四川大学华西医院生物医学大数据中心影像组学团队于2020年9月在IEEE Transactions on Medical Imaging(影响因子6.685,在JCR“放射、核医学与医学影像”类别的133种期刊中排名第6位,在“计算机科学应用”的636种期刊中排名第10位)发表文章“A Novel Multiresolution-Statistical Texture Analysis Architecture: Radiomics-Aided Diagnosis of PDAC Based on Plain CT Images”(长按下方二维码即可阅读全文)
胰腺导管腺癌(pancreatic ductal adenocarcinoma,PDAC)是一种恶性肿瘤,CT成像是PDAC常用的无创检查方法,但是基于平扫图像在视觉上诊断PDAC可能并不容易,而造影剂增强的CT成像则具有一定的缺陷(比如可能引起肾脏毒性和过敏反应,诊断具有一定的主观性,对经验不足的医师来说比较困难,而且欠发达地区的医疗机构在一些常规检查中还是使用的平扫CT图像等)。近些年来,基于医学图像的人工智能(artificial intelligence,AI)方法在计算机辅助癌症诊断中表现出色,影像组学中的定量特征(例如纹理)可以提供可解释性并结合AI技术进行疾病的辅助诊断。影像组学中的纹理分析通常提供了良好的定量数据,从而使得接下来的步骤能够基于这些定量数据进行建模并与临床问题关联。但是,这些纹理分析方法也可能受到诸多不利因素的影响,例如感兴趣区(region of interest, ROI)可能是一个很小的区域或者它的表型可能有复杂的细节。如何充分利用有限区域挖掘更多有用的信息,对于特定问题,可以开发特定解决方案。本文通过分析PDAC与胰腺组织的一些病理组织学特性(如胰腺是富血供组织而PDAC乏血供,PDAC包含基质细胞、纤维结缔组织甚至液化坏死等),根据纹理分析方法中的多分辨率分析方法与统计分析方法的特点,提出尝试一种多分辨率统计纹理分析体系结构(multiresolution-statistical texture architecture,MSTA),如图1所示。
图1
MSTA体系结构使用多分辨率分析来执行本地时频分析,并将ROI分解为不同分辨率的多个组件。第 j 个分量的系数矩阵表示一定分辨率下灰度的时频变化。系数表示局部范围内的变化。系数值的强度表示变化的程度。两个系数的位置关系对应于两个局部范围的位置关系。如何表达这种“强度-位置”关系可以在随后的特征提取中发挥重要作用。对于第 j 个分量,MSTA体系结构通过分析系数的特性来计算距离并离散化系数矩阵,然后使用直方图、共现矩阵、游程矩阵等的统计分析方法来提取数学描述作为纹理特征。实验结果表明,与缩放多分辨率分析的系数矩阵的传统体系结构相比,MSTA体系结构获得了更好的性能。同时,本文对两种体系结构提取的特征进行了U 检验(基于独立测试集),在不同的显著性水平下,我们计算了具有明显差异的特征数量,MSTA架构提取的更多特征显示出PDAC和胰腺之间的统计显著差异。基于影像组学进行计算机辅助诊断的一个优势是可以结合影像组学特征与传统的机器学习方法特别是具有可解释性的机器学习方法进行分类。本文基于线性支持向量机进行了分类实验,MSTA体系结构是通过分析PDAC与胰腺组织的一些病理组织学特性以及纹理分析方法中的多分辨率分析方法与统计分析方法的特点而尝试构建的,本文还结合一些统计学分析结果对影像组学特征与病理组织学特性做了可能的推断。
专家点评
张建营教授:相比于深度学习等AI技术,影像组学将医学影像数字解码为定量特征,再基于定量特征构建模型以关联具体的临床问题,构建的模型可以是医学上已常用的回归等线性模型,并能够使用诺模图对特征进行评分和预测,这在临床应用上具有重要的意义,因此影像组学中的特征工程依然是未来研究的一个重要方向。在影像组学研究领域,大多基于已有的特征工程方法提取定量特征,然后建模以应用于具体的临床问题。该研究提出的MSTA体系结构先分析待处理的具体问题的特性,结合已有的可能解决该问题的方法的特点,提出一种新颖的特征功能方法,其解决方法源于医学具体的实际情况,这种思路颇具参考性。此外,该研究还探索了所提取的纹理特征在数学描述上的意义,并结合病理组织学特性进行可能的解释,MSTA体系结构本身源于病理组织学特性与纹理分析方法的解析并提取特征,又反过来探索所提取的特征与病理组织学特性的关系,相互印证。该项工作开创性地提出基于医学问题本身结合计算机方法构建特征工程的工作,深入扎实,展示了很好的创新性、科学性和严谨性,这个思路相信会在今后的影像组学研究中被广泛参考。
张建营,美国德州大学(UTEP)理学院终身正教授,博士研究生导师。主要研究方向为肿瘤免疫学、肿瘤早期诊断(包括人工智能辅助诊断),尤其对肿瘤早期免疫诊断标志物进行了系统和深入的探索和研究,是该研究领域国际公认的开拓者和领先研究者之一。共发表SCI学术论文160余篇,h-index为41,据不完全统计,其中收录的部分文章的总引用次数超过6 500次。
作者投稿心得
该课题是计算机工程技术与医学影像相结合的一个工程技术类研究,在研究设计时以临床问题和医学知识为导向开发和改进计算机技术。在肿瘤成像的AI应用中,除了深度学习外,影像组学与经典的机器学习结合是一个重要的研究方向,选题切合当时研究热点。IEEE Transactions on Medical Imaging 是生物医学工程学领域基于医学影像的医工交叉类的顶级期刊,研究工作要严谨细致,审稿专家累计提出了50个左右的问题,大多是对一些细节的补充与调整,对审稿意见要有理有据地进行回复和修正。另外,医学影像AI方向的研究,医学知识非常重要,在方案设计之初,就应该充分了解临床问题的相关知识,这对于工科背景的研究人员来说其实非常重要,也是容易被忽视的一个事情。
通信作者
曾筱茜,四川大学华西医院生物医学大数据中心常务副主任,副教授,硕士生导师。哈佛医学院布莱根妇女医院、香港浸会大学访问学者。担任中国卫生信息与健康医疗大数据学会(智慧医院与人工智能应用工作委员会)委员、中国医学装备协会医院物联网发展分会委员等学术和协会任职,中国临床试验注册中心主审员。主持和参与科技部国家重点研发项目、国家发改委数字经济试点重大工程项目、国家自然科学基金委面上和青年基金项目、四川省科技厅科研项目等。发表论文50余篇。
第一作者
邱甲军,四川大学华西医院生物医学大数据中心数据科学家,电子科技大学医学影像人工智能方向博士,主要从事影像组学辅助诊断、疗效评价以及预后预测等领域研究,聚焦于人工智能推动智慧医疗的转型升级和应用创新。主持、参与多个国家及省部级重大研发项目,近期主持了四川省应对新型冠状病毒科技攻关医学影像人工智能辅助诊断项目的研究。
团队简介
四川大学华西医院生物医学大数据中心(以下简称中心)前身为2013年12月四川大学华西医院生物统计与成本效益研究中心,2016年6月由医院批准正式建立。中心组建不同学科背景大数据科研支撑团队,团队成员涉及医院管理与卫生政策、神经外科学、胸外科学、机器智能与类脑计算、信息可视化与可视分析、生物信息学、医学信息学、网络及数据安全等领域。中心有全职科研人员73名,引进国际领先水平非全职专家及顾问13名,组建陈润生院士工作站1个,合作外籍院士1名。围绕医学信息学、医学影像、临床诊疗辅助技术和生物信息学等领域的研究,承担国家级、省部级、院校级等科研项目32项。获批四川省科学技术厅资助的“四川省医学大数据应用工程技术研究中心”(全省唯一医学大数据领域研究中心)。获批四川省发展和改革委员会资助建设“疾病流行病学大数据研究平台”。承担教育部批复四川大学双一流超前部署“医学大数据”学科和四川大学“医学+信息”中心建设任务。
版权声明:华西微家倡导尊重和保护知识产权。欢迎转载、引用,但需取得本平台授权。如您对文章内容版权存疑,请致电028-85422587,我们会与您及时沟通处理。本站内容及图片仅供参考、学习使用,不为盈利且不作为诊断、医疗根据。
本文编辑:李蓓兰
本文排版:陈红梅 张洪雪
点击下方“阅读原文”可查看其他解读文章