影像組學基礎

系統介紹了影像組學的發展歷程、基本概念、關鍵技術和軟體平臺，並對影像組學在輔助疾病診療和療效評估兩個方面的典型應用進行了詳細分析。此外，還探討了影像組學研究的基本範式，並對目前影像組學研究存在的潛在問題進行了總結，對未來影像組學的發展趨勢進行了展望。

序一
PREFACE　1
序二
PREFACE　2
序三
PREFACE　3
前言
第1章　緒論　1
1.1　醫學影像的背景　1
1.2　影像組學的概念　3
1.3　影像組學的價值　4
1.4　影像組學分析方法概述　5
1.4.1　醫學影像採集　6
1.4.2　腫瘤區域分割　7
1.4.3　腫瘤影像表型　7
1.4.4　腫瘤臨床預測　9
1.4.5　人工智慧新技術　10
1.5　影像組學的臨床應用前景　11
參考文獻　11

第2章　影像組學的關鍵技術及軟體平臺　14
2.1　腫瘤檢測　14
2.1.1　數據預處理　14
2.1.2　候選結節檢測　15
2.2　圖像配准　17
2.2.1　基於空間區域加權的相關比測度的彈性配准　17
2.2.2　基於無監督網路的腦磁共振圖像形變配准　21
2.2.3　基於無監督對抗相似度判別網路的圖像形變配准　24
2.3　腫瘤圖像分割　28
2.3.1　基於卷積神經網路的腦腫瘤分割　28
2.3.2　基於MV-CNN的肺結節分割演算法　29
2.3.3　基於中心池化卷積神經網路的肺結節分割　33
2.3.4　基於全卷積網路的腫瘤分割方法　40
2.4　基於知識的醫學圖像分割方法　41
2.4.1　融入先驗資訊的深度學習模型　41
2.4.2　基於活動輪廓線模型的醫學圖像分割方法　43
2.4.3　融入解剖學和成像知識的圖像分割與Bias校正的數學模型　45
2.5　醫學資料視覺化　46
2.5.1　多模態醫學圖像視覺化　48
2.5.2　視覺化工具包　51
2.6　特徵提取　52
2.6.1　人工設計的特徵　52
2.6.2　深度學習特徵　53
2.7　特徵選擇與降維　54
2.7.1　傳統線性降維　55
2.7.2　基於特徵選擇的降維方法　56
2.7.3　基於模型與正則化的特徵選擇　57
2.8　模型構建　62
2.8.1　線性回歸模型　63
2.8.2　線性分類模型　66
2.8.3　樹模型　69
2.8.4　自我調整提升模型　70
2.8.5　模型選擇　72
2.8.6　卷積神經網路　73
2.8.7　遷移學習　77
2.8.8　半監督學習　80
2.9　影像組學品質評估體系　84
2.10　影像組學軟體平臺　86
2.10.1　Radlomlcs 軟體　86
2.10.2　Pyradlomlcs影像組學演算法庫　87
參考文獻　96

第3章　影像組學在輔助診斷中的應用　101
3.1　影像組學在腫瘤鑒別診斷與分期中的應用　103
3.1.1　腫瘤良惡性鑒別　103
3.1.2　腫瘤淋巴結轉移預測　110
3.1.3　腫瘤遠處轉移預測　129
3.1.4　腫瘤其他分期診斷　139
3.2　影像組學在腫瘤分子分型中的應用　146
3.2.1　腫瘤病理亞型預測　146
3.2.2　腫瘤分子分型預測　158
3.3　影像組學在其他疾病診斷中的應用　175
3.3.1　肝纖維化分期診斷　175
3.3.2　冠狀動脈斑塊診斷　181
3.3.3　胎兒21-三體綜合征診斷　185
3.3.4　新冠肺炎診斷　189
參考文獻　200

第4章　影像組學在療效評估和預後預測中的應用　209
4.1　影像組學在腫瘤療效評估中的應用　209
4.1.1　放化療的療效評估　209
4.1.2　靶向治療的療效評估　212
4.1.3　介入治療的療效評估　220
4.1.4　新輔助治療的療效評估　225
4.1.5　治療方案的選擇與療效評估　229
4.2　影像組學在腫瘤預後預測中的應用　242
4.2.1　腫瘤復發的預測　243
4.2.2　腫瘤生存期預測　254
參考文獻　262

第5章　總結和展望　272
5.1　總結　272
5.2　展望　273
5.2.1　影像組學的臨床應用前景　274
5.2.2　制訂研究規範　275
5.2.3　醫學大資料基礎　275
5.2.4　病灶分割演算法　276
5.2.5　實驗的可重複性　276
5.3　結語　277
參考文獻　277