微精选

影像组学是一个新兴的、跨学科的研究领域。它通过从医学影像（如CT、MRI、PET等）中高通量地提取大量定量的、人眼难以识别的特征，并利用数据分析方法，来构建用于疾病诊断、预后预测和治疗效果评估的模型。

一个标准的影像组学流程包括以下步骤，每个步骤都有其核心术语：

• ROI (Region of Interest)：感兴趣区域。指在图像上圈定的、我们要分析的目标区域，比如一个肿瘤。

• VOI (Volume of Interest)：感兴趣体积。因为CT/MRI是三维的，所以VOI就是一个三维的ROI，代表整个肿瘤的体积。

• 分割：指勾画出ROI/VOI的过程。这可以是医生手动完成，也可以由AI算法自动或半自动完成。分割的准确性至关重要，是后续所有分析的基础。

这是影像组学的核心。从分割好的ROI/VOI中，可以提取出上百到上千个量化特征。它们主要分为以下几类：

• 形态特征：描述目标的几何属性。

• 例如：体积、表面积、表面积体积比、球形度。

• 一阶统计特征：描述区域内像素值的分布统计，不涉及空间关系。

• 例如：均值、标准差、偏度、峰度、熵。

• 纹理特征：描述像素强度的空间分布与相互关系，是量化异质性的关键。

• GLCM：通过像素对的空间共现性来量化纹理。

• GLRLM：关注连续相同像素值的游程长度。

• GLSZM：关注二维连通区域的大小分布。

• 从这些矩阵中衍生出诸多特征，如对比度、能量、同质性、短游程重点等。

• 高阶特征：通过滤波或变换获取的更复杂特征。

• 例如：小波特征、分形特征。它们通过对图像进行更复杂的数学变换来提取更深层次的信息。

• 降维：由于提取的特征数量庞大且很多是冗余的，需要使用算法（如主成分分析PCA、LASSO）筛选出最有价值的特征。

• 机器学习模型：使用筛选后的特征来训练分类器或预测模型，如支持向量机、随机森林、逻辑回归、深度学习等。

• 训练集 / 测试集：为了评估模型的泛化能力，数据会被分为训练集（用于构建模型）和测试集（用于评估模型在新数据上的表现）。

• ROC曲线与AUC值：受试者工作特征曲线 和 曲线下面积。是评价模型性能的常用指标。AUC值越接近1，说明模型的区分能力越好。

• 一站式：将碎片化的工具和流程整合到一个统一的平台中，降低了研究者的技术门槛。

• 模块化：每个步骤（如特征提取、筛选、建模）都相对独立，用户可以根据研究需求灵活定制分析流程。

• 自动化：提供了大量自动化工具（尤其是“OKT-”工具箱），减少了人工操作，提高了研究效率和可重复性。

• 前沿性：紧密跟进AI研究前沿，深度融合了影像组学与深度学习，生境分析多组学等，并提供了可解释性AI和自监督学习等先进功能。

• 临床导向：最终产出物（如Nomogram, DCA曲线）紧密贴合临床医生的思维习惯，致力于推动AI模型从论文向临床实际应用转化。

1. comp1-传统组学，传统组学流程，pyradiomics，Spearman相关系数，lasso，svm、lr模型，然后绘制roc曲

线。

2. comp2-结构化数据，对于提取好的特征，或者临床数据使⽤的组件。

3. comp3-融合，算法/模型融合模块，常⻅的前融合，后融合-ensemble、后融合-stacking组件。

4. comp4-What，深度学习做What任务（分类），包括2d、3d数据的特征抽取，2d、3d模型迁移学习分类模型。

5. comp5-Which，深度学习做Which任务（分割），包括2d、3d数据的ROI区域⾃动勾画模型。

6. comp6-可视化，SHAP、特征重要性，Grad-CAM等组件

7. comp7-survival，⽣存分析模块，包括KM、HR、Cox回归以及Nomogram模块。

8. comp8-Modules，⼩的模块，包括ICC、汇总、统计等。

9. comp9-sol，解决⽅案模块，集成了⽬前论⽂中常⻅技术的解决⽅案，直接⽣成论⽂描述

     1. sol1，单中⼼，⼆分类，配合临床数据整体解决⽅案。

     2. sol2，多中⼼，⼆分类，配合临床数据整体解决⽅案。

…

所有的【点我运⾏】之后，选择⾃⼰想要实现的组件运⾏即可。

1. OKT-update，Onekey软件更新程序。（如果更新失败请在论坛下载最新）

2. OKT-crop2path，将病理切⽚切分成⼩patch。

3. OKT-crop_max_roi，功能⼗分强⼤的crop ROI⼯具。

4. OKT-convert2nii，将指定⽬录所有可以转化成nii的数据都转化成nii的数据格式。

5. OKT-convert2jpg，将指定⽬录下所有可以转化为jpg的数据全部转化成jpg数据。

6. OKT-convertjpg2nii，将指定⽬录下所有的jpg转化成nii数据。

7. OKT-convert_geojson2mask，应⽤与qupath标注好的数据，进⾏image-mask数据转化。

8. OKT-convert_rtstruct2nii，将RTstruct数据转化成标注数据。

9. OKT-crop_WSI2patch，将WSI病理数据转化成patch。数据格式包括ndpi和svs。

10. OKT-resample，3d数据采样，将所有的数据进⾏体素归⼀。

11. OKT-standardize，数据标准化，裁剪掉制定范围之外的数据。

12. OKT-fix_spacing，接近 Image/Mask miss matching的问题。

13. OKT-gen_probably_map，⽣成病理数据的概率图和预测结果图。

14. OKT-crop_video_frame，将视频数据进⾏抽取关键帧。

（Radiology，IF=15.2）祝贺同学Q1见刊：基于微生物组与多时序MRI的融合模型，实现乳腺癌疗效精准术前预测

（IF：14.3）热烈恭喜中科院一区见刊：纵向MRI驱动的多模态方法预测乳腺癌的病理完全反应和B细胞浸润

（2.5D+多分类）IF=7.9,祝贺同学中科院一期见刊：基于术前CT图像2.5D放射组学数据的T1N0胃癌深度学习诊断模型开发

祝贺同学academic radiology中科院二区见刊：生境+1mm，3mm，5mm瘤周+SHAP可解释性做直肠癌转移预测

（2D+3D+SHAP）祝贺同学JCR一区见刊，IF=8.6：可解释多模态深度学习模型预测原发性前列腺癌术后国际泌尿病理学会分级