影像组学实战体系 · 第 3 卷 / 共 6 卷

把肿瘤边界转化为可重复的测量对象

本卷导读

围绕感兴趣区的定义、手动与自动分割、观察者间一致性、数据不平衡和多中心批次效应，建立从勾画到统计校正的完整质量链路。

知识结构

  1. 分割对象与勾画策略
  2. 观察者一致性与特征可重复性
  3. 数据不平衡与多中心校正
  4. 多中心研究的设计与优势

分割对象与勾画策略

分割不是简单的描边，而是对肿瘤空间异质性的操作化定义。毛刺、坏死、多个病灶与序列选择都会改变后续特征的含义。

在核磁共振（MRI）影像组学研究中，选择合适的MRI序列对于提取有意义的影像组学特征至关重要。

  1. 研究目标：首先，明确研究目标是非常重要的。不同的MRI序列可以提供不同类型的信息，因此需要根据研究目标和感兴趣的生物学现象来选择适当的MRI序列。

  2. 结构信息：若研究需要精确的解剖结构信息，可以选择使用T1加权（T1w）和T2加权（T2w）序列。T1加权图像在软组织对比上较好，而T2加权图像在水分含量较高的组织（如水肿、炎症）上的对比较好。3.功能信息：若研究关注生理功能信息，可以选择以下几种序列：

a) 动态悬浮物注射（DCE）：DCE-MRI 可以评估微血管的功能，如血流量、血管通透性等。这对于评估肿瘤的血管新生和治疗反应非常有用。

b) 动态血氧水平依赖性（BOLD）：BOLD-MRI 可以评估组织的血氧饱和度。在肿瘤研究中，BOLD-MRI 可以帮助评估肿瘤氧合状况，从而指导放疗计划。

c) 弥散加权成像（DWI）：DWI-MRI 可以反映组织内水分子的扩散程度。在肿瘤研究中，DWI 可以帮助评估肿瘤的细胞密度和细胞结构。并且，DWI-MRI 的衍生参数，如表观弥散系数（ADC），也被广泛用于研究肿瘤的治疗反应和预后。

d) 磁共振波谱成像（MRS）：MRS 可以提供关于组织内代谢物的信息。对于肿瘤和神经系统疾病研究来说，MRS 可以提供关于代谢变化的重要信息，有助于诊断和评估疾病进展。

  1. 多模态组合：在很多影像组学研究中，使用多种MRI序列的组合可以提供更全面的信息。例如，在肿瘤研究中，可以通过结合T1w、T2w、DWI和DCE-MRI等序列，从不同角度评估肿瘤的生物学特性。多模态组合可以提高影像组学特征的鉴别能力和预测准确性。

  2. 数据质量与可获取性：在选择MRI序列时，还需要考虑数据质量和可获取性。有些序列可能受到运动伪影、磁场不均匀等因素的影响，需要采取相应的校正措施。考虑到成本和时间限制，某些MRI序列可能不适用于大规模的影像组学研究。

  3. 标准化和可重复性：为了确保影像组学研究的可靠性，选择具有较高标准化和可重复性的MRI序列是非常重要的。这可以减少由于技术差异引起的影像组学特征的变异性。

合理的序列选择将有助于提取有意义的影像组学特征，从而提高研究的准确性和可靠性。在实际研究中，还需要密切关注MRI技术的发展和新的序列应用，以便更好地利用核磁共振影像组学进行临床研究。

医学影像的感兴趣区（Region of Interest，ROI）分割方法可以分为手动分割、半自动分割和自动分割。

  1. 3D Slicer：一款强大的开源医学影像处理软件，提供手动绘制ROI的功能。

  2. ITK-SNAP：一款专注于图像分割的开源软件，提供手动绘制ROI的功能。

  3. ImageJ/Fiji：一款广泛应用于生物医学影像处理的开源软件，支持手动绘制ROI。

  4. OsiriX：一款针对苹果操作系统的医学影像处理软件，提供手动绘制ROI的功能。

  5. 3D Slicer：除手动绘制外，还提供半自动分割功能，如阈值法、区域生长法等。

  6. ITK-SNAP：提供基于活动轮廓模型（Active Contour Model）的半自动分割功能。

  7. ImageJ/Fiji：通过安装插件支持半自动分割方法，如阈值法、区域生长法等。

  8. MIPAV (Medical Image Processing, Analysis, and Visualization)：一款医学图像处理软件，提供一些半自动分割算法，如区域生长法、水平集法等。

  9. 自动分割工具：自动分割工具完全依赖于算法来提取ROI，无需用户提供任何手动输入。这类工具通常基于图像处理算法或机器学习/深度学习方法。

  10. U-Net：一种基于深度学习的分割网络，广泛应用于医学影像分割任务。

  11. V-Net：类似于U-Net，但针对3D图像进行了优化。

  12. DeepMedic：一个基于3D卷积神经网络的自动分割框架，适用于多模态医学影像分割。

  13. 3D Slicer和ImageJ/Fiji：这些软件也提供了一些基于图像处理算法的自动分割功能，如阈值分割、区域生长等。

自动分割方法通常需要针对特定的应用进行训练和调整，因此可能需要专门的技能和计算资源。手动和半自动分割方法通常更适用于个别病例或小规模研究，而自动分割方法更适用于大规模数据集的处理。

在影像组学研究中，如果有多个感兴趣区（ROI），可以采用以下几种方法处理：

  1. 分开处理：对每个感兴趣区分别进行特征提取，然后在每个感兴趣区上分别建立预测模型。这种方法可以用于研究不同感兴趣区之间的异质性，或者评估不同区域的特征在预测性能上的差异。

  2. 融合处理：将所有感兴趣区的特征融合成一个特征向量，然后基于融合的特征向量建立预测模型。这种方法可以用于研究多个感兴趣区综合特征对预测性能的影响。

  3. 统计处理：计算每个感兴趣区的特征，然后对这些特征进行统计分析（例如计算平均值、标准差等），并基于统计结果建立预测模型。这种方法可以用于研究多个感兴趣区的特征分布对预测性能的影响。

  4. 多级预测模型：首先，在每个感兴趣区上分别建立预测模型；然后，将这些模型的输出结果作为输入，构建一个高级预测模型。这种方法可以用于研究多个感兴趣区之间的相互作用对预测性能的影响。

  5. 保持一致性：在提取特征时，要确保所有感兴趣区的预处理和特征提取参数保持一致，以便进行有效的比较和分析。

  6. 评估模型性能：在建立预测模型时，要对模型的性能进行评估，例如通过交叉验证、训练集、验证集和测试集等方法。

  7. 避免过拟合：当有多个感兴趣区时，可能会提取大量特征，这可能导致过拟合。为避免过拟合，可以采用特征选择、降维或正则化等方法。

  8. 注意解释性：在研究多个感兴趣区时，要关注结果的解释性，以便理解不同区域对预测性能的影响。

在进行肺结节影像组学研究时，是否需要勾画毛刺样改变取决于研究目的和具体实验设计。毛刺样改变可能是肺结节恶性征象的一个重要指标，因此在进行影像分析时，包括毛刺样改变在内可能有助于更准确地评估肺结节的性质。

然而，在某些情况下，为了降低分析复杂性或者减少人工标注误差，研究者可能会选择仅勾画肺结节的主要区域，而不包括毛刺样改变。具体操作需要根据实际研究目标和实验设计进行决策。

如果您对肺结节的毛刺样改变特征感兴趣，或者认为这些特征可能对您的研究结果产生重要影响，那么在进行影像组学研究时应该考虑将毛刺样改变纳入勾画范围。为了保持一致性和减少标注差异，可以在实验设计阶段为参与者提供详细的指南，明确勾画毛刺样改变的要求。使用多位评估者进行独立标注，并计算其一致性指标，可以进一步提高勾画结果的可靠性。

观察者一致性与特征可重复性

同一病灶由不同医师勾画，或同一医师重复勾画，都会产生几何差异。ICC、Dice 与 Hausdorff距离分别回答不同层面的一致性问题。

在影像组学过程中，验证不同医生勾画的感兴趣区（Region of Interest，ROI）的一致性是非常重要的，因为ROI的一致性会影响到特征提取和模型训练的准确性。

  1. 交叠指数（Overlap Index，OI）：交叠指数衡量了两个ROI的重叠程度，其定义为两个ROI交集与并集之比。OI的取值范围为0到1，值越大表示一致性越高。可以计算不同医生勾画的ROI之间的OI值，以评估一致性

  2. Dice相似系数（Dice Similarity Coefficient，DSC）：DSC是另一种衡量ROI一致性的指标，其定义为两个ROI交集的两倍与两个ROI的大小之和之比。DSC的取值范围也是0到1，值越大表示一致性越高。

  3. Hausdorff距离（Hausdorff Distance，HD）：Hausdorff距离衡量了两个ROI边界点之间的最大距离。较小的HD值表示两个ROI的边界更接近，一致性较高。HD对离群点较敏感，可能受到极端值的影响。

  4. 平均表面距离（Mean Surface Distance，MSD）：MSD计算了两个ROI边界上所有点之间的平均距离。较小的MSD值表示两个ROI的边界更接近，一致性较高。

在实际应用中，可能需要综合多种指标来评估不同医生勾画的ROI的一致性，并与临床专家进行讨论以确定合适的阈值。可以通过培训和指导医生遵循统一的标准和规范来提高ROI勾画的一致性。

  1. 评估特征稳定性：对于每个ROI，基于不同医生勾画的ROI提取相应的影像组学特征，并计算这些特征值之间的相关性。较高的相关性表示特征提取具有较好的一致性。常用的相关性度量方法有皮尔逊相关系数、斯皮尔曼相关系数和肯德尔相关系数等。

  2. 重复性评估：邀请同一医生在不同时间或不同条件下对相同的ROI进行勾画，并提取相应的影像组学特征。计算这些特征值之间的相关性，以评估特征提取的重复性。较高的相关性表示特征提取过程具有较好的重复性。

  3. 分析特征重要性：在机器学习模型训练过程中，可以计算每个特征的重要性得分。若基于不同医生勾画的ROI提取的影像组学特征具有相似的重要性得分，表明特征提取的一致性较好。

  4. 模型泛化性能：使用基于不同医生勾画的ROI提取的影像组学特征分别训练机器学习模型，并评估这些模型在独立测试集上的性能。若这些模型具有相似的泛化性能，则说明特征提取的一致性较好。

  5. 统计显著性检验：对不同医生勾画的ROI提取的影像组学特征进行配对样本t检验或Wilcoxon符号秩检验等非参数检验。若检验结果无显著差异，则表明特征提取的一致性较好。

不同特征可能具有不同的稳定性和重复性，因此在特征选择过程中，应优先考虑具有较好一致性的特征。并且，通过提高ROI勾画的一致性，可以间接提高影像组学特征提取的一致性。

数据不平衡与多中心校正

类别不平衡会改变阈值与评价指标，多中心差异则同时作用于图像、设备和人群。重采样、加权、分层抽样与 ComBat 需要与验证设计一起考虑。

当正负样本（如治疗敏感 vs 耐药、罕见突变阳性 vs 野生型）存在显著类别不平衡（Class Imbalance）时，直接训练分类器会导致决策边界向多数类偏移，出现高总体准确率但少数类召回率（Sensitivity）极低的现象。工程上可从四个层面协同处置：（1）算法代价敏感学习：在 LogisticRegression、SVM、RandomForest 中设置class_weight='balanced'，或在 XGBoost 中配置 scale_pos_weight；（2）特征空间重采样：仅在训练集内部采用 SMOTE、ADASYN 合成少数类样本或采用欠采样/EasyEnsemble 策略（严禁对验证集/测试集重采样以防数据泄漏）；（3）决策阈值寻优：基于验证集最大化约登指数（Youden Index = Sensitivity + Specificity - 1）或 F1-score 动态校准分类截断值；（4）采用对类别不平衡稳健的评价指标（PR-AUC、MCC、G-mean、平衡准确率 Balanced Accuracy）。

在影像组学中，数据不平衡是一个常见的问题，即不同类别的样本数量不相等。这可能导致机器学习模型在训练过程中对较多的类别过度拟合，从而降低模型对较少类别的预测性能。

  1. 重采样：可以通过对较少类别的样本进行过采样（如随机过采样、SMOTE等）或对较多类别的样本进行欠采样（如随机欠采样、Tomek Links等），使各类别样本数量接近平衡。然而，过采样可能导致过拟合，而欠采样可能导致信息丢失。

  2. 数据增强：对较少类别的样本进行数据增强，如旋转、平移、翻转、缩放等，以生成新的训练样本。这种方法可以在一定程度上提高模型的泛化性能，但可能需要更多的计算资源。

  3. 修改损失函数：调整损失函数，为较少类别的样本分配较大的权重，使模型在训练过程中更关注这些样本。例如，在二分类问题中，可以使用加权交叉熵损失函数；在多分类问题中，可以使用加权多分类交叉熵损失函数。

  4. 集成学习：使用集成学习方法，如Bagging和Boosting，可以在一定程度上缓解数据不平衡问题。例如，可以通过自助采样（Bootstrap sampling）生成多个平衡的子数据集，并用这些子数据集训练多个基分类器，然后将它们的预测结果进行投票或平均。

  5. 使用评估指标：选择对数据不平衡敏感的评估指标，如准确率、召回率、F1分数、Matthews相关系数（MCC）等，以便更准确地评估模型在各类别上的性能。

  6. 迁移学习：如果有类似的大型平衡数据集，可以使用迁移学习方法，先在这个数据集上预训练模型，然后在目标数据集上进行微调。这可以有效利用大型数据集的信息，提高模型在较少类别上的泛化性能。

在处理影像组学中的数据不平衡问题时，可能需要尝试多种方法并结合实际情况选择合适的策略。

多中心影像组学研究中，不同中心的影像数据可能因为设备、扫描参数和数据处理流程等因素而存在差异。为了降低这些差异，可以采取以下措施：

1，扫描协议统一：尽量确保不同中心使用相同的扫描协议，包括设备型号、磁场强度、扫描序列、分辨率等。统一的扫描协议可以减少因设备和参数不同造成的影像差异。

2，影像预处理：对原始影像进行预处理，包括去噪、标准化、强度归一化等操作。这些预处理步骤可以消除不同扫描设备和参数导致的影像差异，使得影像数据更具可比性。

3，影像重采样：对影像数据进行重采样，以使得所有数据具有相同的空间分辨率。这一步骤有助于统一不同中心数据的空间分辨率，以便后续的特征提取和分析。

4，批量效应校正：在特征提取之后，可以采用批量效应校正方法，如 ComBat 算法，消除不同中心数据之间的系统性差异。这可以进一步降低不同中心数据的差异，提高多中心研究的可靠性。

5，模型训练与验证：在训练和验证模型时，确保不同中心的数据在训练集、验证集和测试集中都有代表性。这可以帮助评估模型在不同中心数据上的泛化能力，提高模型的鲁棒性。

6，外部验证：在多中心研究中，可以使用一个或多个独立的外部数据集进行验证。这有助于评估模型在不同中心数据上的适用性和泛化能力。

通过采取这些措施，可以降低多中心影像组学研究中不同中心影像数据的差异，提高研究的可靠性和准确性。

多中心研究的设计与优势

多中心研究的价值不只是增加样本量，更在于检验结论能否跨设备、跨人群复现。中心间差异必须在训练阶段显式建模。

影像组学多中心研究是指在多个不同的研究中心或机构收集和分析影像数据的研究。在这类研究中，各个参与机构共享数据、资源和技术，共同开展影像组学的研究项目。

  1. 更大的样本量：多中心研究可以收集到更多的病例和样本，这有助于提高研究的统计力，使研究结果更具说服力和泛化性。

  2. 数据多样性：多中心研究可以收集到不同种族、年龄、性别和病程的病例，增加了数据的多样性。这有助于研究者更好地理解影像组学特征在不同人群中的表现，并有可能发现新的生物学现象。

  3. 促进跨机构技术交流与方法学协同：多中心合作有助于整合不同医学中心与工程团队的临床专长与算法算力资源，推动统一标注规范与质控体系的建立。

  4. 克服设备差异：在多中心研究中，由于使用了来自不同中心的数据，可以研究和解决由于设备差异（如不同厂商、扫描参数等）导致的影像数据差异。这有助于提高模型的泛化能力和鲁棒性。

  5. 更广泛的应用场景：多中心研究可以验证影像组学方法在不同临床环境中的应用价值，从而推动影像组学的临床转化。

通过多中心研究，可以提高影像组学研究的质量和影响力，为临床实践提供更有价值的指导。

— 感谢阅读 —
# 影像组学

一起交流

分享你的思考，让讨论更进一步。