Definizione
- La radiomica si riferisce all'utilizzo di una serie di "caratteristiche" (features) estratte da un'area specifica chiamata Region of Interest (ROI) all'interno di un'immagine radiologica
- Queste features radiomiche sono indicatori numerici che forniscono informazioni su
- gradazione di grigio
- texture
- presenza di configurazioni o strutture particolari nella ROI
- Queste features radiomiche sono indicatori numerici che forniscono informazioni su
- Gli obiettivi principali dell'analisi radiomica sono:
- Rendere l'interpretazione dell'immagine più oggettiva nel suo complesso
- Aiutare il medico radiologo nell'individuazione di pattern nell'immagine che potrebbero non essere visibili a occhio nudo
- Le caratteristiche radiomiche sono suddivise in diverse classi:
- feature di primo ordine
- ricavate a partire dall'istogramma che descrive la distribuzione dei valori di grigio all'interno della lesione
- feature di ordine superiore
- feature di primo ordine
Features di primo ordine
- Alcune delle principali feature di primo ordine includono
- media
- mediana
- deviazione standard
- valore minimo
- valore massimo
- entropia
- energia
- skewness
- kurtosis
Features di secondo ordine e oridini superiori
- Le feature di ordine superiore includono
- descrittori di contrasto
- ordine
- statistici
- altri che analizzano le relazioni tra i livelli di grigio nell'immagine
Grey Level Co-occurrence Matrix
- La Matrice di Co-occorrenza dei Livelli di Grigio, comunemente abbreviata come GLCM, è una rappresentazione matriciale delle frequenze con cui ciascun livello di grigio appare accanto ad altri a una distanza specifica, nota come offset.
- L'offset può essere 1, che rappresenta gli elementi immediatamente adiacenti, o maggiore di 1 per considerare elementi più distanti.
- Questa matrice viene calcolata per tutte le direzioni nello spazio 2D o 3D, escludendo direzioni opposte poiché producono risultati identici.
- È possibile ottenere descrittori individuali per ciascuna direzione o combinare i dati da tutte le direzioni.
- Ai bordi dell'immagine, dove non è possibile trovare un elemento adiacente a causa dell'offset scelto, gli elementi vengono esclusi dall'analisi.
- Dalla GLCM ottenuta è possibile estrarre vari descrittori.
- Gruppo del Contrasto
- Contrasto (Somma delle Varianze Quadratiche o Inerzia):
- Riflette la differenza tra coppie di valori nella Matrice di Co-occorrenza dei Livelli di Grigio.
- Calcolato sommando il prodotto di ciascun elemento della matrice per il quadrato della differenza tra le due coordinate a cui l'elemento si riferisce.
- Solo i valori al di fuori della diagonale contribuiscono al risultato poiché i valori sulla diagonale rappresentano coppie di valori identici, quindi non contribuiscono al contrasto.
- Dissimilarità:
- Riflette quanto le coppie di valori differiscono tra loro nella Matrice di Co-occorrenza dei Livelli di Grigio.
- Calcolato sommando il prodotto di ciascun elemento della matrice per il valore assoluto della differenza tra le due coordinate dell'elemento.
- Omogeneità:
- Indica quanto le coppie di valori siano simili nella Matrice di Co-occorrenza dei Livelli di Grigio.
- La formula prevede la somma di ciascun elemento della matrice diviso per la somma del quadrato della differenza tra le due coordinate dell'elemento e uno.
- Maggiore è l'omogeneità quando le coppie di valori sono simili.
- Contrasto (Somma delle Varianze Quadratiche o Inerzia):
- Descrittori legati all'ordine
- Momento Angolare o ASM (Auto-Correlation):
- Questo indice riflette quanto le coppie di valori sono rappresentate in modo ordinato nella matrice.
- È calcolato sommando i singoli elementi della matrice elevati al quadrato.
- L'ASM aumenta all'aumentare dell'ordine e indica la correlazione degli elementi nella matrice.
- Energia (Energy):
- L'energia è una radice quadrata del momento angolare e si comporta in modo simile al momento angolare.
- Spesso è preferita all'ASM perché è più intuitiva e interpretabile.
- Entropia (Entropy):
- Questo indice riflette il grado di disordine tra le coppie di valori nella matrice.
- È calcolato sommando i singoli elementi della matrice moltiplicati per il logaritmo naturale del valore stesso, moltiplicato per -1.
- L'entropia aumenta all'aumentare del disordine tra le coppie di valori, indicando una minore regolarità nella distribuzione dei livelli di grigio nella matrice.
- Momento Angolare o ASM (Auto-Correlation):
- Descrittori statistici della GLCM
- Media:
- La media rappresenta la media aritmetica di tutti gli elementi presenti nella Matrice di Co-occorrenza dei Livelli di Grigio.
- Questo descrittore fornisce una stima della luminosità media dell'immagine.
- Deviazione Standard:
- La deviazione standard misura quanto la frequenza delle coppie di valori nella matrice è disomogenea o varia nell'immagine.
- Una deviazione standard più alta indica una maggiore variazione nei livelli di grigio.
- Correlazione:
- La correlazione misura quanto i valori degli elementi delle coppie nella matrice sono correlati linearmente fra loro.
- Una correlazione positiva indica una relazione lineare positiva tra i valori, mentre una correlazione negativa indica una relazione lineare negativa.
- Questo descrittore può essere utile per rilevare pattern o strutture nell'immagine.
- Media:
- Gruppo del Contrasto
Neighborhood Grey-Level Difference Matrix
- La Matrice delle differenze dei livelli di grigio negli elementi vicini descrive le differenze tra ogni elemento dell'immagine e quelli immediatamente confinanti.
- Per un'immagine 2D, considera gli 8 elementi attorno a un pixel. Per un'immagine 3D, considera i 26 voxel adiacenti a un elemento.
- Da questa matrice è possibile estrarre i seguenti tre descrittori:
- Grossolanità:
- Questo descrittore riflette come variano i cambiamenti di intensità dei livelli di grigio nello spazio.
- Una grossolanità maggiore indica una maggiore variabilità delle differenze tra i livelli di grigio nelle regioni dell'immagine.
- Contrasto:
- L'indice di contrasto misura quanto differiscono tra loro i livelli di grigio nelle regioni vicine.
- Un alto valore di contrasto indica una netta differenza tra le intensità dei grigi nelle aree circostanti.
- Attività:
- L'attività è proporzionale alla frequenza spaziale dei cambiamenti di intensità dei livelli di grigio.
- Questo descrittore riflette la quantità di cambiamenti di intensità nell'immagine, con un valore più alto che indica una maggiore variabilità spaziale nei livelli di grigio.
- Grossolanità:
Grey-Level Run Length Matrix
- Rappresenta le diverse intensità di grigio lungo un asse e le possibili lunghezze delle "run" lungo un'altro asse.
- Una "run" rappresenta la presenza di elementi nell'immagine con la stessa intensità di grigio disposti uno dopo l'altro.
- La GLRLM riflette con quale frequenza nell'immagine è possibile osservare "file" di elementi con una certa lunghezza e una certa intensità.
- È spesso utilizzata per lo studio dei parenchimi.
- Da questa matrice è possibile estrarre vari descrittori:
- Short-Run Emphasis (SRE) e Long-Run Emphasis (LRE):
- SRE descrive la presenza nelle immagini di "run" corte.
- LRE descrive la presenza di "run" lunghe.
- Questi descrittori indicano quanto le run corte o lunghe siano evidenti nell'immagine.
- Low Gray-level Run Emphasis (LGRE) e High Gray-level Run Emphasis (HGRE):
- LGRE descrive la presenza di "run" con intensità di grigio basse.
- HGRE descrive la presenza di "run" con intensità di grigio alte.
- Questi descrittori riflettono la frequenza di run poco o molto intense nell'immagine.
- Short-Run Low Gray-level Emphasis (SRLGE), Short-Run High Gray-level Emphasis (SRHGE), Long-Run Low Gray-level Emphasis (LRLGE) e Long-Run High Gray-level Emphasis (LRHGE):
- Questi descrittori sono combinazioni delle caratteristiche descritte sopra, considerando le lunghezze delle run e le intensità di grigio.
- Gray-Level Non-Uniformity for Run (GLNUR) e Run Length Non-Uniformity (RLNUR):
- GLNUR riflette quanto i valori di grigio nelle run siano omogenei.
- RLNUR riflette quanto siano omogenee le lunghezze delle run nell'immagine.
- Run Percentage:
- Questo descrittore è un indice di omogeneità delle run omogenee nell'immagine. Indica la percentuale di run omogenee rispetto al totale delle run nell'immagine.
- Short-Run Emphasis (SRE) e Long-Run Emphasis (LRE):
Grey-Level Zone Length Matrix
- Concettualmente simile alla GLRLM studia la numerosità di elementi adiacenti con la stessa intensità di grigio nelle 3 dimensioni invece della lunghezza delle "run".
- È progettata per lo studio dei parenchimi e riflette con quale frequenza nell'immagine è possibile osservare aggregati di elementi con la stessa intensità di grigio.
- Da questa matrice è possibile estrarre vari descrittori:
-
- Short-Zone Emphasis (SZE) e Long-Zone Emphasis (LZE):
- SZE stimola la distribuzione degli aggregati piccoli.
- LZE stimola la distribuzione degli aggregati grandi.
- Questi descrittori indicano quanto siano evidenti gli aggregati di diversa dimensione nell'immagine.
- Low Grey-level Zone Emphasis (LGZE) e High Grey-level Zone Emphasis (HGZE):
- LGZE stimola la distribuzione degli aggregati poco intensi.
- HGZE stimola la distribuzione degli aggregati molto intensi.
- Questi descrittori riflettono la frequenza di aggregati con intensità di grigio diverse nell'immagine.
- Short-Zone Low Grey-level Emphasis (SZLGE), Short-Zone High Grey-level Emphasis (SZHGE), Long-Zone Low Grey-level Emphasis (LZLGE) e Long-Zone High Grey-level Emphasis (LZHGE):
- Questi descrittori sono combinazioni delle caratteristiche descritte sopra, considerando la dimensione degli aggregati e le intensità di grigio.
- Grey-Level Non-Uniformity for Zone (GLNUZ) e Zone Length Non-Uniformity (ZLNU):
- GLNUZ riflette quanto i valori di grigio negli aggregati siano omogenei.
- ZLNU riflette quanto siano omogenee le dimensioni degli aggregati nell'immagine.
- Zone Percentage:
- Questo descrittore misura l'omogeneità nelle zone omogenee nell'immagine, indicando la percentuale di zone omogenee rispetto al totale delle zone.
- Short-Zone Emphasis (SZE) e Long-Zone Emphasis (LZE):
Features Radiomiche
Definizione delle features radiomiche che possono essere estratte utilizzando PyRadiomics.
Sono suddivise nelle seguenti categorie:
-
- Statistiche del primo ordine (19 feature)
- Basate sulla forma (3D) (16 feature)
- Basate sulla forma (2D) (10 feature)
- Matrice di co-occorrenza dei livelli di grigio (24 feature)
- Gray Level Run Length Matrix (16 feature)
- Matrice di zona delle dimensioni dei livelli di grigio (16 feature)
- Matrice delle differenze di tonalità di grigio vicine (5 feature)
- Matrice di dipendenza dei livelli di grigio (14 feature)
- Tutte le classi di caratteristiche, ad eccezione della forma, possono essere calcolate sia sull'immagine originale che su un'immagine derivata, ottenuta mediante l'applicazione di uno dei vari filtri disponibili.
- Le descrizioni della forma sono indipendenti dal valore di grigio e vengono estratte dalla maschera dei label.
- Se abilitate, vengono calcolate separatamente dai tipi di immagini di input abilitati e elencate nel risultato come se fossero state calcolate sull'immagine originale.
- La maggior parte delle caratteristiche definite di seguito è in conformità con le definizioni delle caratteristiche come descritte dall'Iniziativa di Standardizzazione dei Biomarcatori di Imaging (IBSI), disponibili in un documento separato di Zwanenburg et al. (2016).
Bibliografia
- van Griethuysen, J. J. M., Fedorov, A., Parmar, C., Hosny, A., Aucoin, N., Narayan, V., Beets-Tan, R. G. H., Fillon-Robin, J. C., Pieper, S., Aerts, H. J. W. L. (2017)
Computational Radiomics System to Decode the Radiographic Phenotype
Cancer Research, 77(21), e104–e107
https://doi.org/10.1158/0008-5472.CAN-17-0339 - PyRadiomics
- Fondazione SIRM: Radiomica
Raccolta di immagini
Non sono state rilevate immagini associate all'espressione
"Radiomica"
puoi provare a cercare con un'altra parola chiave oppure consultare l'Atlante di Radnote
puoi provare a cercare con un'altra parola chiave oppure consultare l'Atlante di Radnote