肺癌PET-CT影像组学的研究进展

肺癌是全世界发病率最高的恶性肿瘤,其死亡率逐年上升,严重威胁人类的生命和健康,准确诊断肺癌对制定合理的治疗方案具有重要意义。PET-CT影像组学高通量提取图像特征数据,量化分析深层次信息,建立肺癌精准诊断与疗效及预后评价的临床应用模型,有望成为指导肺癌患者个体化治疗的重要方法。本文就PET-CT影像组学在肺癌中的研究进展进行综述。     

影像组学在胰腺癌诊治中的应用进展

影像组学正在突破传统影像学评估肿瘤形态学和解剖学的局限性,应用大量的自动化数据特征算法,对医学图像中像素的分布信息进行数学分析,将感兴趣区域的影像数据转化为具有高分辨率的可发掘的特征空间数据,高通量获取一系列肉眼无法识别的量化参数,高保真地获得病变的整体信息,充分反映医学图像底层本质特征。近年来,影像组学在胰腺癌的早期诊断和鉴别诊断、病理特征的预测、新辅助治疗疗效评价、预后预测,甚至在相关基因分类中均取得了一定的成果。本文基于CT和MRI的影像组学在胰腺癌诊治中的应用进展进行综述。     

肝癌影像组学的临床应用：现状与展望

【摘要】影像组学从医学影像图像中挖掘高通量的定量图像特征，能够无创地、可重复地定量评估病灶，拓展了影像学检查在肝细胞癌的诊断、治疗和预后等方面临床实践中的指导价值。本文就近年来影像组学在肝细胞癌诊断与鉴别诊断、病理特征预测、疗效预测和预后评估中的研究进展予以综述。     

影像组学在肿瘤PET显像中的应用进展

影像组学可从医学图像中高通量地提取影像特征进行定量分析, 进而量化肿瘤异质性, 无创地评估肿瘤的生物学行为。近年来, 影像组学在核医学领域尤其是PET中的应用发展迅速。该文对基于PET的影像组学在肿瘤鉴别与预后评估方面的应用及面临挑战与前景进行论述, 以提高对PET影像组学的认识。     

CT与PET多模态影像组学在肺癌中的研究进展

CT与¹⁸F-脱氧葡萄糖(FDG)PET/CT已广泛应用于肺癌的诊断、疗效及预后评估和基因型的预测。影像组学高通量地提取病灶的定量图像特征，挖掘病灶的生物学信息，为临床诊断及治疗提供新的依据。目前，大量的研究结果表示PET或者CT影像组学，尤其是多模态的PET/CT影像组学对肺癌的各方面研究均具有重要意义。本文总结近年来CT及¹⁸F-FDG PET/CT影像组学在肺癌诊疗中的研究进展，并简要分析影像组学面临的挑战。     

影像组学在肿瘤PET显像中的应用进展

影像组学可从医学图像中高通量地提取影像特征进行定量分析,进而量化肿瘤异质性,无创地评估肿瘤的生物学行为。近年来,影像组学在核医学领域尤其是PET中的应用发展迅速。该文对基于PET的影像组学在肿瘤鉴别与预后评估方面的应用及面临挑战与前景进行论述,以提高对PET影像组学的认识。     

淋巴瘤18F－FDG PET/CT影像组学的应用及研究进展

18F-FDG PET/CT是诊断淋巴瘤最重要的检查方法之一, 其在淋巴瘤的诊断分期、疗效评估、预后预测及临床决策等方面发挥着重要作用。影像组学是一种利用复杂的生物信息学方法从医学图像中提取定量信息来表征肿瘤异质性的技术。18F-FDG PET/CT影像组学方法已应用于量化肿瘤内异质性, 在淋巴瘤的研究颇具潜力和价值。该文就18F-FDG PET/CT影像组学在淋巴瘤的应用及研究进展进行综述。     

影像组学在鼻咽癌中的研究

鼻咽癌是东南亚地区常见头颈部恶性肿瘤,早期诊断和合理治疗对预后情况极其重要.影像组学能从MRI、CT、PET等医学图像中高通量地提取影像学特征并建立预测模型,以辅助临床对疾病进行诊断与治疗.现就影像组学在鼻咽癌中研究进展作一综述.     

影像组学在神经系统非肿瘤性疾病中的应用及研究进展

影像组学作为高通量提取CT、MRI等医学影像放射学特征的一种新兴研究方法,通过量化病灶的异质性并进行定量分析,辅助了影像诊断及临床治疗决策,在临床工作中显示出巨大的应用潜能.目前,影像组学在神经系统主要集中在肿瘤病变研究,而对非肿瘤疾病研究较少.现对影像组学在神经系统非肿瘤病变中的临床应用、研究进展进行综述.     

18F-FDG PET/CT影像组学在非小细胞肺癌中的研究进展

18F-FDG PET/CT是肺癌诊断和分期的重要成像技术.随着医学影像技术和人工智能技术的不断发展和提高,影像组学在癌症中的诊疗展现出巨大的潜力.本文拟对影像组学的概念及流程、18F-FDG PET/CT影像组学在肺癌诊断、病理分型预测、基因突变及分子表型预测、预后预测中的研究进展进行综述.     

脑膜瘤的MRI影像组学应用进展

脑膜瘤是最常见的中枢系统肿瘤,常采用多种影像学检查进行诊断和鉴别诊断。MRI影像组学能够挖掘肉眼无法识别的影像学特征,量化肿瘤的异质性,可用于脑膜瘤术前分型分级、鉴别诊断、肿瘤侵袭性预测、预后评估等方面,辅助临床制定个性化治疗策略。就MRI影像组学在脑膜瘤中的应用进展进行综述。     

肾癌影像组学研究现状及展望

【摘要】影像组学是采用多种技术从图像中提取多种定量特征以提高图像诊断、预后预测准确性的一种技术。它可以和基因组学、代谢组学相结合。在肾细胞癌的诊断、生物学行为预测、治疗后评估中有巨大的临床应用潜能。现就对近五年影像组学在肾癌临床管理中的应用现状及未来发展做一综述,以协助未来肾细胞癌影像组学相关研究更好的发展。     

人工智能影像组学在肺癌诊疗应用的可视化分析

目的 分析人工智能影像组学在肺癌诊疗应用研究的发展现状，预测未来研究趋势。方法 通过CiteSpace软件对该领域文章的年度分布、期刊、国家、机构、作者、关键词等进行可视化分析。结果 共纳入1937篇相关文献，反映自2012年以来，发文量逐年增加；现阶段“特征筛选”、“定量成像”、“计算机辅助诊断”、“深度学习”、“机器学习”等词为该领域的热点关键词；“个体化治疗”、“肿瘤成像”、“自然语言处理”是未来的研究趋势。结论 人工智能影像组学在肺癌诊疗应用研究发展前景可观，未来通过自然语言处理等人工智能影像组学技术将肿瘤成像等资料进行全面分析，进而为肺癌患者提供更加精准的个体化医学治疗方案或许是该领域的研究热点及前沿。     

影像组学在甲状腺癌诊疗中的应用研究

随着影像检查技术及仪器、设备性能的不断提高,甲状腺结节检出日益增多,但传统影像诊断方法缺乏特异度,诊断准确率较低。机器学习可从大规模的医学图像中挖掘出大量高维定量影像特征,为结节的诊断、治疗及预后提供更多有价值的信息。就深度学习和影像组学在甲状腺癌的鉴别诊断,淋巴结转移、免疫组化指标、侵袭性及预后评估等方面的应用展开综述。     

影像组学在乳腺癌分子分型中的应用现状及研究进展

影像组学通过提取并分析不同成像中肿瘤的灰度直方图特征、形态特征等肉眼无法识别的特征以量化肿瘤异质性,目前已广泛应用于乳腺癌的诊断与鉴别诊断、生物学行为评价以及预后评估等方面,尤其在术前无创性评估乳腺癌的分子分型方面显示出极大的潜能。就影像组学在乳腺癌分子分型中的研究进展予以综述。     

影像组学术前预测结直肠癌淋巴血管侵犯的价值

目的 探讨影像组学在术前预测结直肠癌淋巴血管侵犯的价值.方法 回顾性分析201例行手术治疗的结直肠癌患者,从静脉期CT图像中提取影像组学特征,采用ANOVA、极端随机树及迭代筛选特征组件选取最有预测价值的影像组学特征,构建影像组学预测模型.联合多因素Logistic回归分析识别的独立危险因素构建临床-影像组学联合预测模...     

影像组学在胰腺癌诊断及评估中的应用进展

胰腺癌是恶性程度极高的消化道肿瘤,其准确定性、分型和分级对治疗方案的制订至关重要.影像组学可高通量地提取图像里的深层特征,定量肿瘤的异质性,为制订精准医疗决策提供依据.胰腺癌的影像组学研究基于不同的成像方法,提取图像中的2类特征,主要应用于肿瘤的诊断及鉴别、预测分子分型、评估疗效和判断预后等方面.就影像组学在胰腺癌中的...     

MRI影像组学在前列腺癌诊断及预后评估中的应用

【摘要】尽管多参数磁共振成像（multiparametric magnetic resonance imaging,mpMRI）在前列腺癌(prostate cancer,PCa）的诊断、分期、疗效评价及随访中发挥了重要作用,但仍存在假阳性率较高、观察者间一致性较差等不足。影像组学可从医学影像图像中挖掘高通量的定量影像特征,提高疾病诊断和预测效能。目前,前列腺MRI影像组学已广泛用于PCa的诊断与鉴别诊断、PCa侵袭性评估及预测生化复发等方面。本文就MRI影像组学在前列腺癌诊断及预后评估中的应用进展进行综述。     

EGFR突变与ALK重排型肺癌的影像组学研究进展

肺癌的治疗进入到针对表皮生长因子（EGFR）基因突变、间变性淋巴瘤激酶（ALK）基因重排等驱动基因的个体化分子靶向“精准”治疗的时代。影像组学在预测肺癌EGFR突变、ALK重排具有一定的价值。阐述有关EGFR突变和ALK重排肺癌靶向治疗的相关知识,对肺癌上述2种基因有关的影像组学表型特征的研究进展予以综述。     

基于磁共振动态增强的影像组学及深度学习在肺癌脊柱转移鉴别诊断中的应用

目的探讨基于动态增强磁共振成像(DCE-MRI)的影像组学及深度学习在肺癌脊柱转移鉴别诊断中的应用价值。方法回顾性分析61例确诊为脊柱转移患者的DCE-MRI,绘制感兴趣区域的时间-信号强度曲线,根据曲线定义3个参数,用区域增长算法对病灶进行标准化分割,通过影像组学提取分析3个DCE-MRI参数图的特征,用随机森林算法挑选出与鉴别疾病最相关的特征用于构建分类器进而进行诊断;研究包含2种深度学习算法,3个DCE-MRI参数图作为卷积神经元网络(CNN)的输入,将DCE-MRI每个层面的图像集视为一个时间序列,12层DCE图像作为卷积长短时间记忆(CLSTM)神经元网络的输入。结果影像组学诊断的准确率为0.71,CNN和CLSTM的平均诊断准确率分别为0.71、0.81。结论基于DCE-MRI的影像组学及深度学习在鉴别诊断肺癌脊柱转移方面具有可行性,可为临床诊断提供有价值的信息。