作者：Virendra Kumar a, Yuhua Gu a, Satrajit Basu b, Anders Berglund c, Steven A. Eschrich c, Matthew B. Schabathd, Kenneth Forster e, Hugo J.W.L. Aerts f ,h, Andre Dekker f , David Fenstermacher c, Dmitry B. Goldgof b, Lawrence O. Hall b, Philippe Lambin f , Yoganand Balagurunathan a, Robert A. Gatenby g, Robert J. Gillies a, g,⁎单位：a Department of Cancer Imaging and Metabolism, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL, USA; b Department of Computer Science and Engineering, University of South Florida, Tampa, FL, USA; c Department of Bioinformatics, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL, USA; d Department of Cancer Epidemiology, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL, USA; e Department of Radiation Oncology, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL, USA; f Department of Radiation Oncology (MAASTRO), GROW-School for Oncology and Developmental Biology, Maastricht University Medical Center, Maastricht, the Netherlands; g Department of Radiology, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL, USA; h Computational Biology and Functional Genomics Laboratory, Department of Biostatistics and Computational Biology, Dana-Farber Cancer Institute, Harvard School of Public Health, Boston, MA, USA发表期刊：Magnetic Resonance Imaging 30 (2012) 1234–1248论文简介：影像组学是指从计算机断层扫描，正电子发射断层扫描或磁共振成像获得的医学图像中提取和分析大量具有高通量的高级定量成像特征。影像组学一般采用数据挖掘建立图像特征与表型或基因蛋白特征关系的描述性和预测性模型，为后续的诊断、预后和预测提供有价值的信息。影像组学的流程包括图像采集和重建，图像分割和渲染，特征提取和特征限定，数据库和数据共享以及信息分析。每个过程都需要克服其自身的挑战，例如，必须确定和协调用于图像获取和重建的最佳协议；分段必须是鲁棒的，并且涉及最少的操作输入；必须生成允许结合图像特征和图像注释以及医学和遗传数据的信息数据库。 由于影像组学不是一个成熟的研究领域，因此必须优化用于分析这些数据的统计方法。本文将依次讨论每一个子过程，过程中所面临的挑战以及解决这些挑战的建议方法。研究方向：影像组学（综述）
下载作者：Robert J. Gillies1,Paul E. Kinahan2,Hedvig Hricak3单位：1 From the Department of Cancer Imaging, H. Lee Moffitt Cancer Center and Research Institute, 12902 Magnolia Dr, Tampa, FL 33612 (R.J.G.),2 University of Washington ,3 Memorial Sloan Kettering Cancer Center发表期刊：Radiology, vol. 278, no. 2, 2016, pp. 563–577.论文简介：在过去的十年里，随着模式识别工具数量的增加和数据集大小的增加，医学图像分析领域呈指数级增长。这些进展促进了高通量提取定量特征的过程的发展，这些特征导致将图像转换为可开采数据，并随后对这些数据进行分析，以提供决策支持；这种做法被称为影像组学。这与将医学图像视为仅用于视觉解释的图片的传统做法形成对比。影像数据包含一阶、二阶和高阶统计特征。这些数据与其他患者数据相结合，并使用复杂的生物信息学工具进行挖掘，以开发可能提高诊断、预测和预测准确性的模型。由于放射分析往往是用标准的护理图像进行的，可以想象，将数字图像转换成可开采的数据最终将成为常规做法。本报告描述了放射治疗的过程、面临的挑战及其促进更好的临床决策的潜在能力，特别是在癌症患者的护理方面。研究方向：影像组学（综述）
下载作者：Philippe Lambin1,Ralph T.H. Leijenaar1,Timo M. Deist1单位：1 Maastricht University Medical Centre ,2 RWTH Aachen University发表期刊：Nature Reviews Clinical Oncology, vol. 14, no. 12, 2017, pp. 749–762.论文简介：影像组学是从医疗影像标准中对定量图像特征进行高通量挖掘，使数据能够在临床决策支持系统中提取和应用，以提高诊断、预后和预测的准确性，在癌症研究中日益重要。影像组学分析利用先进的图像分析工具和医学成像数据的快速开发和验证，利用基于图像的特征进行精确诊断和治疗，为现代医学提供了强大的工具。在这里，我们描述了放射治疗的过程，它的陷阱，挑战，机遇，以及它改善临床决策的能力，强调了对癌症患者的效用。目前，由于这一领域的迅速发展，对已发表的大量放射医学研究的科学完整性和临床相关性缺乏标准化的评估。必须建立严格的评价标准和报告准则，使放射医学作为一门学科成熟起来。在这里，我们为调查提供指导，以满足放射医学领域的迫切需要。研究方向：影像组学（综述）
下载作者：Philippe Lambin1,Ralph T.H. Leijenaar1,Timo M. Deist1单位：1 Maastricht University Medical Centre ,2 RWTH Aachen University发表期刊：Nature Reviews Clinical Oncology, vol. 14, no. 12, 2017, pp. 749–762.论文简介：影像组学是从医疗影像标准中对定量图像特征进行高通量挖掘，使数据能够在临床决策支持系统中提取和应用，以提高诊断、预后和预测的准确性，在癌症研究中日益重要。影像组学分析利用先进的图像分析工具和医学成像数据的快速开发和验证，利用基于图像的特征进行精确诊断和治疗，为现代医学提供了强大的工具。在这里，我们描述了放射治疗的过程，它的陷阱，挑战，机遇，以及它改善临床决策的能力，强调了对癌症患者的效用。目前，由于这一领域的迅速发展，对已发表的大量放射医学研究的科学完整性和临床相关性缺乏标准化的评估。必须建立严格的评价标准和报告准则，使放射医学作为一门学科成熟起来。在这里，我们为调查提供指导，以满足放射医学领域的迫切需要。研究方向：影像组学（综述）
下载作者：Jia Wu 1,2,3, Chao Li 4,5, Michael Gensheimer 1, Sukhmani Padda 6, Fumi Kato 7, Hiroki Shirato 8, Yiran Wei 5, Carola-Bibiane Schönlieb 9, Stephen John Price 5, David Jaffray 2,10, John Heymach 3, Joel W. Neal 6, Billy W. Loo Jr 1, Heather Wakelee 6, Maximilian Diehn 1 & Ruijiang Li 1单位：1 Department of Radiation Oncology, Stanford University School of Medicine, Palo Alto, CA, USA 2 Department of Imaging Physics, MD Anderson Cancer Center, Houston, TX, USA 3 Department of Thoracic and Head and Neck Medical Oncology, MD Anderson Cancer Center, Houston, TX, USA 4 The Centre for Mathematical Imaging in Healthcare, Department of Pure Mathematics and Mathematical Statistics, University of Cambridge, Cambridge, UK 5 Cambridge Brain Tumor Imaging Laboratory, Division of Neurosurgery, Department of Clinical Neurosciences, University of Cambridge, Cambridge, UK 6 Department of Medicine, Division of Oncology, Stanford University School of Medicine, Stanford, CA, USA 7 Department of Diagnostic and Interventional Radiology, Hokkaido University Hospital, Sapporo, Hokkaido, Japan 8 Global Center for Biomedical Science and Engineering, Faculty of Medicine, Hokkaido University, Sapporo, Hokkaido, Japan 9 Department of Applied Mathematics and Theoretical Physics, University of Cambridge, Cambridge, UK 10 Office of the Chief Technology and Digital Officer, MD Anderson Cancer Center, Houston, TX, USA 发表期刊：Nature Machine Intelligence论文简介：探究兼容性更强，满足不同成像对比度需求的影像组学特征，以及影像组学在多中心数据上的应用。研究方向：影像组学
下载作者：Lingwei Meng 1,2; Di Dong 1,2; Xin Chen 3; Mengjie Fang 1,2; Rongpin Wang 4; Jing Li 5; Zaiyi Liu 6; Jie Tian 2,7单位：1 School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China 2 Institute of Automation, Chinese Academy of Sciences, Beijing, China 3 Guangzhou First People's Hospital, School of Medicine, South China University of Technology, Guangzhou, China 4 Department of Radiology, Guizhou Provincial People's Hospital, Guiyang, China 5 Department of Radiology, Henan Cancer Hospital, Zhengzhou, China 6 Guangdong Provincial People's Hospital, Guangdong Academy of Medical Sciences, Guangzhou, China 7 Beijing Advanced Innovation Center for Big Data-Based Precision Medicine, Beihang University, Beijing, China 发表期刊：IEEE Journal of Biomedical and Health Informatics论文简介：放射组学是一种新兴的医学图像分析工具，具有精确诊断胃癌的潜力。使用单层2D注释还是全卷3D注释一直是争论很久的问题，尤其是对于异质GC。本研究通过三个任务(TLN M，淋巴结转移预测；TLV I，淋巴血管侵犯预测；TPT、PT4或其他PT分期)，综合比较二维和三维放射学特征对胃癌的表现和鉴别能力研究方向：影像组学
下载作者：Jianhong Cheng 1; Jin Liu 1; Hailin Yue 1; Harrison Bai 2; Yi Pan 3; Jianxin Wang 1单位：1 Computer Science, Central South University, ChangSha, Hunan China Harrison Bai 2 Brown University Warren Alpert Medical School, 12321 Providence, Rhode Island United States 3 Department of Computer Science, Georgia State University, Atlanta, Georgia United States 发表期刊：IEEE/ACM Transactions on Computational Biology and Bioinformatics论文简介：术前对胶质瘤分级的准确预测对治疗计划和预后至关重要。由于胶质瘤分级的黄金标准(即活检)既具有高度侵袭性又价格昂贵，因此需要一种非侵入性且准确的方法。在这项研究中，我们提出了一种新的基于放射组学的管道，通过结合术前mpMRI扫描中提取的瘤内和瘤周特征来准确和非侵入性地预测胶质瘤的分级。为了解决瘤周边界不清晰的问题，我们设计了一种算法来捕获指定半径的瘤周区域。对285名来自多机构研究的患者进行mpMRI扫描。根据mpMRI扫描的瘤内体积(ITV)和瘤周体积(PTV)分别计算2153个放射学特征，然后用LASSO和mRMR特征排序法进行细化。最高级别的放射学特征被输入到分类器中，以建立用于预测胶质瘤分级的放射学特征。通过对患者水平的分裂进行五重交叉验证来评估预测性能。利用ITV和PTV特征的放射学信号在预测胶质瘤分级方面都显示出很高的准确性，AUC达到0.968。结合网络电视和数字电视的特点，可以将网络电视辐射签名的AUC值提高到0.975，优于目前最先进的方法。研究方向：影像组学
下载