现阶段，技术的进步使人们能够从大型医疗数据库中提取高维的、可挖掘的数据。利用机器学习算法，新兴的放射组学领域旨在分析来自医学图像的定量特征，以自动化、高通量的方式描述组织，例如肿瘤表型，并支持临床决策。

虽然临床对放射组学的兴趣及其实施一直在稳步增长，但由于缺乏标准化的定义和不充分的报告，已发表的研究往往难以复制和验证。图像生物标志物标准化倡议（IBSI）一直致力于实现放射组学特征提取过程的标准化，强调图像定量分析和放射组学研究的可重复性、可再现性和验证的挑战。

尽管此后有许多研究调查了从计算机断层扫描（CT）和正电子发射断层扫描数据集中获得的放射学特征的重复能力和再现性，但磁共振成像(MRI)方面的研究则十分稀少。然而，特别是在MRI领域，迫切需要对影像放射学特征的稳健性的因素进行系统调查，并提供完整和透明的报告。鉴于大多数MRI技术的定性性质，许多研究已经证明，特别是MRI衍生的放射学特征的稳健性会受到制造商、扫描仪、采集参数、图像处理参数以及最终观察者的影响。

总的来说，在解释放射学特征时应谨慎行事，并注意图像处理设置的细节。虽然建议在提取放射学特征前进行标准化的图像处理，但迄今为止还没有公布专门的MRI处理参数设置，因此需要进一步的研究进行明确及验证。

近日，发表在Investigative Radiology杂志的一项研究利用3T扫描仪上最常见的MRI序列系统地评估了图像处理设置对放射组学特征的影响，即特征值和测试重复性的差异，为未来的研究提供了处理建议，并为放射组学转化为临床常规奠定基础。

本项研究利用一个由4个洋葱、4个酸橙、4个猕猴桃和4个苹果组成模型并获得了一个测试-重测数据集，其中有3个在3T扫描仪上最常用的MRI序列，即T1加权、T2加权和流体衰减反转恢复序列，每个都有高和低分辨率。在半自动图像分割后，进行了图像处理参数的系统变化，包括空间重采样、强度离散化和强度重新缩放。对于每个各自的图像处理设置总共提取了45个放射组学特征，对应于以下7个矩阵/特征类别：常规指数、直方图矩阵、形状矩阵、灰度区长度矩阵、灰度运行长度矩阵、相邻灰度依赖矩阵和灰度共现矩阵。不同重采样步骤之间单个特征的系统性差异采用单因素方差分析和Tukey型事后比较来评估以调整多重检验。使用一致性相关系数、动态范围和类内相关系数来衡量放射学特征的测试-重复性。 

图像处理影响了放射组学特征值。无论获得的序列和特征类别如何，当重新采样的体素尺寸过大，即大于3毫米时，特征值有明显差异（P < 0.05）。几乎所有的高阶特征都强烈依赖于强度离散化。除了来自T1加权序列的一些特征外，强度重新缩放的影响可以忽略不计。对于所有的序列，可重复的特征（一致性相关系数和动态范围≥0.9）的百分比因图像处理设置而有很大的不同。实现最高百分比的稳定特征的最佳图像处理设置在每个序列中有所不同。无论图像处理如何，与其他序列相比，高分辨率下的流体衰减反转恢复序列产生的稳定特征数量最高（89% vs 64%-78%，各自的最佳图像处理设置）。在所有序列中，最可重复的特征通常是在接近最初获得的体素大小的空间重采样和强度离散化为至少32个bin时获得的。 

图 请注意，如果最初获得的体素大小不是各向同性的，那么各向同性的重采样会导致与不重采样相比的显著差异。然而，对于不同的各向同性的体素大小，形状特征是相对稳定的

本项研究结果显示，图像处理参数的变化对放射性特征的可重复性和价值有相当大的影响。 此外，本项研究中使用的每个MRI序列（T1w、T2w、FLAIR）的最佳图像处理参数以及分辨率都不同。因此，研究建议在任何临床应用之前，在相应的测试-重复扫描中确定这些处理参数设置。在定量图像分析和放射组学能够可靠地转化为常规临床护理之前，需要进行广泛的可重复性、再现性和验证性研究以及标准化。

原文出处：

Barbara D Wichtmann,Felix N Harder,Kilian Weiss,et al.Influence of Image Processing on Radiomic Features From Magnetic Resonance Imaging.DOI:10.1097/RLI.0000000000000921