“请问特征提取之后我该如何分析？”
“我想找出有统计学差异的特征，要用什么统计学方法？”
“LASSO的内涵是什么？真的这么厉害？”
“Rad-score是什么？到底要怎么算？”
“那张一条一条的横线，有分值的….,对就是 落-寞-gram！ 是什么意思？怎么画？？”
“鄙人课题简单粗暴，有哪些高大上的统计图可以撑场面”？
“我想做一批基于影像组学的胶质瘤鉴别应用研究，最少需要搜集多少病例？”
“这是我的病例集、数据分布情况，请问我可以怎么分析？”
“我的Statistical analysis写的不好，你帮检查检查？！”
“老铁，这课题咋设计？至少需要多少病例”
“影像组学还可以在哪些方面应用？核心是什么？怎么实现？”
“我需要具备什么才能上手radiomics？怎么做？能发几分儿啊？有什么瓶颈？未来“K”线图走向？”
“有人说影像组学就是统计学的一种高级应用？是这样吗？”
“……？？？”
这些问题是否经常困扰你影像组学多年的科研旅程？
几年前鄙人刚开始接触影像组学的时候也有过类似的困惑，经过这几年的摸爬滚打，深入学习，我对这块更加熟悉，终于能总结出一些方法经验和简化代码。希望基于本平台，可以给大家在影像组学Radiomics和医学统计学等方面上提供一些思路和参考。
影像组学作为一门新生学科，需要不断深入研究和探索，希望通过此平台，与各位路人和大神多沟通，多学习，共同进步。
由于篇幅过长，我将分成多期推送，希望大家在研究的路上张弛有度，高效学习。
第一部分 影像组学的官网定义
“Radiomics”最早是由荷兰的学者Philippe Lambin提出来的（见下图），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。
解读：“高级特征法”其实就是针对“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”。
“影像”：
常见的有平扫/增强CT、磁共振MRI、PET影像、超声、X-ray等（甚至简单至单张图片也可以执行，但基本不做），图像搜集完毕后可能需要进行格式转化、配准的内容。
“区域”：
区域就是指需被研究的内容，官方称“ROI，即Region Of Interest感兴趣区域”，这个ROI是需要被勾画出来的，也可以称“分割”，目前分割的方法有①全自动分割法（滑降区域生长法（region-growing methods）、图割法（graph cut methods）、基于容量CT的分割法（volumetric CT-based segmentation）或是基于深度学习模型结晶而成等等）；②半自动分割算法（semiautomatic segmentations）；③打工人手动分割法（
ITK-SNAP(地址
http://www.itksnap.org/pmwiki/pmwiki.php)、3D-slice(地址https://www.slicer.org/)）是目前最常用的，为什么？你懂得。
“工具”：
目前常用的、公认的有①Pyradiomics（网址：https://pyradiomics.readthedocs.io/en/latest/index.html），这是一个基于Python语言环境下的开源库，可以理解为R语言内的函数包，可以用来提取特征，但需在Python环境下进行编码，才能完成，也有很多其他资料，请参考官网；②IBSI(Image Biomarker Standardisation Initiative)，这是特征的定义、公式等纯理论具体内容，常用MATLAB、C++等语言实现；③IBEX，是MATLAB的一个程序，也是可以用于提取特征；④公司开发的软件，比如GE公司的AK、IF等。
“信息”：
目前为止大家绝大多数在探索组学特征，常用有①IBSI(Image Biomarker Standardisation Initiative)，因此也可以称影像组学特征为影像(肿瘤/病理)标志物；②Pyradiomics。这些本质上是基于计算机视觉领域的图像分析领域-数据图像，因为说白了图像就是数字本身，因此可以通过一定的公式运算，形成有计算机含义的特征，①②基本上是一样的，只是在分类和数量上有点差异，大家选择其一使用即可。公式中存在几个如步长、翻转角的参数，改变他们就可以算出同名系列特征，这就是为什么有的人只提取几百个，而有的人能提取几千个特征的区别，但不一定越多越好，这目前尚无实证研究。特征的种类大致有以下几类（参考Pyradiomics）
中文可以这么翻译：一阶统计特征、2D/3D形状特征、灰度共生矩阵、灰度游程长度矩阵、灰度大小区域矩阵等等。找一个感受一下：
“信息”指的就是这些晦涩难懂的特征变量，研究到目前，除了组学特征，目前还常常引入稍微好理解的基因数据、病理、临床指标。
“分析信息”：
具体指的就是统计分析，影像组学绝大部分都是在做统计分析的工作，挖掘内在联系和模型构建与验证，这部分内容比较多，后续将一一推出核心内容和实现方法。
“辅助诊断”：
没错，就是字面意思。医学影像辅助诊断，辅助是的临床大夫对疾病的判断（比如肺结节的良性or恶性，肠癌/胃癌等良恶性判断、肿瘤分子分型、病理分级、疗效评估、预后预测等等，还有什么？那还不赶紧关注，下期分享）起初是针对肿瘤，除了良恶性判断，慢慢延伸至量化病情、治疗方案等，这具有重要的临床意义。影像均为数字图像，因此也成为“计算机辅助诊断（computer aided diagnosis，CAD）”
影像组学（&深度学习）也是医工交叉类的产物，具有广阔与深远的前景。虽然目前影像组学看似很完善，但其实流程上还有很多不足和难题，慢慢将在后期推出各种难题供大家思考，先卖个关子，比如最常见的Rad-score结合临床发现radiomics比临床贡献度更大，真的是这样吗？你品，你细品。
上图也是影像组学开山之作paper内的一张图，简单阐述了其运作模式：
获取图像-> 勾画 -> 特征提取 -> 统计分析
其中，前三步骤是一个“清洗”与“标准化”的过程，目的是为统计分析做准备，因此重点在最后的统计分析模块。说到底，影像组学核心底层实际上就是统计分析内容，比如特征数据的清洗、不平衡处理、PCA等特征筛选、机器学习模型构建，预测手段和评价指标，基本都是统计学领域，“挺烦的统计”就是专门研究和探索Radiomics、Medicine Statistics Analysis等等方面的频道。
希望大家在“挺烦的统计”这里能够消除烦恼，我尽量把所谓黑匣子打开，让大家尽可能往里面看一看，摸一摸。
PS：以上内容属笔者整理，如有不妥，敬请批评指正！
如果觉得内容不错，欢迎点赞和转发。
欢迎关注 “挺烦的统计”，共同交流学习！
往期回顾：
（老铁，这是第一期，关注我，科研旅途再不麻烦）
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
