人工特征在图像处理中的应用案例

概述

本文介绍论文《A radiomics model from joint FDG-PET and MRI texture features for the prediction of lung metastases in soft-tissue sarcomas of the extremities》中使用人工设计的放射组学的特征构建预测模型的案例。该论文基于PDG-PET和MRI数据，旨在构建一个软组织瘤（STSs）肺转移的风险早期评估模型。

数据与数据预处理

1.病人分类

数据共有两类，1）32个不具有肺转移的软组织瘤患者，2）19个具有肺转移的软组织瘤患者。这51位患者都具有PDG-PET和MRI。

2.数据标注

通过一位放射学专家人工slice-by-slice标注肿瘤轮廓，轮廓分为1）包括水肿区的轮廓；2）不包括水肿区的轮廓。如图。

3.PET和MR的融合

功能成像PET可以和结构成像MR融合，记作PDG-PET/MR。融合步骤如下:

1. 下采样MR大小与PET一致，规范化两者的体素强度值（0~255），有必要的华反转MR；
2. 使用symlet8对两种数据进行小波变换；
3. 将μ±3σ归一化方案分别应用于不同MRI子带肿瘤区域的小波系数。然后用FDG-PET子带的空间对应系数替换被拒绝的MRI小波系数；
4. 对所有PET和MRI子带的空间对应小波系数进行加权平均，得到一组融合小波系数。如果给MRI小波系数的权重表示为“MRI权重”，给PET小波系数的权重表示为“PET权重”，则MRI权重范围为0到1，PET权重=1-MRI权重；
5. 利用重构小波基函数symlet8将三维逆DWT应用于融合小波系数集，得到融合的FDG-PET/MRI肿瘤体积。

4.提取的特征

1. 非纹理特征：SUV（5），volume，size，Solidity，Eccentricity
2. 纹理特征：直方图（100bins），GLCM, GLRLM, GLSZM ，NGTDM

5.纹理提取的参数

1. 融合参数：反转（0，1），MR权重（1/4，1/3，1/2，2/3）
2. Wavelet band-pass filtering
3. Isotropic voxel size
4. 灰度量化：

6.单变量分析

用Spearman秩相关分析（rs）研究STSs全组特征（9个非纹理特征和210105个扫描纹理参数特征）与肺转移发展的单变量相关性。为了校正多重检验比较，采用了Bonferroni校正方法：显著性水平降低到p<α/K值，其中K是比较次数，α是显著性水平设置为0.05。

7.多变量分析

使用逻辑回归构建预测模型，公式如下：
$g(x_i) = \beta_0 +\sum_{j=1}^p\beta_jx_{ij}$g(xi​)=β0​+j=1∑p​βj​xij​
$\pi(x_i)=P(y_i=1|x_i)=\frac{e^{x_i}}{1+e^{x_i}}$π(xi​)=P(yi​=1∣xi​)=1+exi​exi​​
采用0.632+bootstrap方法和受试者操作特征曲线下面积（AUC）来估计从我们的患者队列中学习到的哪些模型最适合根据来自整个（或真实）STS人群的新的前瞻性数据预测肺转移，公式如下：

通过逐步前向特征选择方案进行特征集缩减，以便从较大的初始集创建包含25个不同扫描纹理特征的缩减特征集，该过程使用增益方程进行:
其中r为斯皮尔曼秩系数，PIC=1-MIC，MIC是最大信息系数。