思影科技影像组学(Radiomics)数据处理业务
医学影像(Radiology)+组学(Omics)构成影像组学(Radiomics),其强调的深层次含义是指从影像(CT、MRI、PET等)中高通量地提取大量影像信息,实现肿瘤分割、特征提取与模型建立,凭借对海量影像数据信息进行更深层次的挖掘、预测和分析来辅助医师做出最准确的诊断。近年来,影像组学已成临床科研热点之一,针对于此,思影科技推出影像组学(Radiomics)数据处理业务。如感兴趣请联系杨晓飞siyingyxf或18983979082(微信号)进行咨询,电话:18580429226
一、数据预处理
数据质量检查:检查图像形变、缺损、伪影;检查图像参数等。
数据预处理:体素重采样,体素强度离散化,图像归一化,图像灰度值标准化处理等。
二、图像分割
手工绘制或者利用卷积神经网络(CNN),U-NET等神经网络自动分割ROI/VOI 区域,确定肿瘤所在位置。
三、特征提取
1、特征提取
(1)语义特征:位置、尺寸等
(2)非语义特征:形状特征、描述各体素信号强度值分布情况的一阶特征、描述各体素之间关系的二阶特征(如:纹理特征)以及滤波获取的高阶特征。
2、特征选择
(1)相关法。计算每个特征与量表的相关性(如皮尔逊相关),保留相关值高的特征。
(2)参数检验法。对不同组别人群的特征做假设检验(比如对两组人群的特征做双样本T检验),保留通过假设检验的特征。
(3)主成分分析(PCA)法。将所有特征分解成一系列主成分,保留排名靠前的主成分作为特征。
(4)递归特征消除法。循序渐进地删除影响最小的特征,直至保留特定数目的最重要的特征为止。
(5)稀疏特征表示。可以选择使用LASSO回归(及其变种)、低秩(Low-Rank)等特征选择/表示方法。
四、机器学习建模
1.有监督学习模型:逻辑回归(logistic)、支持向量机(SVM)、神经网络、朴素贝叶斯(NB)、决策树(DT)以及基于决策树基础的集成树算法(RF、GBDT、XGboost)等。
2.无监督学习模型:K-means聚类,密度聚类,层次聚类等
欢迎浏览思影的数据处理业务及课程介绍。(请直接点击下文文字即可浏览思影科技所有的课程,欢迎添加微信号siyingyxf或18983979082进行咨询,所有课程均开放报名,报名后我们会第一时间联系,并保留已报名学员名额):
数据处理业务介绍: