Теоретические основы текстурного анализа КТ-изображений образований органов брюшной полости: обзор

ВВЕДЕНИЕ: Радиомика, или текстурный анализ представляет собой метод обработки медицинских изображений, позволяющий осуществлять комплексную оценку структуры новообразования путем извлечения большого числа количественных признаков, отражающих распределение значений пикселей или вокселей. В обзоре описана методика проведения текстурного анализа и создания радиомических моделей.

ЦЕЛЬ: Провести анализ данных литературы, посвященной технологии, возможностям и  перспективам радиомики КТизображений образований органов брюшной полости.

МАТЕРИАЛЫ И МЕТОДЫ: Проведено изучение зарубежной литературы, посвященной применению текстурного анализа в базе данных PubMed, а также сравнение данных литературы с результатами изучения радиомики специалистами НМИЦ хирургии им. А. В. Вишневского. Публикации отбирали по ключевым словам «radiomics», «CT», «texture analysis», «liver», «abdomen», «GIST», «pancreas», «metastases». Поиск ограничивали только работами 2018–2024 года, преимущественно посвященными радиомике образований органов брюшной полости.

РЕЗУЛЬТАТЫ: В обзоре литературы описаны методики, теоретические основы, направления и перспективы радиомики, проблемы применения текстурного анализа в клинической практике и способы решений представленных проблем.

ЗАКЛЮЧЕНИЕ: Радиомика — перспективный метод, который может использоваться в медицине для решения ряда клинических и научных задач. Однако в настоящее время есть ограничения для применения радиомики в клинической практике. В представленном обзоре литературы описаны теоретические основы радиомики и структурирована технология проведения текстурного анализа.

1. Смирнова А.Д., Кармазановский Г.Г., Кондратьев Е.В., Карельская Н.А., Галкин В.Н., Попов А.Ю., Гурмиков Б.Н., Калинин Д.В. Радиомика и радиогеномика при внутрипеченочной холангиокарциноме // Research’n and Practical Medicine Journal. 2024. Т. 11 № 1. С. 54–69. doi: 10.17709/2410-1893-2024-11-1-5. EDN: TLBFTQ.

2. Karmazanovsky G., Gruzdev I., Tikhonova V. et al. Computed tomography-based radiomics approach in pancreatic tumors characterization // Radiol. Med. 2021. Vol. 126. P. 1388–1395. doi: 10.1007/s11547-021-01405-0.

3. Mayerhoefer M.E., Materka A., Langs G., Häggström I., Szczypiński P., Gibbs P., Cook G. Introduction to Radiomics // J. Nucl. Med. 2020. Vol. 61, No. 4. P. 488– 495. doi: 10.2967/jnumed.118.222893.

4. Zwanenburg A., Vallières M., Abdalah et al. The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping // Radiology. 2020. Vol. 295, Nо. 2. P. 328–338. doi: 10.1148/radiol.2020191145.

5. Jha A.K., Mithun S., Jaiswar V., Sherkhane U.B., Purandare N.C., Prabhash K., Rangarajan V., Dekker A., Wee L., Traverso A. Repeatability and reproducibility study of radiomic features on a phantom and human cohort // Sci Rep. 2021. Vol. 11. doi: 10.1038/s41598-021-81526-8.

6. Clark K., Vendt B., Smith K., Freymann J., Kirby J., Koppel P., Moore S., Phillips S., Maffitt D., Pringle M., Tarbox L., Prior F. The Cancer Imaging Archive (TCIA): maintaining and operating a public information repository // J. Digit Imaging. 2013. Vol. 26, No. 6. P. 1045–1057. doi: 10.1007/s10278-013-9622-7.

7. Avanzo M., Wei L., Stancanello J., Vallières M., Rao A., Morin O., Mattonen S.A., El Naqa I. Machine and deep learning methods for radiomics // Med. Phys. 2020. Vol. 47, No. 5. P. 185–202. doi: 10.1002/mp.13678.

8. Wang Y., Wang Y., Ren J., Jia L., Ma L., Yin X., Yang F., Gao B.L. Malignancy risk of gastrointestinal stromal tumors evaluated with noninvasive radiomics: A multicenter study // Front Oncol. 2022. Vol. 12. doi: 10.3389/fonc.2022.966743.

9. Кармазановский Г.Г., Шантаревич М.Ю., Сташкив В.И., Ревишвили А.Ш. Воспроизводимость текстурных показателей КТ- и МРТ-изображений гепатоцеллюлярного рака // Медицинская визуализация. 2023. Т. 27, № 3. С. 84–93. doi: 10.24835/1607-0763-1372.

10. Замятина К.А., Годзенко М.В., Кармазановский Г.Г., Ревишвили А.Ш. Радиомика при заболеваниях печени и поджелудочной железы. Обзор литературы // Анналы хирургической гепатологии. 2022. Т. 27, № 1. С. 40–47. doi: 10.16931/1995-5464.2022-1-40-47.

11. Zarei M., Sotoudeh-Paima S., McCabe C., Abadi E., Samei E. Harmonizing CT Images via Physics-based Deep Neural Networks // Proc. SPIE Int. Soc. Opt. Eng. 2023; doi: 10.1117/12.2654215.

12. Singh A., Horng H., Chitalia R., Roshkovan L., Katz S.I., Noël P., Shinohara R.T., Kontos D. Resampling and harmonization for mitigation of heterogeneity in image parameters of baseline scans // Sci Rep. 2022. Vol. 12, No. 1. doi: 10.1038/s41598-022-26083-4.

13. Mali S.A., Ibrahim A., Woodruff H.C., Andrearczyk V., Müller H., Primakov S., Salahuddin Z., Chatterjee A., Lambin P. Making Radiomics More Reproducible across Scanner and Imaging Protocol Variations: A Review of Harmonization Methods // J. Pers. Med. 2021. Vol. 11, No. 9. doi: 10.3390/jpm11090842.

14. Refaee T., Salahuddin Z., Widaatalla Y., Primakov S., Woodruff H.C., Hustinx R., Mottaghy F.M., Ibrahim A., Lambin P. CT Reconstruction Kernels and the Effect of Pre- and Post-Processing on the Reproducibility of Handcrafted Radiomic Features // J. Pers. Med. 2022. Vol. 12, No. 4. doi: 10.3390/jpm12040553.

15. Ramli Z., Farizan A., Tamchek N., Haron Z., Abdul Karim M.K. Impact of Image Enhancement on the Radiomics Stability of Diffusion-Weighted MRI Images of Cervical Cancer // Cureus. 2024. Vol. 16, No. 1. doi: 10.7759/cureus.52132.

16. Deng H., Deng W., Sun X., Liu M., Ye C., Zhou X. Mammogram Enhancement Using Intuitionistic Fuzzy Sets // IEEE Transactions on Biomedical Engineering. Vol. 64, No. 8. P. 1803–1814. 2017. doi: 10.1109/TBME.2016.2624306.

17. Andrearczyk V., Depeursinge A., Müller H. Neural network training for cross-protocol radiomic feature standardization in computed tomography // J. Med. Imaging. (Bellingham). 2019 Vol. 6, No. 2. Р. 024008. doi: 10.1117/1.JMI.6.2.024008.

18. Ligero M., Jordi-Ollero O., Bernatowicz K., Garcia-Ruiz A., Delgado-Muñoz E., Leiva D., Mast R., Suarez C., Sala-Llonch R., Calvo N., Escobar M., NavarroMartin A., Villacampa G., Dienstmann R., Perez-Lopez R. Minimizing acquisition-related radiomics variability by image resampling and batch effect correction to allow for large-scale data analysis // Eur. Radiol. 2021. Vol. 31, No. 3. Р. 1460–1470. doi: 10.1007/s00330-020-07174-0.

19. Deng Y., Yang D., Tan X., Xu H., Xu L., Ren A., Liu P., Yang Z. Preoperative evaluation of microvascular invasion in hepatocellular carcinoma with a radiological feature-based nomogram: a bi-centre study // BMC Med Imaging. 2024. Vol. 24, No. 1. Р. 29. doi: 10.1186/s12880-024-01206-7.

20. Zhao H., Feng Z., Li H., Yao S., Zheng W., Rong P. Influence of different region of interest sizes on CT-based radiomics model for microvascular invasion prediction in hepatocellular carcinoma // Zhong Nan Da Xue Xue Bao Yi Xue Ban. 2022. Vol. 47, No. 8. P. 1049–1057. English, Chinese. doi: 10.11817/j.issn.1672-7347.2022.220027.

21. Van Timmeren J.E., Cester D., Tanadini-Lang S., Alkadhi H., Baessler B. Radiomics in medical imaging-»how-to» guide and critical reflection // Insights Imaging. 2020. Vol. 11, No. 1. doi: 10.1186/s13244-020-00887-2.

22. Tharmaseelan H., Vellala A.K., Hertel A., Tollens F., Rotkopf L.T., Rink J., Woźnicki P., Ayx I., Bartling S., Nörenberg D., Schoenberg S.O., Froelich M.F. Tumor classification of gastrointestinal liver metastases using CT-based radiomics and deep learning // Cancer Imaging. 2023. Vol. 23, No. 1. doi: 10.1186/s40644-023-00612-4.

23. Stüber A.T., Coors S., Schachtner B., Weber T., Rügamer D., Bender A., Mittermeier A., Öcal O., Seidensticker M., Ricke J., Bischl B., Ingrisch M. A Comprehensive Machine Learning Benchmark Study for Radiomics-Based Survival Analysis of CT Imaging Data in Patients With Hepatic Metastases of CRC // Invest Radiol. 2023. Vol. 58, No. 12. P. 874–881. doi: 10.1097/RLI.0000000000001009.

24. Zhu H., Wu M., Wei P., Tian M., Zhang T., Hu C., Han Z. A modified method for CT radiomics region-of-interest segmentation in adrenal lipid-poor adenomas: a two-institution comparative study // Front. Oncol. 2023. Vol. 13. doi: 10.3389/fonc.2023.1086039.

25. Fiz F., Rossi N., Langella S., Ruzzenente A., Serenari M., Ardito F., Cucchetti A., Gallo T., Zamboni G., Mosconi C., Boldrini L., Mirarchi M., Cirillo S., De Bellis M., Pecorella I., Russolillo N., Borzi M., Vara G., Mele C., Ercolani G., Giuliante F., Ravaioli M., Guglielmi A., Ferrero A., Sollini M., Chiti A., Torzilli G., Ieva F., Viganò L. Radiomic Analysis of Intrahepatic Cholangiocarcinoma: Non-Invasive Prediction of Pathology Data: A Multicenter Study to Develop a Clinical-Radiomic Model // Cancers (Basel). 2023. Vol. 15 No. 17. doi: 10.3390/cancers15174204.

26. Chu H., Liu Z., Liang W., Zhou Q., Zhang Y., Lei K. et al. Radiomics using CT images for preoperative prediction of futile resection in intrahepatic cholangiocarcinoma // Eur. Radiol. 2021. Vol. 31, No. 4. P. 2368–2376. doi: 10.1007/s00330-020-07250-5.

27. Gao Y., Wang X., Zhao X., Zhu C., Li C., Li J., Wu X. Multiphase CT radiomics nomogram for preoperatively predicting the WHO/ISUP nuclear grade of small (<4 cm) clear cell renal cell carcinoma // BMC Cancer. 2023. Vol. 23, No. 1. Р. 953. doi: 10.1186/s12885-023-11454-5.

28. Negreros-Osuna A.A., Ramírez-Mendoza D.A., Casas-Murillo C., Guerra-Cepeda A., Hernández-Barajas D., Elizondo-Riojas G. Clinical-radiomic model in advanced kidney cancer predicts response to tyrosine kinase inhibitors // Oncol Lett. 2022. Vol. 24, No. 6. doi: 10.3892/ol.2022.13566.

29. Li Y., Li J., Meng M., Duan S., Shi H., Hang J. Development and Validation of a Radiomics Nomogram for Liver Metastases Originating from Gastric and Colorectal Cancer // Diagnostics (Basel). 2023. Vol. 13, No. 18. doi: 10.3390/diagnostics13182937.

30. Huang L., Feng W., Lin W., Chen J., Peng S., Du X., Li X., Liu T., Ye Y. Enhanced and unenhanced: Radiomics models for discriminating between benign and malignant cystic renal masses on CT images: A multi-center study // PLoS One. 2023. Vol. 18, No. 9. PMID: 37768941; PMCID: PMC10538730. doi: 10.1371/journal.pone.0292110.

31. Fedorov A., Beichel R., Kalpathy-Cramer J., Finet J., Fillion-Robin J.C., Pujol S., Bauer C., Jennings D., Fennessy F., Sonka M., Buatti J., Aylward S., Miller J.V., Pieper S., Kikinis R. 3D Slicer as an image computing platform for the Quantitative Imaging Network // Magn. Reson. Imaging. 2012. Vol. 30, No. 9. doi: 10.1016/j.mri.2012.05.001.

32. Xue G., Liu H., Cai X., Zhang Z., Zhang S., Liu L., Hu B., Wang G. Impact of deep learning image reconstruction algorithms on CT radiomic features in patients with liver tumors // Front Oncol. 2023. Vol. 13. doi: 10.3389/fonc.2023.1167745.

33. Сappello G., Giannini V., Cannella R., Tabone E., Ambrosini I., Molea F., Damiani N., Landolfi I., Serra G., Porrello G., Gozzo C., Incorvaia L., Badalamenti G., Grignani G., Merlini A., D’Ambrosio L., Bartolotta T.V., Regge D. A mutation-based radiomics signature predicts response to imatinib in Gastrointestinal Stromal Tumors (GIST) // Eur. J. Radiol. Open. 2023. Vol. 11. doi: 10.1016/j.ejro.2023.100505.

34. Larue R.T.H.M., van Timmeren J.E., de Jong E.E.C., Feliciani G., Leijenaar R.T.H., Schreurs W.M.J.,Lambin P. Influence of gray level discretization on radiomic feature stability for different CT scanners, tube currents and slice thicknesses: a comprehensive phantom study // Acta Oncologica. 2017. Vol. 56, No. 11. P. 1544– 1553. doi: 10.1080/0284186X.2017.1351624.

35. 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. Computational Radiomics System to Decode the Radiographic Phenotype // Cancer Research. 2017. Vol. 77, No. 21. P. 104–107. doi: 10.1158/0008-5472.CAN-17-0339.

36. Rizzo S., Botta F., Raimondi S., Origgi D., Fanciullo C., Morganti A.G., Bellomi M. Radiomics: the facts and the challenges of image analysis // Eur. Radiol. Exp. 2018. Vol. 2, No. 1. doi: 10.1186/s41747-018-0068-z.

37. Bettinelli A., Marturano F. ImSURE Phantoms. figshare // Collection. 2022. doi: 10.6084/m9.figshare.c.5625439.v2.

38. Nioche C., Orlhac F., Boughdad S., Reuzé S., Goya-Outi J., Robert C., Pellot-Barakat C., Soussan M., Frouin F., Buvat I. LIFEx: A freeware for radiomic feature calculation in multi- modality imaging to accelerate advances in the characterization of tumor heterogeneity // Cancer Res. 2018; Vol. 78, No. 16. P. 4786–4789. 10.1158/0008-5472.CAN-18-0125.

39. Deasy J.O., Blanco A.I., Clark V.H. CERR: a computational environment for radiotherapy research // Med. Phys. 2003. Vol. 30, No. 5. P. 979–985. doi: 10.1118/1.1568978.

40. Fornacon-Wood I., Mistry H., Ackermann C.J. et al. Reliability and prognostic value of radiomic features are highly dependent on choice of feature extraction platform // Eur. Radiol. 2020. Vol. 30. P. 6241–6250. doi: 10.1007/s00330-020-06957-9.

41. Fahmy D., Alksas A., Elnakib A., Mahmoud A., Kandil H., Khalil A., Ghazal M., van Bogaert E., Contractor S., El-Baz A. The Role of Radiomics and AI Technologies in the Segmentation., Detection., and Management of Hepatocellular Carcinoma // Cancers (Basel). 2022. Vol. 14 No. 24. doi: 10.3390/cancers14246123.

42. Kim D., Jensen L.J., Elgeti T., Steffen I.G., Hamm B., Nagel S.N. Radiomics for Everyone: A New Tool Simplifies Creating Parametric Maps for the Visualization and Quantification of Radiomics Features // Tomography. 2021. Vol. 7, No. 3. P. 477–487. doi: 10.3390/tomography7030041.

43. Stanzione., Arnaldo et al. Oncologic Imaging and Radiomics: A Walkthrough Review of Methodological Challenges // Cancers. 2022. Vol. 14, No. 19. doi: 10.3390/cancers14194871.

44. Huang L., Song M., Shen H., Hong H., Gong P., Deng H.W., Zhang C. Deep Learning Methods for Omics Data Imputation // Biology (Basel). 2023. Vol. 12 No 10. doi: 10.3390/biology12101313.

45. Chung Y.E., Kim M.J., Park Y.N., Choi J.Y., Pyo J.Y., Kim Y.C. et al. Varying appearances of cholangiocarcinoma: radiologic-pathologic correlation // Radiographics. 2009. Vol. 29 No. 3. P. 683–700. doi: 10.1148/rg.293085729.

46. Zhang Y., Lobo-Mueller E.M., Karanicolas P., Gallinger S., Haider M.A., Khalvati F. CNN-based survival model for pancreatic ductal adenocarcinoma in medical imaging // BMC Med. Imaging. 2020. Vol. 20 No. 1. doi: 10.1186/s12880-020-0418-1.

47. Li M., Zhu Y.Z., Zhang Y.C., Yue Y.F., Yu H.P., Song B. Radiomics of rectal cancer for predicting distant metastasis and overall survival // World J. Gastroenterol. 2020. Vol. 26 No. 33. doi: 10.3748/wjg.v26.i33.5008.

48. Nardone V., Reginelli A., Grassi R., Boldrini L., Vacca G., D’Ippolito E., Annunziata S., Farchione A., Belfiore M.P., Desideri I., Cappabianca S. Delta radiomics: a systematic review // Radiol Med. 2021. Vol. 126 No. 12. P. 1571–1583. doi: 10.1007/s11547-021-01436-7.

49. Prior O., Macarro C., Navarro V., Monreal C., Ligero M., Garcia-Ruiz A., Serna G., Simonetti S., Braña I., Vieito M., Escobar M., Capdevila J., Byrne A.T., Dienstmann R., Toledo R., Nuciforo P., Garralda E., Grussu F., Bernatowicz K., Perez-Lopez R. Identification of Precise 3D CT Radiomics for Habitat Computation by Machine Learning in Cancer // Radiol Artif Intell. 2024. Vol. 6, No. 2. doi: 10.1148/ryai.230118.

50. Wei L., Niraula D., Gates E.D.H., Fu J., Luo Y., Nyflot M.J., Bowen S.R., El Naqa I.M., Cui S. Artificial intelligence (AI) and machine learning (ML) in precision oncology: a review on enhancing discoverability through multiomics integration // Br. J. Radiol. 2023. Vol. 96, No. 1150. doi: 10.1259/bjr.20230211.