Documente Academic
Documente Profesional
Documente Cultură
Rizzo2018 en PDF
Rizzo2018 en PDF
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 cu sau fără expresie genică asociată pentru a sprijini luarea deciziilor
clinice bazate pe dovezi [ 1 ]. Conceptul care stă la baza procesului este că
Radiomica este un proces complex în mai mul•i pa•i care ajută la atât imaginile clinice morfologice, cât •i cele func•ionale con•in informa•ii
luarea deciziilor clinice •i la predic•ia rezultatelor. Segmentarea calitative •i cantitative, care pot reflecta fiziopatologia de bază a unui
manuală, automată •i semiautomatică este dificilă din cauza •esut. Radiomică ' analizele pot fi efectuate în regiunile tumorale, leziunile
problemelor de reproductibilitate. Caracteristicile cantitative sunt metastatice, precum •i în •esuturile normale [ 2 ].
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 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
fundal
robustă.
În noua eră a medicină de precizie, radiomică este un domeniu de
cercetare transla•ional emergent care urmăre•te să găsească asocia•ii
Calitatea caracteristicilor extrase, asocierea lor cu datele clinice,
între informa•ii calitative •i cantitative extrase din imagini clinice •i date
precum •i modelul derivat din acestea, pot fi afectate de tipul de achizi•ie
clinice,
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 Pagina 2 din 8
că extrac•ia •i radiomica ' utilizarea caracteristicilor imagistice din tomografia Având în vedere că mul•i parametri pot fi regla•i de utilizator, sute de
computerizată (CT), tomografia cu emisie de pozitroni (PET) •i imagistica prin variabile pot fi generate dintr-o singură imagine.
rezonan•ă magnetică (RMN) generează.
Majoritatea caracteristicilor men•ionate mai sus nu sunt nici descriptori
originali, nici inovatori. Într-adevăr, defini•ia •i utilizarea caracteristicilor
Definirea •i extragerea caracteristicilor imaginii texturale pentru a cuantifica proprietă•ile imaginii, precum •i utilizarea filtrelor
Din imagini clinice pot fi derivate diferite tipuri de caracteristici. •i transformărilor matematice pentru a procesa semnale, datează de câteva
Caracteristicile semantice calitative sunt frecvent utilizate în lexiconul decenii [ 6 ]. Prin urmare, principala inova•ie a radiomicii se bazează pe -
radiologic pentru a descrie leziunile [ 3 ]. Caracteristicile cantitative sunt
descriptori extrasa•i din imagini prin software care implementează sufix omics, creat ini•ial pentru disciplinele de biologie moleculară.
algoritmi matematici [ 4 ]. Ele prezintă diferite niveluri de complexitate •i Aceasta se referă la utilizarea simultană a unei cantită•i mari de parametri
exprimă proprietă•i în primul rând ale formei leziunii •i ale histogramei extrasa•i dintr-o singură leziune, care sunt prelucrate matematic cu
intensită•ii voxelului, în al doilea rând al aranjamentului spa•ial al valorilor metode statistice avansate sub ipoteza că o combina•ie adecvată a
intensită•ii la nivelul voxelului ( textură). acestora, împreună cu datele clinice, pot exprima proprietă•i tisulare
semnificative, utile pentru diagnostic , prognostic sau tratament la un
Acestea pot fi extrase fie direct din imagini, fie după aplicarea diferitelor pacient individual (personalizare). În plus, radiomica profită de utilizarea
filtre sau transformări (de exemplu, transformare wavelet). 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
Caracteristicile cantitative sunt de obicei clasificate în următoarele apar atunci când utilizatorul trebuie să aleagă care •i câ•i parametri să
subgrupuri: extragă din imagini. Fiecare instrument calculează un număr diferit de
Caracteristici de formă descrie•i forma regiunii de interes urmărite caracteristici, apar•inând unor categorii diferite, iar alegerea ini•ială poate
(ROI) •i proprietă•ile sale geometrice, cum ar fi volumul, diametrul maxim părea cumva arbitrară. Cu toate acestea, metodele de analiză a datelor
de-a lungul diferitelor direc•ii ortogonale, suprafa•a maximă, depind strict de numărul de variabile de intrare, afectând eventual
compactitatea tumorii •i sfericitatea. De exemplu, raportul rezultatul final. O abordare posibilă este de a începe de la toate
suprafa•ă-volum al unei tumori spiculate va arăta valori mai mari decât caracteristicile furnizate de instrumentul de calcul •i de a efectua o analiză
cea a unei tumori rotunde de volum similar. preliminară pentru a selecta parametrii cei mai repetabili •i reproductibili;
pentru a le reduce ulterior prin corelare •i analiză de redundan•ă [ 9 ]. O
Func•ii statistice de ordinul întâi descrie distribu•ia valorilor individuale altă abordare este de a face un a priori selectarea caracteristicilor, pe
ale voxelului fără preocupare pentru rela•iile spa•iale. Acestea sunt baza defini•iei matematice a acestora, concentrându-se pe parametrii
proprietă•i bazate pe histograme care raportează valorile medii, mediane, u•or de interpretat în termeni de aspect vizual sau direct conectabili la
maxime, minime ale intensită•ilor voxelului pe imagine, precum •i unele proprietă•i biologice ale •esutului.
asimetria lor (asimetrie), kurtosis (planeitate), uniformitate •i randomitate
(entropie).
Au fost comparate diferite metode de reducere a dimensionalită•ii / [ 18 ]. Grafic, ie•irea PCA constă în grafice de scor, oferind o indica•ie
selectarea caracteristicilor •i clasificarea modelului [ 13 , 14 ]. Cele mai pentru grupare în seturile de date pentru similaritate.
frecvent utilizate două abordări nesupravegheate sunt analiza grupului [ 7 , 14
, 15 ] •i Analiza componentelor principale ( PCA) [ 13 , 16 ]. Analiza clusterului Toate caracteristicile selectate considerate reproductibile, informative •i
î•i propune să creeze grupuri de caracteristici similare (clustere) cu non-redundante pot fi apoi utilizate pentru analiza asocierii. Conform experien•ei
redundan•ă ridicată intra-cluster •i corela•ie intercluster scăzută. Acest tip noastre, un lucru important avertisment pentru analiza univariată este testarea
de analiză este de obicei descris de o hartă a căldurii în cluster [ 17 ], a•a multiplă. Cea mai obi•nuită modalitate de a depă•i problema testării multiple este
cum se arată în Fig. 1 . O singură caracteristică poate fi selectată din utilizarea corec•iei Bonferroni sau a corec•iilor mai pu•in conservatoare ale ratei
fiecare cluster ca reprezentativă •i utilizată în următoarea analiză de de descoperire falsă [ 19 ].
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 Analiza multivariată supravegheată constă în construirea unui model
mai mult posibil varia•ia totală a setului de date cu cele mai pu•ine matematic pentru a prezice un rezultat sau o variabilă de răspuns.
componente principale posibile 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 , de cancer [ 25 ]. De asemenea, Arhiva Imagisticii Cancerului este o resursă
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 date TCGA. Aceste imagini pot fi folosite ca surse valoroase atât pentru generarea
propor•ionale Cox [ 23 ]. Studiile anterioare care au comparat diferite abordări de ipoteze, cât •i pentru scopuri de validare [ 26 ].
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, În special, parametrii pacien•ilor pot influen•a caracteristicile imaginii
stabilitatea •i reproductibilitatea modelului trebuie evaluate înainte de a aplica printr-o asociere cauzală directă sau pot exercita un efect confuz asupra
un model predictiv într-un cadru clinic. Într-adevăr, este bine cunoscut faptul asocia•iilor statistice. De exemplu, cancerele pulmonare legate de fumat
că montarea modelului este optimă în setul de instruire utilizat pentru diferă de cancerele pulmonare la nefumători [ 27 ]. Mai mult, deoarece
construirea modelului, în timp ce validarea într-o cohortă externă oferă modelele au nevoie de validare pentru a fi efectuate de preferin•ă pe
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 caracteristicilor extrase din imagini cu parametri diferi•i •i segmentate cu
clinică poten•ială a unui model este validarea cu cohorte independente diferite tehnici este dificilă •i poate afecta performan•a finală a modelului în
colectate prospectiv, în mod ideal în cadrul studiilor clinice. Aceasta introduce sine.
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, Impactul achizi•iei •i reconstruc•iei imaginii
precum Atlasul genomului cancerului (TCGA), inclusiv date genomice Tehnicile de imagini clinice de rutină arată o varia•ie largă a parametrilor
cuprinzătoare multidimensionale •i adnotări clinice de peste 30 de tipuri 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 Pagina 5 din 8
diferi•i furnizori oferă algoritmi de reconstruc•ie diferi•i, iar parametrii de textura diferită, a fost dezvoltată pentru a testa variabilitatea inter-scaner,
reconstruc•ie sunt personaliza•i la fiecare institu•ie, cu posibile varia•ii la intra-scaner •i multicentric [ 31 ], precum •i efectul diferitelor setări de
pacien•i individuali. Toate aceste variabile afectează zgomotul •i textura achizi•ie •i reconstruc•ie asupra robuste•ii caracteristicilor [ 4 ]. O altă
imaginii •i, în consecin•ă, valoarea caracteristicilor radiomice. Ca rezultat, posibilitate este de a dezvolta fantome personalizate [ 32 ] asemănându-se
caracteristicile ob•inute din imagini achizi•ionate la o singură institu•ie cu districtele anatomice de interes, încorporând inser•ii care simulează
utilizând protocoale de achizi•ie diferite sau achizi•ionate la institu•ii •esuturi cu textură •i dimensiuni diferite •i situate în pozi•ii diferite, pentru
diferite cu scanere diferite în diferite popula•ii de pacien•i, pot fi afectate a testa protocoale în condi•ii clinice reale.
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 Alternativ, mul•i autori au investigat caracteristicile robuste•ii •i
diferite atunci când sunt extrase din măsurători repetate în condi•ii stabilită•ii imaginilor clinice prin efectuarea de studii test-retest [ 33 ], sau
identice. 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
O abordare pentru a depă•i această limitare poate fi excluderea de la suficient în rândul pacien•ilor, cu reproductibilitate intra-pacient •i
început a caracteristicilor puternic influen•ate de parametrii de achizi•ie •i sensibilitate scăzută la protocoalele de achizi•ie •i reconstruc•ie a imaginii
reconstruc•ie. Acest lucru poate fi realizat prin integrarea informa•iilor din [ 15 ].
literatură •i din măsurători experimentale dedicate, luând în considerare
particularitatea fiecărei modalită•i de imagistică.
ANIMAL DE COMPANIE
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 ].
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 Pagina 7 din 8
S-au dezvoltat metode de segmentare automate •i semi-automate între Ace•tia vor fi pa•i inevitabili către construirea de modele prognostice •i
modalită•ile de imagistică •i diferite regiuni anatomice. Cerin•ele comune predictive generalizabile care vor contribui în mod eficient la luarea
includ automatitatea maximă cu interac•iunea minimă a operatorului, deciziilor clinice •i la gestionarea tratamentului.
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
Abrevieri
operator să selecteze un punct de însămân•are în cadrul volumului de
CT: Tomografie computerizata; GLCM: matrice de co-apari•ie la nivel de gri; GLRLM: matrice de lungime de
interes [ 47 ]. Aceste metode func•ionează bine pentru leziunile relativ rulare la nivel de gri; RMN: imagistică prin rezonan•ă magnetică; PCA: Analiza componentelor principale; PET:
omogene, dar arată necesitatea unei corec•ii intensive a utilizatorului Tomografie cu emisie de pozitroni; ROI: Regiunea de interes; SUV: valoare de absorb•ie standardizată; TCGA:
Atlasul genomului cancerului
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, Disponibilitatea datelor •i a materialelor
Nu se aplică.
prin urmare, pot fi segmentate automat cu o reproductibilitate •i precizie
ridicate. Cu toate acestea, pentru opacită•ile par•ial solide, sticla Finan•area
măcinată, nodulii ata•a•i la vase •i la suprafa•a pleurală, segmentarea Autorii afirmă că această lucrare nu a primit nicio finan•are.
Nu se aplică.
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 Interese concurente
]. Algoritmii de segmentare semi-automată efectuează o căutare a Autorii declară că nu au interese concurente.
graficelor prin analiza conturului activ local, în timp ce func•ia lor de cost
este minimizată utilizând programarea dinamică. Cu toate acestea, Editor ' s Notă
Springer Nature rămâne neutru în ceea ce prive•te revendicările jurisdic•ionale din hăr•ile
semiautomatitatea necesită în continuare interac•iunea umană [ 55 ].
publicate •i afilierile institu•ionale.
degli Studi di Milano, •coala Postuniversitară în Radiodiagnostic, Milano, Italia. 5 Centrul de Oncologie a
După cum se arată, nu există încă un algoritm de segmentare universal
Radia•iilor, •coala de Medicină, Departamentul de Medicină Experimentală, Diagnostică •i de
pentru toate aplica•iile de imagine, iar noi algoritmi sunt în curs de
Specialitate -
evaluare pentru a depă•i aceste limitări [ 56 - 58 ]. Într-adevăr, unele DIMES, Universitatea din Bologna, Bologna, Italia. 6 Departamentul de Oncologie •i
caracteristici pot prezenta stabilitate •i reproductibilitate utilizând o metodă Hemato-Oncologie, Università degli Studi di Milano, Milano, Italia.
Referin•e
Concluzii
1. Gillies RJ, Kinahan PE, Hricak H (2016) Radiomics: imaginile sunt mai mult decât imagini, sunt
Pe scurt, rămânând în prezent în timp ce privesc spre viitor, pe de o date. Radiologie 278: 563 - 577
parte, anchetatorii ar trebui să depună eforturi în selectarea atentă a 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.
caracteristicilor robuste pentru propriile modele; pe de altă parte,
3. (2016) Caracterizarea radiogenomică CT a muta•iilor EGFR, K-RAS •i ALK în cancerul pulmonar cu
comunitatea •tiin•ifică ar trebui să depună eforturi pentru standardizare, celule mici. Eur Radiol 26:32 - 42
•inând cont de faptul că abordările statistice adecvate vor reduce la
Larue RTHM, van Timmeren JE, de Jong EEC •i colab. (2017) Influen•a discretizării nivelului de gri
minimum rela•iile false •i vor duce la rezultate mai precise •i 4.
asupra stabilită•ii caracteristicilor radiomice pentru diferite scanere CT, curen•i de tuburi •i grosimi de
reproductibile. 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:
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