1 相关综述

1. Radiomics the process and the challenges
2. Radiomics Extracting more information from medicalimages
3. Integrating pathomics with radiomics and genomics for cancer prognosis: A brief review
4. Decoding tumour plhenotype by noninvasive imaging using a quantitative radiomics approach
5. Using Quntiative Imaging for PersonalizcedMedicime in Pancreatic Cancetr.A Review of Radiomics and DeepLearning Applications
6. Radionic analyis forpretreatment prediction ofresponse to neoadjuvant ctemotlterapy in locally adtvanced cervicalcancer.A mulicentre study

2 发展历程

3 研究背景

首先，目前影像学的现状是对图像的解读主要依赖于专业人员的视觉评价，其结果多为描述性、主观性和非定量性，因此，客观、定量地评价医学图像具有迫切性。

其次，随着医疗影像设备软硬件的改善，医院数字化发展，影像储存及传输系统的方便、数学算法的改进以及计算机处理能力的提高，使得实现高通量的数字信息提取成为可能，为影像组学的诞生提供了现实基础和硬件支持。

最后，当前在大数据时化，医学研究与临床数据科学等新兴领域正在形成，多学科交叉的应用，使融合多种数据资源，实现个性化诊断和治疗，为医学影像组学提供了一种特殊的应用前景。

4 影像组学工作流程

高通量:通常要求计算具有:可行性、高效性、准确性、预测性。

5 临床应用

6 影像组学的问题及挑战

数据获取阶段:数据标准化和广泛性问题

影像分割阶段:分割的准确度和效率性问题

特征获取阶段:特征的可解释性和高通量获取的稳定性问题

数据分析阶段:特征筛选的高效性和模型建立的可解释性问题

模型泛化性:落地项目的易用性、生物学可解释性问题

7 发展趋势

1. 影像获取及标准化︰美国国立卫生研究院(National mitites of Health，NIH)和国家癌症研究院（(MatiomalCace lonsitue ,NCI通过与多个国家医疗机构合作，建立了标准化临床影像数据库，涵盖肺部、脑部、乳腺、前列腺等重要器官;
2. 高通量特征的稳定性:提升机器特征提取算法的准确率，同时可以采取机器和手工相结合的方法，降低机器获取特征的错误率;
3. 特征选择和建模:寻找使用广泛的特征选择和模式识别算法也是未来影像组学发展的趋势之一；
4. 多中心验证:一般我们针对单一机构的小样本探索，所得到的结果缺乏广泛验证，未来的影像组学需要多中心，大样本，随机对照的反复锤炼，这也是解决摸型泛化性不足的一个方案，也是未来研究的发展趋势；

---

咱不是搞这个的，就是一个入门级的汇报，了解一下即可！！

---