Rizzo •i colab.

European Radiology Experimental (2018) 2:36

Radiologie europeană
https://doi.org/10.1186/s41747-018-0068-z
Experimental

RECENZIE NARATIVĂ Acces deschis

Radiomica: faptele •i provocările analizei

imaginii
Stefania Rizzo 1 *, Francesca Botta 2, Sara Raimondi 3, Daniela Origgi 2, Cristiana Fanciullo 4,
Alessio Giuseppe Morganti 5 •i Massimo Bellomi 6

Abstract

Radiomică este un domeniu de cercetare transla•ional emergent care vizează extragerea datelor minibile de înaltă dimensiune din imagini clinice.
Procesul radiomic poate fi împăr•it în etape distincte cu intrări •i ie•iri definibile, cum ar fi achizi•ia •i reconstruc•ia imaginii, segmentarea imaginii,
extragerea •i calificarea caracteristicilor, analiza •i construirea modelului. Fiecare etapă necesită o evaluare atentă pentru construirea unor modele
robuste •i fiabile care să fie transferate în practica clinică în scopul prognosticului, urmăririi neinvazive a bolii •i evaluării răspunsului bolii la tratament.
După defini•ia lui textură parametri (caracteristici de formă; caracteristici de primă, a doua •i superioară), discutăm pe scurt originea termenului radiomică
•i metodele de selectare a parametrilor utili pentru o abordare radiomică, inclusiv analiza clusterelor, analiza componentelor principale, pădurile aleatorii,
re•eaua neuronală, regresia liniară / logistică •i altele. Reproductibilitatea •i valoarea clinică a parametrilor trebuie testate mai întâi cu validare încruci•ată
internă •i apoi validat pe cohorte externe independente. Acest articol rezumă problemele majore referitoare la acest proces în mai mul•i pa•i,
concentrându-se în special pe provocările legate de extragerea caracteristicilor radiomice din seturile de date furnizate de tomografia computerizată,
tomografia cu emisie de pozitroni •i imagistica prin rezonan•ă magnetică.

Cuvinte cheie: Luare de decizii clinice, Biomarkeri, Prelucrarea imaginilor (asistată de computer), Radiomică, Analiza texturilor

Puncte cheie
Radiomica este un proces complex în mai mul•i pa•i care ajută la
luarea deciziilor clinice •i la predic•ia rezultatelor. Segmentarea
manuală, automată •i semiautomatică este dificilă din cauza
problemelor de reproductibilitate. Caracteristicile cantitative sunt
extrase matematic de software, cu diferite niveluri de complexitate.
ar trebui mai întâi testate cu validare încruci•ată internă •i apoi
validate pe cohorte externe independente
fundal
În noua eră a medicină de precizie, radiomică este un domeniu de
cercetare transla•ional emergent care urmăre•te să găsească asocia•ii
între informa•ii calitative •i cantitative extrase din imagini clinice •i date
clinice,
cu sau fără expresie genică asociată pentru a sprijini luarea deciziilor
clinice bazate pe dovezi [ 1 ]. Conceptul care stă la baza procesului este că
atât imaginile clinice morfologice, cât •i cele func•ionale con•in informa•ii
calitative •i cantitative, care pot reflecta fiziopatologia de bază a unui
•esut. Radiomică ' analizele pot fi efectuate în regiunile tumorale, leziunile
metastatice, precum •i în •esuturile normale [ 2 ].
Caracteristicile cantitative radiomice pot fi calculate de un software
dedicat, care acceptă imaginile medicale ca intrare. În ciuda faptului că
multe instrumente dezvoltate pentru această sarcină specifică sunt u•or de
utilizat în ceea ce prive•te utilizarea •i performan•e bune în ceea ce prive•te
timpul de calcul, este încă dificil să verifica•i cu aten•ie calitatea datelor de
intrare •i să selecta•i parametrii optimi pentru a garanta o siguran•ă ie•ire
robustă.
Calitatea caracteristicilor extrase, asocierea lor cu datele clinice,
precum •i modelul derivat din acestea, pot fi afectate de tipul de achizi•ie
a imaginii, postprocesare •i segmentare.

* Coresponden•ă: stefania.rizzo@ieo.it
Departamentul de Radiologie, IEO, Institutul European de Oncologie, IRCCS, Milano, IT, Italia
1
Acest articol rezumă problemele majore legate de acest proces în mai
mul•i pa•i, concentrându-se în special pe provocări
Lista completă a informa•iilor despre autor este disponibilă la sfâr•itul articolului

© Autorul (autorii). 2018 Acces deschis Acest articol este distribuit în condi•iile licen•ei interna•ionale Creative Commons Attribution 4.0 ( http://creativecommons.org/licenses/by/4.0/
), care permite utilizarea, distribuirea •i reproducerea nelimitată în orice mediu, cu condi•ia să acorda•i creditul corespunzător autorului / autorilor •i sursei
originale, să furniza•i un link către licen•a Creative Commons •i să indica•i dacă s-au făcut modificări.
Rizzo •i colab. European Radiology Experimental (2018) 2:36
că extrac•ia •i radiomica ' utilizarea caracteristicilor imagistice din tomografia
computerizată (CT), tomografia cu emisie de pozitroni (PET) •i imagistica prin
rezonan•ă magnetică (RMN) generează.
Definirea •i extragerea caracteristicilor imaginii
Din imagini clinice pot fi derivate diferite tipuri de caracteristici.
Caracteristicile semantice calitative sunt frecvent utilizate în lexiconul
radiologic pentru a descrie leziunile [ 3 ]. Caracteristicile cantitative sunt
descriptori extrasa•i din imagini prin software care implementează
algoritmi matematici [ 4 ]. Ele prezintă diferite niveluri de complexitate •i
exprimă proprietă•i în primul rând ale formei leziunii •i ale histogramei
intensită•ii voxelului, în al doilea rând al aranjamentului spa•ial al valorilor
intensită•ii la nivelul voxelului ( textură).
Acestea pot fi extrase fie direct din imagini, fie după aplicarea diferitelor
filtre sau transformări (de exemplu, transformare wavelet).
Caracteristicile cantitative sunt de obicei clasificate în următoarele
subgrupuri:
Caracteristici de formă descrie•i forma regiunii de interes urmărite
(ROI) •i proprietă•ile sale geometrice, cum ar fi volumul, diametrul maxim
de-a lungul diferitelor direc•ii ortogonale, suprafa•a maximă,
compactitatea tumorii •i sfericitatea. De exemplu, raportul
suprafa•ă-volum al unei tumori spiculate va arăta valori mai mari decât
cea a unei tumori rotunde de volum similar.
Func•ii statistice de ordinul întâi descrie distribu•ia valorilor individuale
ale voxelului fără preocupare pentru rela•iile spa•iale. Acestea sunt
proprietă•i bazate pe histograme care raportează valorile medii, mediane,
maxime, minime ale intensită•ilor voxelului pe imagine, precum •i
asimetria lor (asimetrie), kurtosis (planeitate), uniformitate •i randomitate
(entropie).
Caracteristici statistice de ordinul doi include a•a-numitul
caracteristici texturale [ 5 , 6 ], care se ob•in calculând inter-rela•iile
statistice dintre voxelii vecini [ 7 ]. Ele oferă o măsură a aranjamentului
spa•ial al intensită•ilor voxelului •i, prin urmare, al heterogenită•ii
intra-leziunii. Astfel de caracteristici pot fi derivate din matricea de
co-apari•ie la nivel de gri (GLCM), cuantificând inciden•a voxelilor cu
acelea•i intensită•i la o distan•ă predeterminată de-a lungul unei direc•ii
fixe, sau din Matrice de lungime de rulare la nivel de gri ( GLRLM),
cuantificând voxeli consecutivi cu aceea•i intensitate de-a lungul direc•iilor
fixe [ 8 ].
Func•ii statistice de ordin superior sunt ob•inute prin metode statistice
după aplicarea filtrelor sau transformărilor matematice imaginilor; de
exemplu, cu scopul de a identifica modele repetitive sau nerepetitive, de a
suprima zgomotul sau de a eviden•ia detaliile. Acestea includ analiza
fractală, func•ionalită•ile Minkowski, transformarea wavelet •i transformatele
laplaciene ale imaginilor filtrate în Gauss, care pot extrage zone cu modele
de textură din ce în ce mai grosiere.
Pagina 2 din 8
Având în vedere că mul•i parametri pot fi regla•i de utilizator, sute de
variabile pot fi generate dintr-o singură imagine.
Majoritatea caracteristicilor men•ionate mai sus nu sunt nici descriptori
originali, nici inovatori. Într-adevăr, defini•ia •i utilizarea caracteristicilor
texturale pentru a cuantifica proprietă•ile imaginii, precum •i utilizarea filtrelor
•i transformărilor matematice pentru a procesa semnale, datează de câteva
decenii [ 6 ]. Prin urmare, principala inova•ie a radiomicii se bazează pe -
sufix omics, creat ini•ial pentru disciplinele de biologie moleculară.
Aceasta se referă la utilizarea simultană a unei cantită•i mari de parametri
extrasa•i dintr-o singură leziune, care sunt prelucrate matematic cu
metode statistice avansate sub ipoteza că o combina•ie adecvată a
acestora, împreună cu datele clinice, pot exprima proprietă•i tisulare
semnificative, utile pentru diagnostic , prognostic sau tratament la un
pacient individual (personalizare). În plus, radiomica profită de utilizarea
pe deplin a experien•ei mari de analiză a datelor dezvoltată de alte
discipline de omică, precum •i de analiza datelor mari. Unele dificultă•i
apar atunci când utilizatorul trebuie să aleagă care •i câ•i parametri să
extragă din imagini. Fiecare instrument calculează un număr diferit de
caracteristici, apar•inând unor categorii diferite, iar alegerea ini•ială poate
părea cumva arbitrară. Cu toate acestea, metodele de analiză a datelor
depind strict de numărul de variabile de intrare, afectând eventual
rezultatul final. O abordare posibilă este de a începe de la toate
caracteristicile furnizate de instrumentul de calcul •i de a efectua o analiză
preliminară pentru a selecta parametrii cei mai repetabili •i reproductibili;
pentru a le reduce ulterior prin corelare •i analiză de redundan•ă [ 9 ]. O
altă abordare este de a face un a priori selectarea caracteristicilor, pe
baza defini•iei matematice a acestora, concentrându-se pe parametrii
u•or de interpretat în termeni de aspect vizual sau direct conectabili la
unele proprietă•i biologice ale •esutului.
Alternativ, învă•are automată tehnici, care stau la baza ideii că
computerele pot învă•a din exemple din trecut •i pot detecta modele greu
de discernut din seturi de date mari •i complexe, apar ca instrumente utile
care pot duce la selectarea caracteristicilor adecvate 10 - 12 ].
Analiza •i construirea modelelor
Multe dintre caracteristicile extrase sunt redundante. Prin urmare, eforturile
ini•iale ar trebui să se concentreze pe identificarea obiectivelor adecvate cu o
poten•ială aplica•ie clinică, pentru a selecta informa•ii utile pentru un scop
specific. Radiomică '
analiza include de obicei doi pa•i principali:
1. Reducerea dimensiunii •i selectarea caracteristicilor, ob•inută de
obicei prin abordări nesupravegheate; •i
2. Analiza asocierii cu unul sau mai multe rezultate specifice
prin abordări supravegheate.
Rizzo •i colab. European Radiology Experimental (2018) 2:36 Pagina 3 din 8

Au fost comparate diferite metode de reducere a dimensionalită•ii /
selectarea caracteristicilor •i clasificarea modelului [ 13 , 14 ]. Cele mai
frecvent utilizate două abordări nesupravegheate sunt analiza grupului [ 7 , 14
, 15 ] •i Analiza componentelor principale ( PCA) [ 13 , 16 ]. Analiza clusterului
î•i propune să creeze grupuri de caracteristici similare (clustere) cu
redundan•ă ridicată intra-cluster •i corela•ie intercluster scăzută. Acest tip
de analiză este de obicei descris de o hartă a căldurii în cluster [ 17 ], a•a
cum se arată în Fig. 1 . O singură caracteristică poate fi selectată din
fiecare cluster ca reprezentativă •i utilizată în următoarea analiză de
asociere [ 14 , 15 ]. PCA î•i propune să creeze un set mai mic de variabile
maxim necorelate dintr-un set mare de variabile corelate •i să explice cât
mai mult posibil varia•ia totală a setului de date cu cele mai pu•ine
componente principale posibile
[ 18 ]. Grafic, ie•irea PCA constă în grafice de scor, oferind o indica•ie
pentru grupare în seturile de date pentru similaritate.
Toate caracteristicile selectate considerate reproductibile, informative •i
non-redundante pot fi apoi utilizate pentru analiza asocierii. Conform experien•ei
noastre, un lucru important avertisment pentru analiza univariată este testarea
multiplă. Cea mai obi•nuită modalitate de a depă•i problema testării multiple este
utilizarea corec•iei Bonferroni sau a corec•iilor mai pu•in conservatoare ale ratei
de descoperire falsă [ 19 ].
Analiza multivariată supravegheată constă în construirea unui model
matematic pentru a prezice un rezultat sau o variabilă de răspuns.
Diferitele abordări de analiză depind de scopul studiului •i de categoria de
rezultate, variind de la metode statistice până la extragerea datelor /

Fig. 1 Reprezentarea grafică a clusterizării caracteristicilor radiomice. Acest grafic de exemplu afi•ează valoarea absolută a coeficientului de corela•ie (variind de la 0 la 1, pe partea dreaptă,
indicând un grad crescut de corela•ie) între fiecare pereche de caracteristici radiomice (prezentate ca numere pe cele două axe). Harta de căldură oferă o bună reprezentare vizuală a
corela•iei ridicate observate pentru majoritatea caracteristicilor radiomice care pot fi grupate în acela•i cluster pentru a evita redundan•a. Blocurile galbene de-a lungul diagonalei identifică
grafic clusterele, inclusiv caracteristici radiomice foarte corelate. Blocurile albastre din afara diagonalei vizualizează corela•ia scăzută observată între caracteristicile radiomice apar•inând
diferitelor clustere. În prezentul exemplu, pot fi identificate două clustere majore cu informa•ii diferite,
Rizzo •i colab. European Radiology Experimental (2018) 2:36 Pagina 4 din 8

abordări de învă•are automată, cum ar fi pădurile aleatorii [ 14 ,
20 ], re•ele neuronale [ 21 ], regresie liniara [ 21 ], regresie logistică [ 15 ], cel mai disponibilă public care găzduie•te datele imagistice ale pacien•ilor din baza de
mic operator de contrac•ie •i selec•ie absolut [ 22 ], •i regresia riscurilor
propor•ionale Cox [ 23 ]. Studiile anterioare care au comparat diferite abordări
de construc•ie a modelelor au constatat că metoda de clasificare a pădurilor
aleatorii a avut cea mai mare performan•ă prognostică [ 13 , 14 ]. Fără îndoială,
stabilitatea •i reproductibilitatea modelului trebuie evaluate înainte de a aplica
un model predictiv într-un cadru clinic. Într-adevăr, este bine cunoscut faptul
că montarea modelului este optimă în setul de instruire utilizat pentru
construirea modelului, în timp ce validarea într-o cohortă externă oferă
grupuri externe •i independente de pacien•i, comparabilitatea
estimări mai fiabile ale montării [ 24 ]. Primul pas în validarea modelului este validare
încruci•ată internă. Cu toate acestea, cel mai bun mod de a evalua valoarea
clinică poten•ială a unui model este validarea cu cohorte independente
colectate prospectiv, în mod ideal în cadrul studiilor clinice. Aceasta introduce
problema schimbului de date între diferite institu•ii, creând necesitatea ca
bazele de date partajate să fie utilizate ca seturi de validare. Pentru a ajuta la
rezolvarea acestei probleme, există baze de date mari, disponibile publicului,
precum Atlasul genomului cancerului (TCGA), inclusiv date genomice
cuprinzătoare multidimensionale •i adnotări clinice de peste 30 de tipuri
de cancer [ 25 ]. De asemenea, Arhiva Imagisticii Cancerului este o resursă
date TCGA. Aceste imagini pot fi folosite ca surse valoroase atât pentru generarea
de ipoteze, cât •i pentru scopuri de validare [ 26 ].
În special, parametrii pacien•ilor pot influen•a caracteristicile imaginii
printr-o asociere cauzală directă sau pot exercita un efect confuz asupra
asocia•iilor statistice. De exemplu, cancerele pulmonare legate de fumat
diferă de cancerele pulmonare la nefumători [ 27 ]. Mai mult, deoarece
modelele au nevoie de validare pentru a fi efectuate de preferin•ă pe
caracteristicilor extrase din imagini cu parametri diferi•i •i segmentate cu
diferite tehnici este dificilă •i poate afecta performan•a finală a modelului în
sine.
Impactul achizi•iei •i reconstruc•iei imaginii
Tehnicile de imagini clinice de rutină arată o varia•ie largă a parametrilor
de achizi•ie, cum ar fi: rezolu•ia spa•ială a imaginii; administrarea de
substan•e de contrast; kVp •i mAs (printre altele) pentru CT (Fig. 2 ); tipul
de secven•ă, timpul de ecou, timpul de repetare, numărul de excita•ii •i
mul•i al•i parametri de secven•ă pentru RMN. În plus,

Fig. 2 Imagini de tomografie computerizată axială care arată diferen•e în acela•i plan de achizi•ie între un contrast îmbunătă•it ( A) •i o imagine neîmbunătă•ită ( b), precum •i
pentru diferite doze de radia•ii, mai mici în ( c), •i mai mare în ( d)
Rizzo •i colab. European Radiology Experimental (2018) 2:36
diferi•i furnizori oferă algoritmi de reconstruc•ie diferi•i, iar parametrii de
reconstruc•ie sunt personaliza•i la fiecare institu•ie, cu posibile varia•ii la
pacien•i individuali. Toate aceste variabile afectează zgomotul •i textura
imaginii •i, în consecin•ă, valoarea caracteristicilor radiomice. Ca rezultat,
caracteristicile ob•inute din imagini achizi•ionate la o singură institu•ie
utilizând protocoale de achizi•ie diferite sau achizi•ionate la institu•ii
diferite cu scanere diferite în diferite popula•ii de pacien•i, pot fi afectate
de parametri diferi•i, mai degrabă decât de a reflecta proprietă•i biologice
diferite ale •esuturilor. În cele din urmă, unele setări de achizi•ie •i
reconstruc•ie pot produce caracteristici instabile, arătând astfel valori
diferite atunci când sunt extrase din măsurători repetate în condi•ii
identice.
O abordare pentru a depă•i această limitare poate fi excluderea de la
început a caracteristicilor puternic influen•ate de parametrii de achizi•ie •i
reconstruc•ie. Acest lucru poate fi realizat prin integrarea informa•iilor din
literatură •i din măsurători experimentale dedicate, luând în considerare
particularitatea fiecărei modalită•i de imagistică.
CT
Fantomele CT standard, precum cele propuse de Asocia•ia Americană a
Fizicienilor în Medicină [ 28 ], permit evaluarea performan•ei imagistice •i
evaluarea în ce măsură depinde calitatea imaginii de tehnica adoptată.
De•i nu sunt destinate acestui lucru, acestea pot furniza informa•ii utile
despre parametrii care pot afecta textura imaginii. De exemplu, o scădere
a grosimii feliei reduce statisticile fotonului într-o felie (cu excep•ia cazului
în care mAs sau kVp sunt crescute corespunzător), crescând astfel
zgomotul imaginii. Câmpul vizual axial •i dimensiunea matricei de
reconstruc•ie determină dimensiunea pixelilor •i, prin urmare,
e•antionarea spa•ială în planul axial, care are un impact asupra descrierii
eterogenită•ii. Reducerea dimensiunii pixelilor cre•te zgomotul imaginii
(atunci când ceilal•i parametri sunt păstra•i neschimba•i), dar cre•te
rezolu•ia spa•ială.
Atunci când se ia în considerare achizi•ia spirală CT, pitch-ul este o
variabilă care influen•ează zgomotul imaginii, ceea ce face dificilă
compara•ia între diferite scanere •i furnizori. Astfel, achizi•iile non-spirale
(axiale) sunt necesare pentru aceste compara•ii. De asemenea, condi•iile
clinice, cum ar fi prezen•a artefactelor datorate protezelor metalice, pot
afecta calitatea imaginii •i pot afecta analiza cantitativă [ 29 ]. Mai mult,
cuantificarea electronică a densită•ii exprimată ca unită•i Hounsfield poate
varia în func•ie de algoritmul de reconstruc•ie [ 30 ] sau calibrarea
scanerului.
Astfel, pentru a studia în detaliu efectele setărilor de achizi•ie •i ale
algoritmilor de reconstruc•ie asupra caracteristicilor radiomice, sunt
necesare fantome mai sofisticate. De exemplu, fantoma Credence
Cartridge Radiomics, inclusiv diferite cartu•e, fiecare dintre ele
prezentând un
Pagina 5 din 8
textura diferită, a fost dezvoltată pentru a testa variabilitatea inter-scaner,
intra-scaner •i multicentric [ 31 ], precum •i efectul diferitelor setări de
achizi•ie •i reconstruc•ie asupra robuste•ii caracteristicilor [ 4 ]. O altă
posibilitate este de a dezvolta fantome personalizate [ 32 ] asemănându-se
cu districtele anatomice de interes, încorporând inser•ii care simulează
•esuturi cu textură •i dimensiuni diferite •i situate în pozi•ii diferite, pentru
a testa protocoale în condi•ii clinice reale.
Alternativ, mul•i autori au investigat caracteristicile robuste•ii •i
stabilită•ii imaginilor clinice prin efectuarea de studii test-retest [ 33 ], sau
compararea rezultatelor ob•inute cu diferite setări de imagine •i algoritmi
de procesare [ 34 ]. Aceste studii concluzionează că este încă nevoie de
investiga•ii dedicate pentru a selecta caracteristici cu un interval dinamic
suficient în rândul pacien•ilor, cu reproductibilitate intra-pacient •i
sensibilitate scăzută la protocoalele de achizi•ie •i reconstruc•ie a imaginii
[ 15 ].
ANIMAL DE COMPANIE
Analiza texturii pe imaginile PET prezintă provocări suplimentare. Rezolu•ia
spa•ială PET este, în general, mai proastă decât cea a CT, datorită preciziei
reduse în descrierea distribu•iei spa•iale a VI, pe care caracteristicile
radiomice vizează să o cuantifice. Aceasta se bazează pe diferite fenomene
fizice, diferite tehnologii utilizate pentru detectarea radia•iilor •i mi•carea
pacientului. Datele mai pu•in exacte pot e•ua în generarea unei asocieri
semnificative cu obiectivele biologice •i clinice sau pot necesita un număr
crescut de pacien•i. De remarcat, VI, exprimat în termeni de valoare de
absorb•ie standardizată (SUV) poate fi dependent de scaner. De exemplu,
modelarea sau nu a răspunsului detectorului în reconstruc•ie
algoritmul de ac•iune duce la un SUV de ganglion limfatic Rău diferen•ă de 28% [ 35 ].
Mai mult, pentru acela•i model de scaner, SUV
diferen•ele (deci diferen•ele de caracteristică radiomică) se pot datora
achizi•iei la diferite momente după injectare, nivelul glicemiei pacientului •i
prezen•a inflama•iei [ 36 ].
Studiile anterioare au furnizat date pentru a selecta cele mai adecvate
proceduri •i caracteristici ale radiomiei PET [ 37 - 39 ]. De exemplu, dimensiunea
voxelului s-a dovedit a fi cea mai importantă sursă de variabilitate pentru un
număr mare de caracteristici, în timp ce entropie caracteristica calculată din
GLCM a fost robustă în ceea ce prive•te parametrii de achizi•ie •i
reconstruc•ie, nivelul post-filtrare, numărul de itera•ie •i dimensiunea matricei [ 35
].
Pentru măsurători experimentale dedicate, pot fi utilizate fantome utilizate
în mod obi•nuit pentru controlul calită•ii scanerului PET. De exemplu, fantoma
calită•ii imaginii NEMA a fost utilizată pentru a evalua impactul zgomotului
asupra caracteristicilor texturale atunci când varia•i setările de reconstruc•ie [ 37
, 40 ], în timp ce fantomele omogene au fost utilizate pentru a testa stabilitatea
[ 41 ]. Din câte •tim, fantomele comerciale personalizate pentru testarea
performan•ei caracteristicilor radiomice în prezen•a unor distribu•ii de
activitate neomogene sunt
Rizzo •i colab. European Radiology Experimental (2018) 2:36 Pagina 6 din 8

Fig. 3 Imaginile axiale ponderate T2 ale bazinului, ob•inute păstrând neschimba•i to•i parametrii, cu excep•ia timpului de ecou, care a fost de 34 ms în ( A), 90 ms în ( b), •i 134 ms în ( c), care
arată că chiar •i un singur parametru poate schimba intensitatea semnalului •esuturilor •i fluidelor, a•a cum este clar descris de semnalul vezicii urinare (stea albă), cu intensitate semnal mai
mare •i mai mare de la A la b la c

încă nu sunt disponibile, dar au fost descrise solu•ii de casă [ 41 ]. Impactul segmentării imaginii
Segmentarea este un pas critic al procesului de radiomică, deoarece datele sunt
Calibrarea scanerului •i standardizarea protocolului sunt necesare extrase din volumele segmentate. Acest lucru este o provocare, deoarece multe
pentru a permite studii multicentrice •i generalizarea modelului [ 9 , 42 ]. tumori prezintă grani•e neclare. Este controversat, deoarece nu există un consens
Metodele de armonizare apar pentru a permite colectarea •i compararea cu privire la necesitatea de a căuta fie adevărul de bază, fie reproductibilitatea
datelor din diferite centre, de•i nu sunt încă aplicate în mare măsură în segmentării [ 1 ]. Într-adevăr, mul•i autori consideră că segmentarea manuală de
studiile clinice [ 35 ]. către cititorii exper•i este adevărul fundamental, în ciuda unei variabilită•i mari între
cititori. Această metodă este, de asemenea, intensivă în muncă (Fig. 4 ) •i nu
întotdeauna fezabil pentru radiomică ' analiză, care necesită seturi de date foarte
RMN mari [ 46 ].
Intensitatea semnalului în RMN apare dintr-o interac•iune complexă a
proprietă•ilor intrinseci ale •esuturilor, cum ar fi timpii de relaxare, precum •i
parametrii multipli lega•i de proprietă•ile scanerului, setările de achizi•ie •i
procesarea imaginii. Pentru o secven•ă dată ponderată T1 sau T2,
intensitatea voxelului nu are o valoare numerică fixă specifică •esutului.
Chiar •i atunci când scanează acela•i pacient în aceea•i pozi•ie cu acela•i
scaner folosind aceea•i secven•ă în două sau mai multe sesiuni, intensitatea
semnalului se poate modifica (Fig. 3 ), în timp ce contrastul •esutului rămâne
neschimbat [ 43 ].

Fără o corec•ie pentru acest efect, o compara•ie a caracteristicilor

radiomice în rândul pacien•ilor î•i poate pierde semnifica•ia, deoarece
depinde de valoarea numerică a intensită•ii voxelului. O posibilitate este de
a focaliza analiza texturii asupra caracteristicilor radiomice care cuantifică
rela•ia dintre intensită•ile voxelului, unde valorile numerice nu depind de
intensitatea individuală a voxelului; alta este să faci o compensare
(normalizare) înainte de a efectua o analiză cantitativă a imaginii [ 43 ].

Studiile actuale care investighează impactul parametrilor de achizi•ie

RMN asupra robuste•ii caracteristicilor radiomice abordează
complexitatea tehnicii •i disponibilitatea redusă a fantomelor adecvate.
Datele disponibile sugerează că caracteristicile texturii sunt sensibile la
varia•iile parametrilor de achizi•ie: cu cât este mai mare rezolu•ia spa•ială,
cu atât este mai mare sensibilitatea [ 44 ]. Un studiu de evaluare a Fig. 4 Un exemplu de segmentare manuală a cancerului pulmonar pe imagini de
caracteristicilor radiomice ob•inut pe diferite scanere la diferite institu•ii tomografie computerizată. De•i segmentarea manuală este adesea considerată adevăr

sau cu parametri diferi•i a concluzionat că compara•iile ar trebui tratate cu de bază, această imagine arată regiuni ro•ii •i negre de interes delimitate de doi cititori
diferi•i pentru aceea•i tumoare
aten•ie [ 45 ].
Rizzo •i colab. European Radiology Experimental (2018) 2:36
S-au dezvoltat metode de segmentare automate •i semi-automate între
modalită•ile de imagistică •i diferite regiuni anatomice. Cerin•ele comune
includ automatitatea maximă cu interac•iunea minimă a operatorului,
eficien•a timpului, precizia •i reproductibilitatea la grani•ă. Unii algoritmi de
segmentare se bazează pe metode de cre•tere a regiunii care necesită un
operator să selecteze un punct de însămân•are în cadrul volumului de
interes [ 47 ]. Aceste metode func•ionează bine pentru leziunile relativ
omogene, dar arată necesitatea unei corec•ii intensive a utilizatorului
pentru leziunile neomogene. De exemplu, majoritatea tumorilor pulmonare
din stadiul I •i stadiul II se prezintă ca leziuni omogene, de intensitate
mare, pe un fond de parenchim pulmonar de intensitate mică [ 48 , 49 ] •i,
prin urmare, pot fi segmentate automat cu o reproductibilitate •i precizie
ridicate. Cu toate acestea, pentru opacită•ile par•ial solide, sticla
măcinată, nodulii ata•a•i la vase •i la suprafa•a pleurală, segmentarea
automată este împovărată de o reproductibilitate redusă [ 50 ]. Al•i algoritmi
de segmentare includ metode de nivelare
care reprezintă un contur ca setul de nivel zero al unei func•ii cu
dimensiuni superioare (func•ia set de nivel), atunci metoda formulează
mi•carea conturului ca evolu•ie a func•iei set de nivel [ 51 ]. Metode de
tăiere grafică construi•i un grafic bazat pe imagini •i realiza•i o solu•ie
optimă la nivel global de func•ii de minimizare a energiei, dar acestea
sunt costisitoare din punct de vedere calcula•ional [ 52 ] •i poate duce la
supra-segmentare [ 53 ]. Algoritmi activi de contur (•arpe) func•ionează ca
o bandă elastică întinsă. Punctele de plecare sunt trasate în jurul leziunii;
apoi trece•i printr-un proces iterativ la un punct cu cea mai mică valoare a
func•iei energetice. Ace•ti algoritmi pot duce •arpele la loca•ii nedorite,
deoarece depind de un punct de plecare optim •i sunt sensibili la zgomot [ 54
]. Algoritmii de segmentare semi-automată efectuează o căutare a
graficelor prin analiza conturului activ local, în timp ce func•ia lor de cost
este minimizată utilizând programarea dinamică. Cu toate acestea,
semiautomatitatea necesită în continuare interac•iunea umană [ 55 ].
După cum se arată, nu există încă un algoritm de segmentare universal
pentru toate aplica•iile de imagine, iar noi algoritmi sunt în curs de
evaluare pentru a depă•i aceste limitări [ 56 - 58 ]. Într-adevăr, unele
caracteristici pot prezenta stabilitate •i reproductibilitate utilizând o metodă
de segmentare, dar nu alta.
Concluzii
Pe scurt, rămânând în prezent în timp ce privesc spre viitor, pe de o
parte, anchetatorii ar trebui să depună eforturi în selectarea atentă a
caracteristicilor robuste pentru propriile modele; pe de altă parte,
comunitatea •tiin•ifică ar trebui să depună eforturi pentru standardizare,
•inând cont de faptul că abordările statistice adecvate vor reduce la
minimum rela•iile false •i vor duce la rezultate mai precise •i
reproductibile.
Pagina 7 din 8
Ace•tia vor fi pa•i inevitabili către construirea de modele prognostice •i
predictive generalizabile care vor contribui în mod eficient la luarea
deciziilor clinice •i la gestionarea tratamentului.
Abrevieri
CT: Tomografie computerizata; GLCM: matrice de co-apari•ie la nivel de gri; GLRLM: matrice de lungime de
rulare la nivel de gri; RMN: imagistică prin rezonan•ă magnetică; PCA: Analiza componentelor principale; PET:
Tomografie cu emisie de pozitroni; ROI: Regiunea de interes; SUV: valoare de absorb•ie standardizată; TCGA:
Atlasul genomului cancerului
Disponibilitatea datelor •i a materialelor
Nu se aplică.
Finan•area
Autorii afirmă că această lucrare nu a primit nicio finan•are.
Mul•umiri
Textul în limba engleză a fost editat de Anne Prudence Collins (editor •i traducător
publica•ii medicale •i •tiin•ifice).
Autori ' contribu•ii
SRi, FB •i SRa au contribuit la concep•ie •i proiectare, interpretarea datelor, pregătirea •i editarea
manuscriselor. DO •i CF au revizuit critic con•inutul intelectual al manuscrisului •i au contribuit la
interpretarea datelor, pregătirea •i editarea manuscriselor. AGM •i MB au contribuit la revizuirea
critică a con•inutului intelectual al manuscrisului. Fiecare autor a participat suficient la lucrare
pentru a-•i asuma responsabilitatea publică pentru por•iuni adecvate ale con•inutului •i a dat
aprobarea finală a versiunii care urmează să fie publicată.
Aprobarea eticii •i consim•ământul de participare
Nu se aplică.
Consim•ământul pentru publicare
Nu se aplică.
Interese concurente
Autorii declară că nu au interese concurente.
Editor ' s Notă
Springer Nature rămâne neutru în ceea ce prive•te revendicările jurisdic•ionale din hăr•ile
publicate •i afilierile institu•ionale.
Detalii despre autor
1 Departamentul de Radiologie, IEO, Institutul European de Oncologie, IRCCS, Milano, IT, Italia. 2 Fizică
medicală, Institutul European de Oncologie, Milano, Italia.
3 Divizia de epidemiologie •i biostatistică, Institutul European de Oncologie, Milano, Italia. 4 Università
degli Studi di Milano, •coala Postuniversitară în Radiodiagnostic, Milano, Italia. 5 Centrul de Oncologie a
Radia•iilor, •coala de Medicină, Departamentul de Medicină Experimentală, Diagnostică •i de
Specialitate -
DIMES, Universitatea din Bologna, Bologna, Italia. 6 Departamentul de Oncologie •i
Hemato-Oncologie, Università degli Studi di Milano, Milano, Italia.
Primit: 9 iulie 2018 Acceptat: 9 octombrie 2018
Referin•e
1. Gillies RJ, Kinahan PE, Hricak H (2016) Radiomics: imaginile sunt mai mult decât imagini, sunt
date. Radiologie 278: 563 - 577
2. Lambin P, Leijenaar RTH, Deist T •i colab. (2017) Radiomică: puntea dintre imagistica medicală •i
medicina personalizată. Nat Rev Clin Oncol 14: 749 - 762 Rizzo S, Petrella F, Buscarino V •i colab.
3. (2016) Caracterizarea radiogenomică CT a muta•iilor EGFR, K-RAS •i ALK în cancerul pulmonar cu
celule mici. Eur Radiol 26:32 - 42
Larue RTHM, van Timmeren JE, de Jong EEC •i colab. (2017) Influen•a discretizării nivelului de gri
4.
asupra stabilită•ii caracteristicilor radiomice pentru diferite scanere CT, curen•i de tuburi •i grosimi de
felii: un studiu complet fantomă. Acta Oncol 56: 1544 - 1553
Rizzo •i colab. European Radiology Experimental (2018) 2:36 Pagina 8 din 8

5. Ergen B, Baykara M (2014) Metode de extragere a caracteristicilor bazate pe textură pentru sisteme de 34. Solomon J, Mileto A, Nelson RC, Roy Choudhury K, Samei E (2016) Caracteristici cantitative ale
recuperare a imaginilor medicale bazate pe con•inut. Biomed Mater Eng 24: 3055 - 3062. leziunilor hepatice, nodulilor pulmonari •i calculilor renali la examenele CT cu mai multe detectoare:
dependen•ă de doza de radia•ii •i algoritmul de reconstruc•ie. Radiologie 279: 185 - 194
6. Haralick RM, Shanmugam K, Dinstein IH (1973) Caracteristici texturale pentru clasificarea imaginilor.
IEEE Trans Syst Man Cybern 3: 610 - 621 35. Reuzé S, Schernberg A, Orlhac F et al (2018) Radiomica în medicina nucleară aplicată
7. Balagurunathan Y, Kumar V, Gu Y •i colab. (2014) Analiza reproductibilită•ii test-retest a caracteristicilor radioterapiei: metode, capcane •i provocări. Int J Radiat Oncol Biol Phys. https://doi.org/10.1016/j.ijrobp.2018.05.022
imaginii CT pulmonare. J Digit Imaging 27: 805 - 823

8. Galloway MM (1975) Analiza texturii folosind lungimi de rulare la nivel de gri. Procesul de imagine grafică 36. Hatt M, Tixier F, Pierce L, Kinahan PE, Le Rest CC, Visvikis D (2017) Caracterizarea
computerizată 4: 172 - 179 imaginilor PET / CT utilizând analiza texturii: trecutul, prezentul ... vreun viitor? Eur J Nucl
9. Ollers M, Bosmans G, van Baardwijk A et al (2008) Integrarea PET - CT scanează din diferite Med Mol Imaging 44: 151 - 165
spitale în planificarea tratamentului cu radioterapie. Radiother Oncol 87: 142 - 146 37. Shiri I, Rahmin A, Ghaffarian P, Geramifar P, Abdollahi H, Bitarafan-Rajabi A (2017) Impactul setărilor de
reconstruc•ie a imaginii asupra caracteristicilor radiomice PET 18F-FDG: studii cu fantomă multi-scaner •i

10. Suzuki K (2017) Prezentare generală a învă•ării profunde în imagistica medicală. Radiol Phys Technol 10: 257 - 273 studii pe pacien•i. Eur Radiol 27: 4498 - 4509 Altazi BA, Zhang GG, Fernandez DC •i colab. (2017)
38. Reproductibilitatea caracteristicilor radiomice PET F18-FDG pentru diferite metode de segmentare a tumorii

11. Peeken JC, Bernhofer M, Wiestler B et al (2018) Radiomics in radiooncology - provocând cervicale, discretizare la nivel de gri •i algoritm de reconstruc•ie. J Appl Clin Med Phys 18:32 - 48

fizicianul medical. Phys Med 48:27 - 36 Giger ML (2018) Învă•area automată în imagistica
12. medicală. J Am Coll Radiol 15: 512 - 520
39. Reuzè S, Orlhac F, Chargari C •i colab. (2017) Predic•ia recidivei cancerului de col uterin

13. Zhang Y, Oikonomou A, Wong A, Haider MA, Khalvati F (2017) Analiza prognosticului pe bază de folosind caracteristici texturale extrase din imaginile PET 18F-FDG dobândite cu diferite

radiomică pentru cancerul pulmonar cu celule mici. Sci Rep 7: 46349 Parmar C, Grossmann P, scanere. Oncotarget 8: 43169 - 43179

14. Bussink J, Lambin P, Aerts HJ (2015) Metode de învă•are automată pentru biomarkeri radiomici 40. Nyflot MJ, Yang F, Byrd D, Bowen SR, Sandison GA, Kinahan PE (2015) Radiomică cantitativă:

cantitativi. Sci Rep 5: 13087 Rizzo S, Botta F, Raimondi S •i colab. (2018) Radiomica cancerului impactul efectelor stochastice asupra analizei caracteristicilor texturale implică necesitatea

15. ovarian seros de înaltă calitate: asociere între caracteristicile CT cantitative, tumora reziduală •i standardelor. J Med Imaging (Bellingham) 2:

progresia bolii în decurs de 12 luni. Eur Radiol. 041002. https://doi.org/10.1117/1.JMI.2.4.041002

41. Forgacs A, Pall Jonsson H, Dahlbom M •i colab. (2016) Un studiu privind criteriile de bază pentru selectarea

parametrilor de eterogenitate a imaginilor PET F18-FDG. PLoS One 11: e0164113

16. Huynh E, Coroller TP, Narayan V •i colab. (2017) Asocia•ii de date radiomice extrase din scanările
CT statice •i respiratorii cu recuren•ă a bolii la pacien•ii cu cancer pulmonar trata•i cu SBRT. PLoS
One 12: e0169172 42. Boellaard R (2009) Standarde pentru achizi•ia de imagini PET •i analiza cantitativă a datelor. J
Nucl Med 50: 11S - 20S
17. Wilkinson L, Friendly M (2009) Istoria hăr•ii de căldură a clusterelor. Am Stat 63: 179 - 184
43. Madabhushi A, Udupa JK (2006) Noi metode de standardizare a intensită•ii imaginii MR
prin scară generalizată. Med Phys 33: 3426 - 3434
18. Jolliffe IT (2002) Analiza componentelor principale, Seria: Seria Springer în statistici, ed. A
44. Mayerhoefer M, Szomolanyi P, Jirak D, Materka A, Trattnig S (2009) Efectele varia•iilor parametrilor
II-a. Springer, New York, p. 487
de achizi•ie RMN •i heterogenitatea protocolului asupra rezultatelor analizei texturii •i ale
19. Hochberg Y, Benjamini Y (1990) Proceduri mai puternice pentru testarea semnifica•iei
discriminării tiparelor: un studiu orientat pe aplica•ie. Med Phys 36: 1236 - 1243
multiple. Stat Med 9: 811 - 818
20. Breiman L (2001) Păduri aleatorii. Mach Learn 45: 5 - 32
45. Lerski RA, Schad LR, Luypaert R •i colab. (1999) Test de analiză a texturii prin rezonan•ă magnetică multicentrică
21. Eschrich S, Yang I, Bloom G et al (2005) Stadializare moleculară pentru predic•ia supravie•uirii
folosind obiecte de testare cu spumă reticulată. Imagistica cu rezonan•ă magnetică 17: 1025 - 1031
pacien•ilor cu cancer colorectal. J Clin Oncol 23: 3526 - 3535 Tibshirani R (1996) Regresie contrac•ie
22. •i selec•ie prin Lasso. JR Stat Soc Seria B Stat Methodol. 58: 267 - 288
46. Kumar V, Gu Y, Basu S •i colab. (2012) Radiomică: procesul •i provocările. Imagistica cu
rezonan•ă magnetică 30: 1234 - 1248
23. Shedden K, Taylor JM, Enkemann SA •i colab. (2008) Predic•ia de supravie•uire bazată pe expresia
47. Hojjatoleslami S, Kittler J (1998) Regiunea în cre•tere: o nouă abordare. IEEE Trans Image Process 7:
genică în adenocarcinomul pulmonar: un studiu de validare orbit, multi-site. Nat Med 14: 822 - 827.
1079 - 1084
48. Kalef-Ezra J, Karantanas A, Tsekeris P (1999) Măsurarea CT a densită•ii pulmonare. Acta
24. Harrell FE Jr, Lee KL, Mark DB (1996) Modele de prognostic multivariabil: probleme în
Radiol 40: 333 - 337
dezvoltarea modelelor, evaluarea ipotezelor •i adecvării •i măsurarea •i reducerea erorilor. Stat
49. Sofka M, Wetzl J, Birkbeck N et al (2011) Învă•are în mai multe etape pentru segmentarea plămânilor
Med 15: 361 - 387
robustă în volume provocatoare de CT. Med Image Comput Comput Assist Interv 14: 667 - 674
25. Lee H, Palm J, Grimes SM, Ji HP (2015) Exploratorul clinic al atlasului genomului cancerului: o interfa•ă
web •i mobilă pentru identificarea asocia•iilor de conducători clinico-genomici. Genomul Med 7: 112
50. Knollmann FD, Kumthekar R, Fetzer D, Socinski MA (2014) Evaluarea răspunsului la tratament în
cancerul pulmonar cu celule mici: rolul volumului tumorii evaluat prin tomografie computerizată.
26. Clark K, Vendt B, Smith K et al (2013) The Cancer Imaging Archive (TCIA): între•inerea •i
Cancerul pulmonar Clin 15: 103 - 109
operarea unui depozit de informa•ii publice. J Digit Imaging 26: 1045e57
51. Gao H, Chae O (2010) Segmentarea individuală a din•ilor din imagini CT utilizând metoda setului de niveluri cu

forma •i intensitatea anterioară. Recunoa•terea modelului 43: 2406 - 2417 Chen X, Udupa JK, Bagci U, Zhuge
27. Panth KM, Leijenaar RT, Carvalho S •i colab. (2015) Există o rela•ie cauzală între modificările
52. Y, Yao J (2012) Segmentarea imaginii medicale prin combinarea tăieturilor grafice •i a modelelor orientate de
genetice •i caracteristicile imaginii bazate pe radiomică? Un experiment preclinic in vivo cu celule
aspect activ. IEEE Trans Image Process 21: 2035 - 2046.
tumorale GADD34 inducibile cu doxiciclină. Radiother Oncol 116: 462 - 466

53. Ye X, Beddoe G, Slabaugh G (2010) Graficarea automată a segmentării leziunilor în CT utilizând

28. McCollough C, Bakalyar DM, Bostani M •i colab. (2014) Utilizarea diametrului echivalent al apei pentru calcularea
superpixeli cu deplasare medie. Int J Biomed Imaging 2010:
dimensiunii pacientului •i a estimărilor dozelor specifice mărimii (SSDE) în CT: raportul grupului de activitate
983963. https://doi.org/10.1155/2010/983963
AAPM 220. AAPM Rep 2014: 6 - 23
54. Suzuki K, Kohlbrenner R, Epstein ML, Obajuluwa AM, Xu J, Hori M (2010) Măsurarea computerizată
29. Dalal T, Kalra MK, Rizzo SM •i colab. (2005) Proteză metalică: tehnică pentru evitarea cre•terii dozei
a volumelor hepatice în CT prin intermediul segmentării conturului activ geodezic cuplat cu algoritmi
de radia•ii CT cu modulare automată a curentului tubului într-o fantomă •i pacien•i. Radiologie 236:
de setare a nivelului. Med Phys 37: 2159
671 - 675
30. Rizzo SM, Kalra MK, Schmidt B •i colab. (2005) CT imagini ale abdomenului •i bazinului: efectul
55. Lu K, Higgins WE (2007) Segmentare interactivă bazată pe firul viu pentru analiza 3D a imaginii toracice
algoritmului de reconstruc•ie optimizat tridimensional neliniar asupra calită•ii imaginii •i a caracteristicilor
CT. Int J Comput Assist Radiol Surg 2: 151 - 167 Tan Y, Schwartz LH, Zhao B (2013) Segmentarea leziunilor
leziunii. Radiologie 237: 309 - 315 Mackin D, Fave X, Zhang L •i colab. (2015) Măsurarea variabilită•ii
56. pulmonare pe scanările CT utilizând bazinul apei, contururile active •i câmpul aleatoriu Markov. Med Phys
31. scanerului de tomografie computerizată a caracteristicilor radiomice. Invest Radiol 50: 757 - 765
40: 043502 Sun S, Bauer C, Beichel R (2012) Segmentarea 3-D automată a plămânilor cu cancer pulmonar
Theodorakou C, Horrocks JA, Marshall NW, Speller RD (2004) O metodă nouă pentru producerea de
57. în datele CT utilizând o nouă abordare robustă a modelului de formă activă. IEEE Trans Med Imaging 31:
32. obiecte •i fantome de testare cu raze X. Phys Med Biol 49: 1423 - 1438 van Timmeren JE, Leijenaar RTH,
449 - 460
van Elmpt W et al (2016) Date test-retest pentru analiza stabilită•ii caracteristicilor radiomice:

33. generalizabile sau specifice studiului? Tomografie 2: 361 - 365

58. Velazquez ER, Parmar C, Jermoumi M •i colab. (2013) Segmentare volumetrică bazată pe CT a
NSCLC folosind 3D-slicer. Sci Rep 3: 3529