跳转至

第7章 放射组学：技术背景（Radiomics: Technical Background）

作者

  • Bettina Baessler, MD（通讯作者）— Institute of Diagnostic and Interventional Radiology, University Hospital Würzburg, Germany；同时挂职 University Hospital Zurich, Switzerland. 本书心脏放射组学的核心代表——Ch 12（患者选择）、Ch 28（心脏瓣膜）、Ch 31（心脏 CT 放射组学）的合著者。

本章是Part I 的"放射组学技术"专章——把 Ch 6 的"现代深度学习"扩展到"传统手工特征 + 经典 ML"的另一条 AI 路径。读者应理解 Ch 2 提到的"经典 ML vs 深度学习"的分歧。

内容概述

本章是放射组学（radiomics）的方法学综述——定义为"图像 = 数据"，从医学图像的像素/体素灰度分布中提取人工设计的、定量的、可重复的特征，然后用经典 ML 建立诊断/预后模型。核心论点：(1) 放射组学是 "高维手工特征 + 经典 ML" 的范式，与 Ch 6 的"端到端深度学习"是互补而非替代；(2) 完整工作流是6 步链：图像采集 → 分割 → 图像处理 → 特征提取 → 统计分析 → 预测建模；(3) 图像处理是放射组学的最大变数来源——像素间距重采样、灰度离散化、归一化、滤波等设置稍有不同，特征值就显著变化。IBSI（Image Biomarker Standardization Initiative, Zwanenburg 2016, 2020）是事实标准；(4) 特征分四大家族：① 形状（shape），② 强度直方图（intensity/histogram），③ 纹理（texture）——核心，包括 GLCM、GLRLM、GLSZM、GLDZM、NGTDM、NGLDM 六大矩阵，④ 基于模型（model-based）的纹理；(5) 心脏放射组学自 2017 年后论文数指数增长（2016 年 1 篇 → 2020 年 14 篇），应用包括心梗、肥厚型心肌病、心肌炎等。本章是 Ch 12、Ch 28、Ch 31 的方法学基础。

核心方程与概念

0. 几个量化表达

  • 灰度级数：\(b\) 位图像灰度范围 \([0, 2^b - 1]\)。CT 通常 12 bit（0-4095），MRI 12 bit，普通 X 线 8 bit（0-255）。
  • IBSI 标准化特征数：截至 2020 年，IBSI 文档定义了170+ 标准化放射组学特征的计算公式——所有严肃的放射组学研究应使用 IBSI 命名。
  • 直方图统计：均值 \(\mu = \frac{1}{N}\sum_i x_i\)，方差 \(\sigma^2 = \frac{1}{N}\sum_i (x_i - \mu)^2\)，偏度（skewness）\(\gamma_1 = \frac{\frac{1}{N}\sum_i (x_i - \mu)^3}{\sigma^3}\)，峰度（kurtosis）\(\gamma_2 = \frac{\frac{1}{N}\sum_i (x_i - \mu)^4}{\sigma^4} - 3\)。
  • 图像处理流程（IBIS 推荐）：interpolation → re-segmentation → intensity outlier filtering → discretization（binning）。

1. 放射组学工作流（6 步）

  • 图像采集 → 分割 → 图像处理 → 特征提取 → 数据分析 → 预测建模
  • 最关键的环节是"图像处理"——同一组数据，不同的 binning 选择可让特征值变化 30%+。

2. 图像分割（Image Segmentation）

  • ROI/VOI 定义：手动 / 半自动 / 全自动。心脏影像中常用整个心肌作为 VOI。
  • 观察者间偏差：手动分割受阅片者影响——必须在数据分析中报告。

3. 图像处理（Image Processing）—— 关键步骤

  • 插值到各向同性像素间距（isotropic voxel spacing）——大多数纹理特征旋转不变性的前提。
  • 范围重分割（Range Re-segmentation）：去除 ROI 内的灰度异常值（如 CT/PET 可设定 [-1000, 400] HU）。MRI 因强度单位无意义 → 用 intensity outlier filtering。
  • 强度离群值过滤：去除 ROI 内的极端灰度值。
  • 灰度离散化（Binning / Discretization）：把连续灰度分组为有限 bin（常用 32、64、128、256 bins）。核心参数：bin 宽度、bin 数量、bin 起始值。特征值对 bin 数量极其敏感。
  • 滤波：可对小波、高斯、Laplacian 等滤波后的图像再提取特征——增加特征维度。
  • IBSI 标准（Zwanenburg 2016, 2020）—— 所有设置应报告并遵守。

4. 四大家族放射组学特征

4.1 形状特征（Shape Features）

  • 几何描述：面积、体积、致密度（compactness）、球形度（sphericity）。
  • 应用：肿瘤形态（"毛刺状" → 侵袭性）。在心脏影像中目前应用极少——通常整个心肌作为 VOI，形态意义不大。

4.2 强度直方图特征（Intensity/Histogram Features）

  • 基本统计：均值、方差、偏度、峰度、中位数、min/max、百分位数（10th, 90th）、IQR、范围、变异系数、能量、RMS。
  • 强度-体积直方图（IVH）特征：VOI 在不同强度阈值上的体积分数——评估"增强程度"等。

4.3 纹理特征（Texture Features）—— 核心

核心思想：纹理特征量化像素/体素灰度的空间分布关系，反映组织同质性/异质性。例：纤维化心肌异质性高，纹理特征"高"；正常心肌均匀，纹理特征"低"。

  • GLCM（Grey-Level Co-occurrence Matrix, 灰度共生矩阵）："二阶直方图"——统计"在某方向上相距 \(d\) 的两个像素，灰度分别为 \(i\) 和 \(j\) 的概率"。2D 中 8 个方向，3D 中 26 个方向。从 GLCM 提取约 25 个特征（对比度、相关性、能量、熵等）。
  • GLRLM（Grey-Level Run Length Matrix, 灰度游程矩阵）：统计"灰度 \(i\) 连续出现 \(j\) 次"的长度——衡量同质性。约 16 个特征。
  • GLSZM（Grey-Level Size Zone Matrix, 灰度区域大小矩阵）：统计"灰度 \(i\) 的连通区域大小为 \(j\) 的数量"——衡量异质性。
  • GLDZM（Grey-Level Distance Zone Matrix）：灰度区域 + 距离信息。
  • NGTDM（Neighbourhood Grey Tone Difference Matrix）：每个像素与其邻域的灰度差——衡量粗糙度。
  • NGLDM（Neighbouring Grey-Level Dependence Matrix）：统计"中心像素灰度为 \(i\)、邻域灰度为 \(j\)"的频次。
  • 核心应用：心肌梗死（Baessler 2018）、肥厚型心肌病、急性心肌炎（Baessler 2018, 2019）的纹理分析能提供LVEF 等常规指标之外的诊断价值。

4.4 基于模型的特征（Model-based Features）

  • 分形分析（fractal analysis）：用分形维数（fractal dimension）量化"自相似性"。
  • 基于 Markov 随机场的纹理。

5. 特征选择与降维

  • 特征数 vs 样本数：放射组学常提取 100-1000+ 特征，但样本量常 < 500 → 维度灾难。
  • 降维方法：LASSO（\(L_1\) 正则化）、主成分分析（PCA）、互信息、最小冗余最大相关（mRMR）。
  • 经典 ML 模型：Logistic 回归、随机森林、SVM、Boosting（XGBoost, LightGBM）。深度学习本身也可做特征学习——这是与 Ch 6 DL 的桥梁。

6. IBSI 标准化（Image Biomarker Standardization Initiative）

  • Zwanenburg 等 2016, 2020 发布的国际共识。
  • 目标：让不同软件提取的"同一种特征"计算结果一致。
  • 核心要求：报告所有图像处理参数（像素间距、bin 宽度、bin 数量等）。

关键结论

  • 放射组学 ≠ 深度学习——它是"高维手工特征 + 经典 ML"的独立范式。在数据有限、领域知识强、需要可解释的场景中有优势。
  • 图像处理是变数的最大来源——bin 数量、像素间距、归一化方案的微小变化就能让"重现性"破坏。这是放射组学被批评的核心理由。
  • IBSI 标准化是质量基准——任何严肃的放射组学研究必须报告 IBSI 合规的参数。
  • 纹理特征是心脏放射组学的核心——心肌纤维化、浸润、水肿的"不可见"异质性，纹理特征能捕捉到。
  • 形状特征在心脏中价值有限——VOI 通常是整个心肌，形态变化不显著。
  • 特征维数远大于样本数——必须做降维（LASSO/PCA/mRMR），否则过拟合。
  • 心脏放射组学是新兴领域——2016 年 1 篇论文 → 2020 年 14 篇 → 预计未来 5-10 年指数增长。
  • 放射组学 + 深度学习的融合（"deep radiomics"）正在发生——用 CNN 自动学习特征，再做经典 ML 分类。

挑战和开放性问题

  • 重现性危机——同一数据，不同软件（Pyradiomics vs LIFEx vs IBEX）的特征值不一致。IBSI 旨在解决，但行业采纳缓慢。
  • 扫描仪/协议敏感——同一患者在 GE vs Siemens 扫描，纹理特征值显著不同。多中心泛化是最大挑战。
  • 观察者间分割变差——手动分割的 Dice 在不同观察者间 0.7-0.85，意味着特征值随分割变化 20-30%。自动化分割（Ch 6 的 U-Net）是出路但引入新偏倚。
  • 维度灾难——500 特征 + 200 样本 = 几乎必然过拟合。降维方法选择影响最终模型。
  • "特征组合" 的多重比较问题——100 个特征 + 1000 次检验 → 即使无信号也会出现"显著"结果。必须做多重检验校正（Bonferroni, FDR）。
  • P 值的"p-hacking"风险——放射组学论文常选择性报告"有显著意义的特征" → 发表偏倚严重。预注册 + 大样本验证是出路。
  • IBSI 标准与深度学习特征的兼容性——深度学习提取的特征（如 CNN 倒数第二层）无法被 IBSI 直接标准化——"深度放射组学"是新范式但缺标准。
  • 心脏放射组学的临床应用仍少——多数研究停留在"诊断 vs 正常"的二分类，临床决策支持需要更细的预后/治疗反应预测。
  • 与深度学习"端到端"对比——在大型数据集上 DL 通常优于放射组学，但在 < 500 样本小数据集上放射组学仍有优势（手工特征不易过拟合）。

个人反思与批判性分析

本章是放射组学领域最完整的方法学综述之一，是 Baessler 团队的心脏放射组学研究基础。但仍值得反思：

优势： - 工作流 6 步图清晰可作为项目启动清单。 - 图像处理的"4 个环节"（插值、范围重分割、离群值过滤、离散化）一一解释。 - 四大家族特征的明确分类和 IBSI 命名规范。 - GLCM 的 26 个方向（3D）、GLRLM 的"同质性"度量等细节——是其他教材少见的"深度"内容。 - 心脏放射组学的具体应用（心肌梗死、肥厚型心肌病、心肌炎）有引用支撑。 - IBSI 标准化作为事实标准反复强调。

批判与补足： 1. 缺少"深度学习与放射组学对比" 的实证基准——同一数据集上 CNN 端到端 vs 放射组学+经典 ML 的性能差距是多少？没有统一的 ImageNet 时刻——放射组学 + XGBoost 在很多任务上仍可与 CNN 媲美。 2. 缺"深度放射组学"（Deep Radiomics）——用 CNN 自动学习特征，再做经典 ML 分类——这是 2018 年以来的新趋势（Hosny 2018, Lao 2017）。本章完全没提。 3. 缺"特征稳定性"分析——ICC（intraclass correlation coefficient）评估同一患者不同次扫描的特征稳定性，是放射组学的关键质量指标。建议在每项研究前做 ICC 筛选。 4. 缺"临床决策曲线分析"（Decision Curve Analysis, Vickers 2006）——放射组学模型的临床效用最终要看"在不同阈值概率下净获益"，而不只是 AUC。 5. 缺"校准度"评估——放射组学模型常有过拟合的"高 AUC"，但校准度（Hosmer-Lemeshow 检验、校准曲线）常被忽视。AUC 高 ≠ 临床有用。 6. IBSI 标准对 LaTeX 写作时如何引用没提——按 IBSI 命名重命名所有特征是体力活。 7. "心脏放射组学 vs 心脏深度学习"的真实战场未明——Ch 31（心脏 CT 放射组学）vs Ch 33（CMR 深度学习）有重叠。读者应同时读两章理解两种范式的优劣。 8. 缺"开源工具"的具体推荐——PyRadiomics（van Griethuysen 2017）、LIFEx、IBEX、CERR 是常用工具。本章未提。PyRadiomics 是 IBSI 兼容的 Python 库，是事实标准。 9. 缺"小样本统计推断"的现代方法——放射组学样本量 100-500 是常态，传统 t 检验不适用。置换检验（permutation test）、自助法（bootstrap） 才是出路。 10. 缺"放射组学 + 病理组学（pathomics）+ 基因组学" 的多组学融合——这是"精准医疗"的真正前沿（部分在 Ch 8 涉及）。

给作者的问题： - 在 2022 年这个时间点，放射组学 vs 端到端深度学习，你的选择是基于什么？数据量 <500 时放射组学是否仍占优？ - 心脏放射组学的临床应用（vs 论文发表）你见过哪些真正的"医生在用"案例？ - IBSI 1.0（2016）和 2.0（2020）之间的差异对你的工作有实质影响吗？ - PyRadiomics 的"参考标准"地位在 2024 年后是否被撼动？有没有更新的工具？ - "深度放射组学"（CNN 特征 + 经典 ML）在你的实践中真的比"端到端 CNN"好吗？

值得复现的实践： - 用 PyRadiomics 提取一个小型胸部 CT 病灶的 GLCM/GLRLM 特征，验证不同 bin 数量对特征值的影响。 - 跑一个完整的"放射组学 + LASSO + Logistic 回归"分类任务（公开数据集如 LIDC-IDRI），用 10 折 CV 评估 AUC。 - 实现并比较：放射组学+SVM vs 端到端 ResNet50 在同一肺结节数据集上的性能。 - 用 ICC 评估同一患者两次扫描的"特征稳定性"，过滤掉 ICC<0.75 的不稳定特征。 - 跑一个"深度放射组学"实验：用预训练 ResNet50 倒数第二层（2048 维）特征 + XGBoost 分类。

重要参考文献

[X1] Zwanenburg A, Leger S, Vallières M, Löck S; IBSI Initiative. The Image Biomarker Standardisation Initiative. (IBSI 1.0, 2016). DOI: 10.1148/radiol.2020191145. (2016 标准) [X2] Zwanenburg A, et al. Update to the IBSI 1.0 standard. (IBSI 2.0, 2020). [X3] van Griethuysen JJM, Fedorov A, Parmar C, et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 2017;77(21):e104–7. DOI: 10.1158/0008-5472.CAN-17-0339. (PyRadiomics 论文) [X4] Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer. 2012;48(4):441–6. DOI: 10.1016/j.ejca.2011.11.036. (放射组学概念起源) [X5] Baessler B, Luecke C, Lurz J, et al. Cardiac MRI and texture analysis of myocardial T1 and T2 maps in acute myocarditis. Radiology. 2018;289(2):381–8. DOI: 10.1148/radiol.2018180411. [X6] Baessler B, Luecke C, Lurz J, et al. Cardiac T1 mapping and extracellular volume (ECV) maps in hypertrophic cardiomyopathy: texture analysis of myocardial T1 and ECV. Radiology. 2018;286(1):132–45. (肥厚型心肌病纹理分析) [X7] Baessler B, Mannil M, Oebel S, et al. Subacute and chronic left ventricular myocardial scar: accuracy of texture analysis on nonenhanced cine MR images. Radiology. 2018;286(1):154–62. (心肌瘢痕纹理) [X8] Haralick RM, Shanmugam K, Dinstein I. Textural features for image classification. IEEE Trans Syst Man Cybern. 1973;SMC-3(6):610–21. DOI: 10.1109/TSMC.1973.4309314. (GLCM 原始论文) [X9] van Timmeren JE, Cester D, Tanadini-Lang S, Alkadhi H, Baessler B. Radiomics how-to guide. (Radiomics 实践指南) [X10] Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016;278(2):563–77. DOI: 10.1148/radiol.2015151169. (放射组学口号原句) [X11] Aerts HJWL, Velazquez ER, Leijenaar RTH, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun. 2014;5:4006. DOI: 10.1038/ncomms5006. [X12] Vickers AJ, Elkin EB. Decision curve analysis: a novel method for evaluating prediction models. Med Decis Making. 2006;26(6):565–74. DOI: 10.1177/0272989X06295361. (DCA 临床效用评估)