征[3]。 因为特征之间可能有很高的相关性。 特征降维后,我们接着进行数据挖掘和统计分析,更深入地挖掘特征数据与临床数据的关系。 主要采用方法为机器学习和数据统计分析。 在此,采用神经网络、支持向量机support vector machine、SVM、贝叶斯决策树等机器学习的方法进行分类模型的构建。
随着分类器的应用,需要采取措施来评价结果,以验证所生成模型的稳定性状况。 因此,采取混淆真阳性(TP )、真阴性)、假阳性(FP )、假阴性(FN )的措施。
模型性能的评价以: (灵敏度)进行
(特异性)
(准确性)
(F1_score )
另一种常见的评价手段是,用接受者的工作特性曲线(recevieroperatingcharacteristic,ROC )和曲线下面积(area under the curve,AUC )的值来描述参数的整体表现能力。 对于AUC值来说,接近1的值是理想的,并且如果值小于0.5,则证明该参数没有任何分类能力。
.
到此为止,如果上述表达有误,我就忘了批评和指正。
[1] Lam悲伤的太阳p,Rios-Velazquez E,Leijenaar R,et al.radio mics : extractingmoreinformationfrommedicalimagesusingadvancedvancededededice
[2]
[3] covertm.thebesttwoindependentmeasurementsarenotthetwobest [ j ].ieetransactionsonsystems,Man,and Cybernetics,110