来源：青椒医学
影像组学是一个新兴领域，它通过获取多个定量图像特征将医学图像转换为可挖掘的数据。
「Radiomics」最早是由荷兰的学者 Philippe Lambin 提出来的。简言之，旨在用「高级特征分析法」从医学影像中提取出更多的信息来协助临床的一种辅助诊断方式。主要针对于计算机断层扫描（CT) 、磁共振检查（MR）、正电子发射型计算机断层显像（PET）等影像图像，应用大量的自动化数据特征化算法，将感兴趣区域（ROI）的影像数据转化为具有高分辨率、可挖掘的特征空间数据，最终转化为定量数据，用于描述 ROI 的特征。
所谓「高级特征分析法」其实也就是：针对「影像」中的某个「区域」，用特定的「工具」提取「信息」、「分析」信息，进而对临床进行「辅助诊断」。
图源：Eur J Cancer. 2012;48(4):441-446.
影像组学的概念自诞生以来就在不断完善，一个比较成熟的定义是，影像组学指从 CT、PET 或 MRI 等医学影像图像中高通量地提取并分析大量高级且定量的影像学特征。
「影像」：通常指放射影像，主要包括了 CT、MR 影像等；
「组学」（Omics）：其实就是把与研究目标相关的所有因素综合在一起作为一个「系统」来研究。
二、国自然中标情况统计
三、影像组学研究流程
(1) Imaging，图像收集获取
常见的有平扫/增强 CT、磁共振 MRI、PET 影像、超声、X-ray 等，图像搜集完毕后需要进行格式转化、配准的内容。
数据质量检查：检查图像形变、缺损、伪影；检查图像参数。
数据预处理：图像配准、体素重采样，图像归一化，图像灰度值标准化处理等。
(2) Segmentation，分割患者图像中的感兴趣区域（ROI，region of interest）
图像分割是必须要做的，因为第三步提取的影像特征，不是病人整张影像的所有特征，而是影像中肿瘤所在位置的特征。分割形式有自动分割，半自动分割，和人工分割。其中，人工分割通常被用来作为标准，衡量分割算法的优劣。实际操作中，各种分割算法，都有其自适应的场景、范围、条件，特别受制于客观条件。当前临床用得最多的，还是纯手工。而利用机器学习或深度学习进行分割，则一直是当前临床和 SCI 以及国自然申报的热中之热。
(3) Featureextraction，提取图像特征
关于特征提取，传统放射科医师仅通过肉眼阅片方式，依赖直观长久的临床经验对肿瘤进行诊断，从而为肿瘤的治疗决策提供方向建议。但是，病人在放射科扫描留下的 MRI，CT 等影像数据，包含大量的潜在影像信息，比如，肿瘤块的肿瘤图像的灰度值范围、强度、细胞内部变化的特征等。而这些潜在信息，仅凭影像医师的临床经验及其肉眼能力，无法准确获得。因此，传统的肿瘤治疗方案的决策，浪费了本该用起来的宝藏。
对于医学图像分割任务，可以利用先进的深度学习模型自动分割影像的 ROI 区域，确定肿瘤所在位置，无需再手动勾画。
①U-Net：U-Net 包括编码器和解码器部分，具有下采样、上采样和跳跃连接的结构，用于细化图像分割的结果。U-Net 可扩展为 U-Net++、V-Net 和 3D-Unet 等相似结构，均可用于图像分割。
②F-CNNs：全卷积网络（Fully Convolutional Neural Networks，F-CNNs）用卷积层替换了网络结构中的全连接层，从而得到稠密的分割结果。同时，F-CNNs 还将不同尺度下的特征信息进行融合，实现更加细节的图像分割效果。
③SegNet：SegNet 是一种用于图像分割的卷积神经网络，采用编码器-解码器结构和反池化层来有效提取和还原图像的特征和细节，捕获图像中的空间信息。
④DeepLab：DeepLab 是一种卷积神经网络架构，其独特之处在于采用空洞卷积以增加感受野，支持多尺度处理，融合全局上下文信息，以及通过跳跃连接和上采样细化图像分割结果。
(4) Analysis，统计分析/建模
如果大家想进一步与同行、国自然资深讲师交流，并获取一手动态和热点方向，可以加入「国自然基金撰写交流社群」哦。群内也会定期为大家分享优质课程、撰写经验、模板资料等。
