张量放射组学：系统整合多风味放射组学特征的范式
计算机视觉与模式识别
2022-10-26 v3 医学物理
摘要
放射组学特征从医学图像中提取定量信息，以推导用于诊断、预后或治疗反应评估等临床任务的生物标志物。不同的图像离散化参数（如bin数量或大小）、卷积滤波器、分割扰动或多模态融合层级可用于生成放射组学特征并最终生成特征签名。通常仅使用一组参数，导致给定放射组学特征（RF）只有一个值或一种风味。我们提出张量放射组学（TR），利用以多组参数组合（即风味）计算得到的特征张量来优化放射组学签名的构建。我们给出TR应用于PET/CT、MRI和CT成像并调用机器学习或深度学习方案及可重复性分析的示例：（1）通过对肺癌CT图像和头颈癌（HNC）PET-CT图像采用不同bin大小进行TR，用于总生存预测。一种称为TR-Net的混合深度神经网络以及两种基于ML的风味融合方法相比常规放射组学特征显示出更高精度。（2）由不同分割扰动和不同bin大小构建的TR，用于基于CT图像的一线免疫治疗晚期肺癌反应分类。TR改善了患者反应预测。（3）MR成像中通过多风味生成的放射组学特征显示的TR相较许多单风味特征改善了可重复性。（4）HNC中通过多种PET/CT融合的TR。风味由使用拉普拉斯金字塔和小波变换等方法的不同融合构建。TR改善了总生存预测。我们的结果表明，所提出的TR范式有望提升不同医学成像任务的性能能力。
引用
@article{arxiv.2203.06314,
title = {Tensor Radiomics: Paradigm for Systematic Incorporation of Multi-Flavoured Radiomics Features},
author = {Arman Rahmim and Amirhosein Toosi and Mohammad R. Salmanpour and Natalia Dubljevic and Ian Janzen and Isaac Shiri and Ren Yuan and Cheryl Ho and Habib Zaidi and Calum MacAulay and Carlos Uribe and Fereshteh Yousefirizi},
journal= {arXiv preprint arXiv:2203.06314},
year = {2022}
}