دانلود ترجمه مقاله رادیومیک: واقعیت ها و چالش های تحلیل تصویر

1. پیش زمینه 2. تعریف و استخراج ویژگی های تصویر 3. تحلیل و ساخت مدل 4. تأثیر اکتسابی به تصویر و بازسازی 5. تأثیر تقسیم بندی تصویر 6. نتیجه گیری

چکیده – رادومیک یک زمینه تحقیقاتی نوظهور در حال پیشرفت است که هدف آن استخراج داده های چند بعدی (با ابعاد بالا) از تصاویر بالینی می باشد. فرایند رادیومی، می تواند به چندین مراحل مشخص با ورودی ها و خروجی های قابل تعریف ، مانند دستیابی به تصویر و بازسازی ، تقسیم بندی تصویر ، استخراج خصوصیات و صلاحیت ، تجزیه و تحلیل و ساخت، تقسیم شود. هر مرحله به ارزیابی دقیق برای ساختن مدل های قوی و قابل اعتماد جهت پیش بینی بیماری ، ردیابی بیماری غیر تهاجمی و ارزیابی پاسخ بیماری به درمان نیازمنداست. بعد از تعریف پارامترهای بافتی (ویژگی های شکل ؛ ویژگی های درجه یک ، دوم و بالاتر)؛ ما به طور خلاصه در مورد منشا اصطلاح رادیومیک و روش های انتخاب پارامترهای مفید برای یک روش رادیومی ، از جمله تجزیه و تحلیل خوشه ای ، تجزیه و تحلیل مؤلفه اصلی ، روش جنگل تصادفی ، شبکه عصبی ، رگرسیون خطی / منطقی و سایر موارد بحث می کنیم. تکرارپذیری و ارزش کلینیکی پارامترها ابتدا باید با اعتبار سنجی متقابل داخلی مورد آزمایش قرار گرفته و سپس در گروه های خارجی مستقل تأیید شود. در این مقاله به تشریح موضوعات اصلی در رابطه با این فرآیند چند مرحله ای ، به ویژه در مورد چالش های استخراج ویژگی های رادیومی از مجموعه داده های ارائه شده توسط توموگرافی محاسباتی ، توموگرافی انتشار پوزیترون و تصویربرداری با رزونانس مغناطیسی، پرداخته شده است.

Radiomics is an emerging translational field of research aiming to extract mineable high-dimensional data from clinical images. The radiomic process can be divided into distinct steps with definable inputs and outputs, such as image acquisition and reconstruction, image segmentation, features extraction and qualification, analysis, and model building. Each step needs careful evaluation for the construction of robust and reliable models to be transferred into clinical practice for the purposes of prognosis, non-invasive disease tracking, and evaluation of disease response to treatment. After the definition of texture parameters (shape features; first-, second-, and higher-order features), we briefly discuss the origin of the term radiomics and the methods for selecting the parameters useful for a radiomic approach, including cluster analysis, principal component analysis, random forest, neural network, linear/logistic regression, and other. Reproducibility and clinical value of parameters should be firstly tested with internal cross-validation and then validated on independent external cohorts. This article summarises the major issues regarding this multi-step process, focussing in particular on challenges of the extraction of radiomic features from data sets provided by computed tomography, positron emission tomography, and magnetic resonance imaging.

بخشی از ترجمه مقاله (صفحه 12 فایل ورد ترجمه)