作者：
Virendra Kumar a, Yuhua Gu a, Satrajit Basu b, Anders Berglund c, Steven A. Eschrich c, Matthew B. Schabathd, Kenneth Forster e, Hugo J.W.L. Aerts f ,h, Andre Dekker f , David Fenstermacher c, Dmitry B. Goldgof b, Lawrence O. Hall b, Philippe Lambin f , Yoganand Balagurunathan a, Robert A. Gatenby g, Robert J. Gillies a, g,⁎
单位：
a Department of Cancer Imaging and Metabolism, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL, USA;
b Department of Computer Science and Engineering, University of South Florida, Tampa, FL, USA;
c Department of Bioinformatics, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL, USA;
d Department of Cancer Epidemiology, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL, USA;
e Department of Radiation Oncology, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL, USA;
f Department of Radiation Oncology (MAASTRO), GROW-School for Oncology and Developmental Biology,
Maastricht University Medical Center, Maastricht, the Netherlands;
g Department of Radiology, H. Lee Moffitt Cancer Center and Research Institute, Tampa, FL, USA;
h Computational Biology and Functional Genomics Laboratory, Department of Biostatistics and Computational Biology, Dana-Farber Cancer Institute, Harvard School of Public Health, Boston, MA, USA
发表期刊：Magnetic Resonance Imaging 30 (2012) 1234–1248
论文简介：影像组学是指从计算机断层扫描，正电子发射断层扫描或磁共振成像获得的医学图像中提取和分析大量具有高通量的高级定量成像特征。影像组学一般采用数据挖掘建立图像特征与表型或基因蛋白特征关系的描述性和预测性模型，为后续的诊断、预后和预测提供有价值的信息。影像组学的流程包括图像采集和重建，图像分割和渲染，特征提取和特征限定，数据库和数据共享以及信息分析。每个过程都需要克服其自身的挑战，例如，必须确定和协调用于图像获取和重建的最佳协议；分段必须是鲁棒的，并且涉及最少的操作输入；必须生成允许结合图像特征和图像注释以及医学和遗传数据的信息数据库。
由于影像组学不是一个成熟的研究领域，因此必须优化用于分析这些数据的统计方法。本文将依次讨论每一个子过程，过程中所面临的挑战以及解决这些挑战的建议方法。
研究方向：影像组学（综述）
作者：Robert J. Gillies1,Paul E. Kinahan2,Hedvig Hricak3
单位：1 From the Department of Cancer Imaging, H. Lee Moffitt Cancer Center and Research Institute, 12902 Magnolia Dr, Tampa, FL 33612 (R.J.G.),2 University of Washington ,3 Memorial Sloan Kettering Cancer Center
发表期刊：Radiology, vol. 278, no. 2, 2016, pp. 563–577.
论文简介：在过去的十年里，随着模式识别工具数量的增加和数据集大小的增加，医学图像分析领域呈指数级增长。这些进展促进了高通量提取定量特征的过程的发展，这些特征导致将图像转换为可开采数据，并随后对这些数据进行分析，以提供决策支持；这种做法被称为影像组学。这与将医学图像视为仅用于视觉解释的图片的传统做法形成对比。影像数据包含一阶、二阶和高阶统计特征。这些数据与其他患者数据相结合，并使用复杂的生物信息学工具进行挖掘，以开发可能提高诊断、预测和预测准确性的模型。由于放射分析往往是用标准的护理图像进行的，可以想象，将数字图像转换成可开采的数据最终将成为常规做法。本报告描述了放射治疗的过程、面临的挑战及其促进更好的临床决策的潜在能力，特别是在癌症患者的护理方面。
研究方向：影像组学（综述）
作者：Philippe Lambin1,Ralph T.H. Leijenaar1,Timo M. Deist1；
单位：1 Maastricht University Medical Centre ,2 RWTH Aachen University
发表期刊：Nature Reviews Clinical Oncology, vol. 14, no. 12, 2017, pp. 749–762.
论文简介：影像组学是从医疗影像标准中对定量图像特征进行高通量挖掘，使数据能够在临床决策支持系统中提取和应用，以提高诊断、预后和预测的准确性，在癌症研究中日益重要。影像组学分析利用先进的图像分析工具和医学成像数据的快速开发和验证，利用基于图像的特征进行精确诊断和治疗，为现代医学提供了强大的工具。在这里，我们描述了放射治疗的过程，它的陷阱，挑战，机遇，以及它改善临床决策的能力，强调了对癌症患者的效用。目前，由于这一领域的迅速发展，对已发表的大量放射医学研究的科学完整性和临床相关性缺乏标准化的评估。必须建立严格的评价标准和报告准则，使放射医学作为一门学科成熟起来。在这里，我们为调查提供指导，以满足放射医学领域的迫切需要。
研究方向：影像组学（综述）
作者：Hugo J.W.L. Aerts1,2,3,4,*, Emmanuel Rios Velazquez1,2,*, Ralph T.H. Leijenaar1, Chintan Parmar1,2, Patrick Grossmann2, Sara Carvalho1, Johan Bussink5, Rene´Monshouwer5, Benjamin Haibe-Kains6, Derek Rietveld7, Frank Hoebers1, Michelle M. Rietbergen8, C. Rene´Leemans8, Andre Dekker1 , John Quackenbush4, Robert J. Gillies9 & Philippe Lambin1 .
单位：Department of Radiation Oncology (MAASTRO), Research Institute GROW, Maastricht University, 6229ET Maastricht, The Netherlands.
发表期刊：Nature Communications, 2014, 5: 4006.
论文简介：美国莫菲特癌症中心联合多方科学家研究影像组学定量研究方法，影像组学标签具有显著的预后价值，并与基因显著相关。
研究方向：机器学习，影像组学
论文PDF：Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach.pdf