Wie geht Radiomics eigentlich? – Review

Zusammenfassung

Personalisierte Präzisionsmedizin setzt eine hochakkurate Diagnostik voraus. Während die radiologische Forschung sich in den letzten Jahrzehnten mit Scanner- und Sequenztechnologien beschäftigt hat, rücken zunehmend Anwendungen der künstlichen Intelligenz in das wissenschaftliche Interesse, da sie die Möglichkeit der objektiven Quantifizierung und diagnostischen bzw. prognostischen Nutzung von Bildinformationen substanziell erweitern könnten.

In diesem Zusammenhang beschreibt der Begriff „Radiomics“ die Extraktion quantitativer Merkmale aus Bilddaten wie zum Beispiel von Computertomografie- oder Magnetresonanztomografie-Untersuchungen. Diese Merkmale werden mithilfe von Modellen des maschinellen Lernens mit Vorhersagezielen wie Diagnose oder Prognose in Zusammenhang gebracht. Man geht davon aus, dass die integrative Beurteilung der so erhobenen Merkmalsmuster in Verbindung mit klinischen, molekularen und genetischen Daten eine genauere Charakterisierung der Pathophysiologie von Erkrankungen sowie eine präzisere Vorhersage von Therapieansprechen und Outcome ermöglichen kann.

In dieser Übersichtsarbeit werden der klassische Radiomics-Ansatz beschrieben und die bestehende sehr große Variabilität an Zugängen diskutiert. Abschließend werden Forschungsrichtungen skizziert, in die sich das von zunehmend enger Kollaboration zwischen Radiologie und Computerwissenschaften und der Notwendigkeit neuer Ausbildungskonzepte gekennzeichnete interdisziplinäre Feld bewegt. Ziel ist es, eine Grundlage für verantwortungsvollen, nachvollziehbaren Umgang mit eingebrachten Daten und angewandten Analysemethoden zu ermöglichen.

Kernaussagen: 

• Radiomics gewinnt einen immer größeren Stellenwert in der bildgebenden Forschung.

• Radiomics birgt ein großes Potenzial, den Erfordernissen der Präzisionsmedizin gerecht zu werden.

• Die Radiomicsanalyse unterliegt noch einer großen Variabilität.

• Wir benötigen eine qualitätsgesicherte Anwendung von Radiomics in der Medizin.

Zitierweise

• Attenberger UI, Langs G, . How does Radiomics actually work? – Review. Fortschr Röntgenstr 2021; 193: 652 – 657

Key words

machine learning - radiomics - artificial intelligence - features

Publication History

Received: 02 March 2020

Accepted: 05 October 2020

Article published online:
02 December 2020

• References

• 1 Mayerhoefer ME, Szomolanyi P, Jirak D. et al Effects of magnetic resonance image interpolation on the results of texture-based pattern classification: a phantom study. Invest Radiol 2009; 44: 405-411
• 2 European Society of R. What the radiologist should know about artificial intelligence – an ESR white paper. Insights Imaging 2019; 10: 44
• 3 Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology 2016; 278: 563-577
• 4 LeCun Y, Boser B, Denker JS. et al Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation 1989; 1: 541-551
• 5 Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Lake Tahoe, Nevada: Curran Associates Inc; 2012
• 6 Mayerhoefer ME, Materka A, Langs G. et al Introduction to Radiomics. J Nucl Med 2020; 61: 488-495
• 7 Langs G, Rohrich S, Hofmanninger J. et al Machine learning: from radiomics to discovery and routine. Radiologe 2018; 58: 1-6
• 8 Larroza A, Bodí V, Moratal D. Texture analysis in magnetic resonance imaging: review and considerations for future applications. Assessment of cellular and organ function and dysfunction using direct and derived MRI methodologies. 2016: 75-106
• 9 Lambin P, Leijenaar RTH, Deist TM. et al Radiomics: the bridge between medical imaging and personalized medicine. Nature Reviews Clinical Oncology 2017; 14: 749-762
• 10 Waugh SA, Lerski RA, Bidaut L. et al The influence of field strength and different clinical breast MRI protocols on the outcome of texture analysis using foam phantoms. Med Phys 2011; 38: 5058-5066
• 11 Baessler B, Weiss K, Pinto Dos Santos D. Robustness and Reproducibility of Radiomics in Magnetic Resonance Imaging: A Phantom Study. Invest Radiol 2019; 54: 221-228
• 12 Sikiö M, Holli-Helenius KK, Ryymin P. et al The effect of region of interest size on textural parameters. In, 2015 9th International Symposium on Image and Signal Processing and Analysis (ISPA): IEEE 2015: 149-153
• 13 Brox T, Bruhn A, Weickert J. Variational motion segmentation with level sets. In, European Conference on Computer Vision: Springer 2006: 471-483
• 14 Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation. In, International Conference on Medical image computing and computer-assisted intervention: Springer 2015: 234-241
• 15 Raykar VC, Yu S, Zhao LH. et al Supervised learning from multiple experts: whom to trust when everyone lies a bit. In, Proceedings of the 26^th Annual international conference on machine learning 2009: 889-896
• 16 Kumar V, Gu Y, Basu S. et al Radiomics: the process and the challenges. Magn Reson Imaging 2012; 30: 1234-1248
• 17 Watadani T, Sakai F, Johkoh T. et al Interobserver variability in the CT assessment of honeycombing in the lungs. Radiology 2013; 266: 936-944
• 18 Collewet G, Strzelecki M, Mariette F. Influence of MRI acquisition protocols and image intensity normalization methods on texture classification. Magn Reson Imaging 2004; 22: 81-91
• 19 Chen W, Giger ML, Li H. et al Volumetric texture analysis of breast lesions on contrast-enhanced magnetic resonance images. Magn Reson Med 2007; 58: 562-571
• 20 Mahmoud-Ghoneim D, Alkaabi MK, de Certaines JD. et al The impact of image dynamic range on texture classification of brain white matter. BMC Med Imaging 2008; 8: 18
• 21 Wichtmann BD, Attenberger UI, Harder FN. et al Influence of image processing on the robustness of radiomic features derived from magnetic resonance imaging – a phantom study. 2019 ps://submissions.mirasmart.com/ISMRM2019/ViewSubmission.aspx?sbmID=7334
• 22 Aerts HJ, Velazquez ER, Leijenaar RT. et al Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nature communications 2014; 5: 1-9
• 23 Aerts HJ. The Potential of Radiomic-Based Phenotyping in Precision Medicine: A Review. JAMA Oncol 2016; 2: 1636-1642
• 24 Andrearczyk V, Depeursinge A, Müller H. Learning cross-protocol radiomics and deep feature standardization from CT images of texture phantoms. In, Medical Imaging 2019: Imaging Informatics for Healthcare, Research, and Applications: International Society for Optics and Photonics 2019: 109540I
• 25 Baessler B, Luecke C, Lurz J. et al Cardiac MRI Texture Analysis of T1 and T2 Maps in Patients with Infarctlike Acute Myocarditis. Radiology 2018; 289: 357-365
• 26 Breiman L. Random forests. Machine Learning 2001; 45: 5-32
• 27 Guyon I, Elisseeff A. An introduction to variable and feature selection. Journal of machine learning research 2003; 3: 1157-1182
• 28 Parmar C, Grossmann P, Bussink J. et al Machine Learning methods for Quantitative Radiomic Biomarkers. Sci Rep 2015; 5: 13087
• 29 Litjens G, Kooi T, Bejnordi BE. et al A survey on deep learning in medical image analysis. Med Image Anal 2017; 42: 60-88
• 30 Holzinger A, Langs G, Denk H. et al Causability and explainability of artificial intelligence in medicine. Wiley Interdisciplinary Reviews-Data Mining and Knowledge Discovery 2019; 9: e1312