儿童后颅窝胶质瘤中图像组学的概述和过程-INC国际神经外科医生集团

　　儿童后颅窝胶质瘤中图像组学的概述和过程。影像组学是一门快速发展的学科，2012年一次由荷兰研究bin于2012年一次提出。它将数字医学图像映射成定量数据，可以获得人类视觉无法捕捉到的肿瘤微结构的定量信息。图像组学通过提取医学图像的特征，建立图像与肿瘤异质性、基因表达等信息的关系，成为可量化的生物参数，有助于鉴别诊断疾病、分类分级、基因评估、评估治疗后反应、预后复发风险，是肿瘤病变。图像组学是肿瘤图像学研究的有用辅助工具。

　　图像组学的工作流程包括:①确定研究问题和患者队列，收集标准医学成像图像；②在获得的图像中分割兴趣区(ROI)；③提取图像特征；④统计分析/建模。图像分割采集后，ROI范围应覆盖整个后颅窝肿瘤(包括肿瘤实性、坏死、囊变、出血区)，避免肿瘤周脑水肿。图像分割包括自动分割、半自动分割和手动分割。

　　目前，儿童后颅窝肿瘤的研究主要采用手动分割和半自动分割。手动分割精度高，但耗时长，可重复性低，效率低；半自动分割具有相对较高的准确性和及时性。自动分割不受人为因素的影响，可以实现高效运行，但需要不断提高技术来提高准确性，以便广泛应用于临床工作。图像组学提取特征包括：形状特征、一级特征、二级特征和一些高级特征。一级特征是基于直方图分析获得的，反映肿瘤组成的微观结构，描述其对称性、均匀性和强度分布。二级特征是纹理特征，基于灰度共生矩阵、灰度区域矩阵、灰度旅行矩阵等测量肿瘤异质性。

　　高级区域特征是通过体素排列和灰度范围矩阵计算出来的，目前应用较少。儿童后颅窝胶质瘤的影像组学研究提取的特征包括灰度直方图特征、纹理特征、小波特征、Gabor特征等。目前评估儿童后颅窝胶质瘤的模型构建方法有:Logistic回归模型、随机森林、支持向量机(supportvectormachine、SVM)、人工神经网络、Kruskal-Walllis测试、交叉验证法、K近邻法、Adabost算法等。

提示：本文内容来自网络用户投稿，仅供参考，不做为诊断依据，任何关于疾病的建议都不能替代执业医师的诊断。请以医生诊断为准，不代表本站同意其说法，请谨慎参阅，本站不承担由此引起的任何法律责任。