0 | Σ ε λ ί δ α

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

ΘΕΣΣΑΛΟΝΙΚΗΣ

ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ

ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ

ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ

ΑΝΑΛΥΤΙΚΗ ΜΕΛΕΤΗ ΤΟΥ ΠΡΟΤΥΠΟΥ DICOM ΚΑΙ

ΤΗΣ ΕΦΑΡΜΟΓΗΣ ΤΗΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ

ΣΤΗΝ RADIOMICS

ANALYTICAL STUDY OF THE DICOM MODEL AND THE

APPLICATION OF ARTIFICIAL INTELLIGENCE IN RADIOMICS

ΕΠΙΜΕΛΕΙΑ ΕΡΓΑΣΙΑΣ :

ΚΑΡΑΜΠΕΚΗΣ ΑΝΕΣΤΗΣ | ΑΕΜ 3033

ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ : ΠΟΛΙΤΗΣ ΔΙΟΝΥΣΙΟΣ

ΘΕΣΣΑΛΟΝΙΚΗ 2021

1| Σ ε λ ί δ α

Περιεχόμενα

Περίληψη…………………………………………………………………………3

Κεφάλαιο 1 : ΤΟ DICOM ΠΡΟΤΥΠΟ…………………………………………..4

1.1 Εισαγωγή………………………………………………………...4

1.2 Ιστορικά στοιχεία………………………………………………..4

1.3 Η διακίνηση των ιατρικών εικόνων σε νοσοκομειακό

περιβάλλον……………………………………………………………………….8

1.3.1 Απεικονιστικά συστήματα…………………………………9

1.4 Γενικά χαρακτηριστικά του DICOM……………………………17

1.4.1 Η εσωτερική δομή του DICOM……………………………17

1.4.2 Κατανεμημένες εφαρμογές και διεργασίες του DICOM…..19

1.4.3 Κλάσεις υπηρεσιών και SOP κλάσεις……………………...22

1.4.4 Το πρότυπο DICOM σε λειτουργία………………………..23

1.4.5 Το μοντέλο πληροφορίας DICOM………………………...26

Κεφάλαιο 2 : RADIOMICS……………………………………………………..30

2.1 Εισαγωγή…………………………………………………………30

2.2 Τεχνητή νοημοσύνη και μηχανική μάθηση στην RADIOMICS…32

2.3 Η RADIOMICS σε λειτουργία…………………………………...34

2.3.1 Απόκτηση εικόνας ( Image acquisition )……………………35

2.3.2 Αρχική Επεξεργασία Εικόνας ( Initial Image Processing )…36

2.3.3 Τμηματοποίηση Εικόνας ( Image Segmentation )…………..40

2.3.4 Εξαγωγή Χαρακτηριστικών ( Features Extraction )………...43

2.3.5 Επιλογή Χαρακτηριστικών ( Features Selection )…………..45

2 | Σ ε λ ί δ α

2.4 Χειρισμός των δεδομένων στην RADIOMICS……………………46

2.4.1 Προετοιμασία Δεδομένων…………………………………...46

2.4.2 Μείωση Διάστασης………………………………………….48

2.4.3 Στατιστική ανάλυση με βάση την τεχνητή νοημοσύνη……..53

2.4.4 Ανάπτυξη Μοντέλου………………………………………..54

2.4.5 Επικύρωση…………………………………………………..58

2.4.6 Αξιολόγηση επιδόσεων…………………………..…………60

Κεφάλαιο 3 : ΣΥΜΠΕΡΑΣΜΑΤΑ………………………………………….65

Βιβλιογραφία………………………………………………………………..66

3| Σ ε λ ί δ α

ΠΕΡΙΛΗΨΗ

Η παρούσα πτυχιακή εργασία χωρίζεται σε τρία μέρη. Το πρώτο μέρος αφορά την μελέτη και

την ανάλυση σχετικά με τις χρήσεις και τις λειτουργίες του πρωτόκολλου DICOM. Το δεύτερο

μέρος σχετίζεται με τις εφαρμογές της τεχνητής νοημοσύνης πάνω στην RADIOMICS , καθώς

και την ανάλυση της γενικά.

Πιο συγκεκριμένα, στο πρώτο κεφάλαιο της εργασίας παρουσιάζονται μια βασική εικόνα του

προτύπου DICOM και κάποια ιστορικά χαρακτηριστικά του. Αναφέρονται πληροφορίες σχετικά

με την διακίνηση ιατρικών εικόνων σε νοσοκομειακό περιβάλλον, καθώς και τα απεικονιστικά

μηχανήματα που την εκτελούν. Αναλύονται τα γενικά χαρακτηριστικά του προτύπου DICOM

όπως είναι η εσωτερική δομή του. Επίσης αναλύονται οι κατανεμημένες εφαρμογές και οι

λειτουργίες του. Αναφέρονται οι κλάσεις υπηρεσιών και SOP κλάσεις του προτύπου. Στο τέλος

του κεφαλαίου γίνεται η ανάλυση της διαδικασίας της λειτουργίας του προτύπου DICOM ,

καθώς επίσης και η ανάλυση του μοντέλου πληροφορίας του.

Στο δεύτερο κεφάλαιο της εργασίας, παρουσιάζεται αρχικά η βασική εικόνα της RADIOMICS

και αναφέρεται το διάγραμμα εργασιών της. Στην συνέχεια αναλύεται ο τρόπος με τον οποίο η

σύγχρονη τεχνητή νοημοσύνη επιδρά θετικά στην εξέλιξη της RADIOMICS. Ακολουθεί η

αναλυτική περιγραφή του διαγράμματος εργασιών της. Η απόκτηση εικόνας, η αρχική

επεξεργασία εικόνας, η τμηματοποίηση της εικόνας, η εξαγωγή και η επιλογή χαρακτηριστικών

αποτελούν τις βασικές λειτουργίες της RADIOMICS. Στο τέλος του κεφαλαίου αναλύεται ο

χειρισμός των δεδομένων της. Η προετοιμασία των δεδομένων, η μείωση διάστασης, η

στατιστική ανάλυση με βάση την τεχνητή νοημοσύνη, η ανάπτυξη του μοντέλου, η επικύρωση

και η αξιολόγηση των επιδόσεων αποτελούν το σύνολο εργασιών του χειρισμού των δεδομένων

στην RADIOMICS.

Στο τρίτο και τελευταίο κεφάλαιο αναφέρονται τα συμπεράσματα που προκύπτουν από την

έρευνα της παρούσας εργασίας πάνω στο πρότυπο DICOM και της RADIOMICS.

4 | Σ ε λ ί δ α

ABSTRACT

This thesis is divided into three parts. The first part is related to the study and analysis of the

uses and functions of the DICOM protocol. The second part is related to the applications of

artificial intelligence on RADIOMICS, and alongside its analysis.

More specifically, the first section of the thesis presents a basic overview of the DICOM

standard and some historical characteristics. Continues with the operation of medical images in a

hospital environment, as well as the medical machines that perform it. Parallel the chapter

analyses the distributed applications plus the functions and the general characteristics of the

DICOM standard, such as its internal structure, while it mentions the service classes and SOP

classes of the protocol. Lastly, this unit presents the analysis of the operation process of the

DICOM standard along with the analysis of its information model.

The second chapter of the thesis introduces the basic picture of RADIOMICS and its working

diagram. Next, is listed the way in which modern artificial intelligence influences in a positive

manner the development of RADIOMICS while a detailed description of its working diagram is

followed. Image acquisition, initial image processing, image segmentation, feature extraction and

feature selection are the main operations of RADIOMICS. The final section of the chapter

discusses its data handling. Data preparation, dimension reduction, statistical analysis based on

artificial intelligence, model development, validation and performance evaluation are the set of

tasks of data handling in RADIOMICS.

The third and final chapter reports the conclusions drawn from the research of this thesis on the

DICOM model and RADIOMICS.

5| Σ ε λ ί δ α

ΚΕΦΑΛΑΙΟ 1

ΤΟ DICOM ΠΡΟΤΥΠΟ

1.1 Εισαγωγή

Το πρότυπο DICOM (Digital Imaging and Communication in Medicine) χρησιμοποιείται

για την ανταλλαγή ιατρικών εικόνων σε ψηφιακή μορφή. Προσφέρει στους χρήστες την

ικανότητα ανάκτησης εικόνων και διαχείρισης σχετιζόμενων πληροφοριών από ιατρικά

μηχανήματα με πρότυπο τρόπο, για να είναι ο ίδιος για όλα τα απεικονιστικά μηχανήματα

παραγωγής-λήψης ιατρικών εικόνων, ανεξαρτήτως κατασκευαστή.

Το πρότυπο DICOM είναι ένα σύνολο κανόνων για αποθήκευση, εκτύπωση και

μεταφορά ιατρικών εικόνων.[17] Οι κανόνες καθορίζουν τη μορφή αρχείου ( file format )

για την αποθήκευση μιας ιατρικής εικόνας και το πρωτόκολλο επικοινωνίας μεταξύ

συστημάτων που είναι συμβατά με το πρότυπο DICOM. H συμμόρφωση ( compliance ) με

τους κανόνες αυτούς εξασφαλίζει την επικοινωνία απεικονιστικών συστημάτων από

διαφορετικούς κατασκευαστές.

Το εν λόγο πρότυπο παρέχει :

• Ένα καθολικό πρότυπο της ψηφιακής απεικόνισης, ώστε όλα τα ψηφιακά

απεικονιστικά μηχανήματα να παράγουν συμβατές εικόνες με το πρότυπο DICOM.

• Πλήρης υποστήριξη πολλών παραμέτρων συλλογής εικόνων.

• Εξαιρετική ποιότητα εικόνας η οποία υποστηρίζει μέχρι 65.536 ( 16 bits ) τόνους

του γκρίζου.

• Πλήρη κωδικοποίηση των ιατρικών δεδομένων, συγκεκριμένα περισσότερα από

2.000 τυποποιημένα χαρακτηριστικά.[17]

1.2 Ιστορικά στοιχεία

Το ACR-NEMA ήταν το πρότυπο στο οποίο βασίστηκε το DICOM[6], το οποίο προέρχεται

από το American College of Radiology ACR , με σκοπό να πραγματοποιηθεί η σύνδεση μεταξύ

συσκευών απεικόνισης. Διαθέτει δεσμούς με διάφορους διεθνείς οργανισμούς προτυποποίησης

και οργανισμούς των ΗΠΑ η οποίοι εργάζονται σε σχετικά πεδία. Το 1993 δημοσιεύτηκε για

πρώτη φορά το πρότυπο DICOM από το National Electrical Manufactures Association (NEMA)

και αναπτύχθηκε σε συνεργασία με το ACR. Το ACR-NEMA ήταν το αρχικό πρότυπο

6 | Σ ε λ ί δ α

παίρνοντας το όνομα του από τους δύο παραπάνω οργανισμούς. Το 1985 έγινε η πρώτη

δημοσίευση του και το 1988 δημοσιεύθηκε η δεύτερη έκδοση ( 2.0 ). Όταν δημοσιεύθηκε το

DICOM για λόγους προέλευσης ονομάστηκε “ DICOM version 3.0” , τυπικά κάθε χρόνο

δημοσιεύονται ενημερωμένες εκδόσεις του DICOM. Στις δύο εικόνες παρακάτω ( εικόνα 1 και

εικόνα 2 ) διακρίνουμε πως ήταν το εξώφυλλο του πρώτου προτύπου και πως είναι το logo του

προτύπου DICOM μέχρι και σήμερα.[16]

Εικόνα 1 : Εξώφυλλο ARC-NEMA 1985

Εικόνα 2 : DICOM LOGO ( σήμερα )

Στις αρχές της δεκαετίας του ’80 ξεκίνησαν οι πρώτες πιέσεις για την δημιουργία ενός τέτοιου

προτύπου. Οι πιέσεις αυτές προήλθαν από τους ίδιους τους χρήστες. Ουσιαστικά η πλειοψηφία

των κατασκευαστών αρκούνταν στην υποστήριξη των δικών τους ιδιόκτητων προτύπων

επικοινωνίας και ανταλλαγής δεδομένων, διότι είχαν την δυνατότητα να αναγκάσουν τους

7| Σ ε λ ί δ α

πελάτες τους να αγοράσουν συσκευές και προγράμματα της εταιρίας τους για να συνδέουν τις

απεικονιστικές συσκευές τους.[1]

Η κατάσταση είχε ξεφύγει σε μεγάλο βαθμό, διότι με την αγορά ενός νέου μηχανήματος

ραδιοθεραπείας έπρεπε να γίνει ταυτόχρονη αγορά προγράμματος από την ίδια εταιρία για να

είναι δυνατή η ανταλλαγή πληροφορίας με υπάρχον σύστημα σχεδιασμού ραδιοθεραπείας, αφού

το κάθε ένα μηχάνημα υλοποιούσε διαφορετικό πρωτόκολλο. Επίσης το ίδιο συνέβαινε όταν ο

κατασκευαστής μιας απεικονιστικής συσκευής έκανε αναβάθμιση το πρόγραμμα του

συστήματος με μια βελτιωμένη έκδοση.

Η κοινότητα των χρηστών λοιπόν βασίστηκε πάνω στην εισαγωγή ενός μοντέλου που θα

προτυποποιούσε την ανταλλαγή της πληροφορίας, με αποτέλεσμα να καταλήξουν σε

συνεργασία με το NEMA. Η επιτυχία ήρθε έπειτα από 12 χρόνια ( 1981-1993 ) και δύο εκδόσεις

του προτύπου , οι οποίες ήταν μικρό αντίκτυπο. Το 1992 έγινε η πρώιμη δημοσίευση από την

Radiology Society of North America ( RSNA ) η οποία αποτέλεσε τεράστια επιτυχία.

Η παρουσία του DICOM θεωρείται πλέον δεδομένη για κάθε PACS εφαρμογή και

εφαρμόζεται ήδη από το 95% των συσκευών απεικόνισης. Να σημειωθεί επίσης ότι οι δομές

δεδομένων του DICOM βασίστηκαν πάνω σε αυτές του προτύπου ARC-NEMA , αυτό σημαίνει

ότι αυτά τα 12 χρόνια ( 1981-1993 ) που μεσολάβησαν για να δημοσιοποιηθεί το DICOM ήταν

πολύ σημαντικά. Ωστόσο η βιομηχανία του ’80 δεν είχε την δυνατότητα να υποστηρίξει ένα

τέτοιο πρωτόκολλο επικοινωνίας , αυτό ήρθε στις αρχές του ’90 όπου το TCP/IP επιλέχθηκε ως

ένα πρωτόκολλο δικτύου βασιζόμενο στην δημοτικότητα του UNIX και του Internet. Στην

παρακάτω εικόνα ( εικόνα 3 ) φαίνεται πως ακριβώς γίνεται η διαδικασία ανταλλαγής

πληροφοριών μέσω TCP/IP και Internet.[1]

Εικόνα 3 : Διαδικασία ανταλλαγής πληροφοριών μέσω TCP/IP και INTERNET

8 | Σ ε λ ί δ α

Διάφοροι κατασκευαστές έχοντας διαθέσιμο το πρότυπο ARC-NEMA ξεκίνησαν να το

εφαρμόζουν στα δικά τους δεδομένα. Η Phillips και η Siemens ήρθαν σε συνεργασία και

ανέπτυξαν την δική τους έκδοση με προσθήκες στο πρότυπο την οποία ονόμασαν SPI και με

αυτό τον τρόπο με τέτοιες απόπειρες ήρθε η εξέλιξη.[1]

Το DICOM σήμερα είναι απόλυτα αναγνωρισμένο σαν ένα διεθνές πρότυπο διότι η διαδικασία

της προτυποποίησης είναι πολύ αποδοτική. Μπορούμε να συναντήσουμε την επιτροπή του

προτύπου DICOM σε πολλές ημερίδες κυρίως στις ΗΠΑ και όχι τόσο συχνά στην Ευρώπη και

στην Ασία. Η επιτροπή αυτή αποτελείται από μέλη των κατασκευαστών και των

επαγγελματικών οργανισμών.[1]

Περίπου 50 μέλη είναι αυτά που εγκρίνουν τα καινούργια κομμάτια εργασίας, όπως για

παράδειγμα να γίνει καθορισμός νέων περιοχών για προτυποποίηση και έγκριση των

αποτελεσμάτων. Υπάρχουν διάφορες ομάδες εργασίας που γράφουν τα πρότυπα με διαφορετικά

αντικείμενα πραγματογνωμοσύνης τα οποία είναι περισσότερα από 20. H διαδικασία που

πραγματοποιείται είναι μια συνεχείς και λεπτομερής αναθεώρηση, τόσο εσωτερική όσο και

εξωτερική μιας και κάθε αλλαγή κοινοποιείται για δημόσια σχόλια από οποιονδήποτε πριν

ψηφιστεί από τα μέλη της επιτροπής. Η βασική ομάδα του προτύπου ( WG VI ) , επιβεβαιώνει

ότι προσθήκες στο πρότυπο, είναι στη βάση της φιλοσοφίας του και εξασφαλίζει την ακεραιότητα

του προτύπου. Στην παρακάτω εικόνα ( εικόνα 4 ) αναγράφονται διάφοροι ισχυροί δεσμοί μεταξύ

DICOM και άλλους οργανισμούς που να επιβεβαιώνεται η διεθνής υποστήριξη του , να

αποφεύγονται αλληλοκαλύψεις και να αυξάνεται η αξιοπιστία του. Συγκεκριμένα δύο διεθνή

σώματα προτύπων έχουν επιτροπές που σχετίζονται με την πληροφορική στην υγεία, αυτές είναι

: η Ευρωπαϊκή Επιτροπή Προτυποποίησης (CEN: Comitte Europeean de Normalization) με την

Τεχνική Επιτροπή (TC), CEN/TC215 και το International Standard Organization (ISO), το οποίο

έχει Τεχνική Επιτροπή (TC) την ISO/TC215. Το ISO/TC215 αποφάσισε να μην δημιουργήσει μια

ομάδα εργασίας για το αντικείμενο της ιατρικής απεικόνισης αλλά να βασιστεί πάνω στο DICOM

για βιοϊατρικά πρότυπα εικόνων. Το DICOM έχει μια επίσημη σύνδεση με το ISO/TC215.[1]

9| Σ ε λ ί δ α

Εικόνα 4 : Οι δεσμοί ανάμεσα σε διεθνή πρότυπα με το DICOM.

1.3 Η διακίνηση των ιατρικών εικόνων σε νοσοκομειακό περιβάλλον

Η ροή εργασίας που έχει σχέση με την απεικονιστική διαδικασία και λαμβάνει χώρα σε

κλινικές, νοσοκομεία ή μεγάλα δίκτυα υπηρεσιών υγείας είναι το κατάλληλο παράδειγμα για

την περιγραφή του προτύπου DICOM και την αναγκαιότητα που έχει η ύπαρξη του σε

τέτοιους χώρους.[19]

Ας πάρουμε ως παράδειγμα έναν ασθενή στο νοσοκομείο με πόνους στο στήθος. Το πρώτο

βήμα που θα γίνει είναι μια αίτηση από τον επιβλέπων ιατρό για μαγνητική τομογραφία. Το

αίτημα αυτό καταγράφεται στο Πληροφοριακό Σύστημα Νοσοκομείου ( HIS ) και μια

ηλεκτρονική αίτηση μεταδίδεται στο Πληροφοριακό Σύστημα Ακτινολογίας ( RIS ). Η

αίτηση που θα υποβληθεί περιέχει πληροφορίες σχετικά με το από που προήλθε το αίτημα,

ποιος το ζήτησε, τα στοιχεία του ασθενή, τον τύπο αιτούμενης απεικονιστικής μεθόδου κλπ.

Αφού πραγματοποιηθεί η διαδικασία του προγραμματισμού, ο ασθενής ενημερώνεται για να

προχωρήσουν στο κέντρο απεικόνισης. [19]

Μετά την επιτυχημένη απεικονιστική εξέταση ένα σύνολο από εικόνες, που συμφωνούν με

το πρότυπο DICOM, δημιουργούνται από τα ανεπεξέργαστα δεδομένα και αναφέρονται ως

Μελέτη. Μια μελέτη αποτελείται από υποσύνολα δεδομένων ανάλογα με τις ρυθμίσεις της

σάρωσης, και καθένα από αυτά ονομάζεται ως μία Σειρά. Κάθε σειρά αποτελείται από έναν

αριθμό εικόνων, και κάθε μία από αυτές τις εικόνες αναφέρεται ως ένα αντικείμενο

πληροφορίας DICOM (DICOM information object). [19]

10 | Σ ε λ ί δ α

Αφού έχει πραγματοποιηθεί μια επιτυχημένη απεικόνιση, όλες οι εικόνες που παρήχθησαν

μεταδίδονται για αρχειοθέτηση στο σύστημα PACS ( Picture Archiving and Communication

System[26] ). Οι σαρωμένες εικόνες μπορεί να αναθεωρηθούν ως προς την ποιότητα τους

προτού μεταδοθούν σε ένα σύστημα PACS. Οι αρχειοθετημένες εικόνες μπορούν στη

συνέχεια να ανακτηθούν από το σύστημα PACS σε κάποιο σταθμό εργασίας για προβολή

και ερμηνεία από έναν ακτινολόγο. Ο ακτινολόγος μπορεί να δει τις εικόνες είτε απευθείας

στην οθόνη είτε να τις εκτυπώσει σε φιλμ. Αργότερα, μπορούν να προστεθούν επιπλέον

σχόλια σχετικά με τις παρατηρήσεις τους και να οριστικοποιηθεί η αναφορά ερμηνείας

(report). Μόλις ολοκληρωθεί αυτή η διαδικασία, οι αλλαγές συγχωνεύονται με την αρχική

μελέτη και αποστέλλονται στο σύστημα PACS. Ένα ηλεκτρονικό μήνυμα μεταδίδεται

επίσης πίσω στο RIS υποδεικνύοντας ότι το αίτημα διενέργειας της απεικονιστικής εξέτασης

έχει ολοκληρωθεί.

Η επικοινωνία αυτή μεταξύ όλων των εμπλεκόμενων πληροφοριακών συστημάτων

καθιστά απολύτως αναγκαίο τον καθορισμό κοινών παραδοχών όσον αφορά την

κωδικοποίηση της πρωτογενούς απεικονιστικής πληροφορίας αλλά και των κανόνων για την

μεταφορά ή και επεξεργασίας της , όπως για παράδειγμα είναι η συμπίεση.[19]

1.3.1 Απεικονιστικά μηχανήματα

Τα απεικονιστικά μηχανήματα παράγουν εικόνες οι οποίες είναι συμβατές με το πρότυπο

DICOM. Στις παρακάτω εικόνες θα δούμε τα απεικονιστικά αυτά μηχανήματα μαζί με τις

εξετάσεις που παράγουν.[17]

XRAY

Οι ακτίνες Χ ή ακτίνες Ρέντγκεν ( Röntgen) αποκαλείται ένα τμήμα του ηλεκτρομαγνητικού

φάσματος[25]

11| Σ ε λ ί δ α

Εικόνα 5 : Μηχάνημα XRAY

Eικόνα 6 : Εικόνες ακτινογραφίας

Computed Tomography ( CT )

Η αξονική τομογραφία ή Υπολογιστική τομογραφία (στα Αγγλικά αρχικά Axial Tomography,

σήμερα Computed Tomography - CT) είναι η ακτινολογική μέθοδος εξέτασης του ανθρώπινου

σώματος. Μπορεί να απεικονίσει σε κάθετες τομές ολόκληρο το σώμα, χρησιμοποιώντας

την ακτινοβολία Χ.[26]

12 | Σ ε λ ί δ α

Εικόνα 8 : COMPUTERIZED AXIAL TOMOGRAPHY SCAN

Εικόνα 7 : HEAD CT SCAN

Magnetic Resonance Imaging ( MRI )

Η Μαγνητική Τομογραφία (ή στα αγγλικά Magnetic Resonance Imaging (MRI), Απεικόνιση

Μαγνητικού Συντονισμού) είναι μια ακτινολογική μέθοδος απεικόνισης του εσωτερικού ενός

οργανισμού.[27]

13| Σ ε λ ί δ α

Εικόνα 9 : Μαγνητικός τομογράφος

Εικόνα 10 : MRI BRAIN

Single-photon emission computed tomography ( SPECT )

Το SPECT είναι μια τεχνική τομογραφικής απεικόνισης πυρηνικής ιατρικής που χρησιμοποιεί

ακτίνες γάμμα.[28]

14 | Σ ε λ ί δ α

Εικόνα 11 : ΜΗΧΑΝΗΜΑ SPECT

Εικόνα 12 : SPECT SCAN

Positron Emmision Tomography ( PET )

Η τομογραφία εκπομπής ποζιτρονίων ( Positron Emmision Tomography) είναι μια

τεχνική ακτινοδιάγνωσης της πυρηνικής ιατρικής που χρησιμοποιείται για την παρατήρηση

μεταβολικών διαδικασιών στο σώμα και συνεισφέρει στη διάγνωση ασθενειών. Το σύστημα

15| Σ ε λ ί δ α

εντοπίζει ζεύγη ακτίνων γάμμα που εκπέμπονται έμμεσα από ένα ραδιονουκλίδιο το οποίο

εκπέμπει ποζιτρόνια, συνήθως το φθόριο-18, το οποίο εισάγεται στο σώμα μέσα σε ένα

βιολογικά ενεργό μόριο που ονομάζεται ραδιενεργός ανιχνευτής. Ακολούθως δημιουργούνται

τρισδιάστατες εικόνες συγκέντρωσης του ανιχνευτή με ανάλυση σε υπολογιστή. Σε σύγχρονους

σαρωτές PET-CT, η τρισδιάστατη απεικόνιση επιτυγχάνεται με τη βοήθεια αξονικής

τομογραφίας που διενεργείται στον ασθενή στην ίδια επίσκεψη, στο ίδιο μηχάνημα.[29]

Εικόνα 13 : ΜΗΧΑΝΗΜΑ PET

16 | Σ ε λ ί δ α

Εικόνα 14 : PET SCAN

ΥΠΕΡΗΧΟΣ ( ULTRASOUND )

Υπέρηχος (ultrasound) ονομάζεται το μηχανικό κύμα με συχνότητα μεγαλύτερη από αυτήν

που μπορεί να ακούσει ο άνθρωπος (20.000 Hz). Με άλλα λόγια ο υπέρηχος είναι

ένας ήχος τόσο ψηλός που δεν μπορούμε να τον ακούσουμε, καθώς το ανθρώπινο αυτί έχει

κάποια όρια και δεν μπορεί να ακούσει πολύ ψηλούς ή χαμηλούς ήχους.[30]

17| Σ ε λ ί δ α

Εικόνα 15 : ΜΗΧΑΝΗΜΑ ΥΠΕΡΗΧΟΥ

Εικόνα 16 : ΥΠΕΡΗΧΟΣ ΕΜΒΡΙΟΥ

18 | Σ ε λ ί δ α

1.4 Γενικά χαρακτηριστικά του DICOM

1.4.1 Η εσωτερική δομή του DICOM

Το πρότυπο DICOM είναι χωρισμένο σε τμήματα ( parts ) και σε κάθε τμήμα αναλογεί και μια

λειτουργία. Τέτοιες λειτουργίες μπορεί να είναι οι κλάσεις υπηρεσιών , τα IODs , το δίκτυο, τα

μέσα αποθήκευσης και άλλα. Ο τίτλος και ο αριθμός του τμήματος είναι αυτά που περιγράφουν

το τμήμα και έχει τη μορφή “ PS 3.X-YYYY” , το Χ περιγράφει τον αριθμό του τμήματος και το

ΥΥΥΥ το έτος δημοσίευσης του. Το πρότυπο DICOM αποτελείται από τα τμήματα που

αναφέρονται παρακάτω[4] :

• PS 3.1 : Στο πρώτο τμήμα βρίσκεται μια γενική εικόνα του προτύπου ( overview ).

Δίνεται η περιγραφή των σχεδίων, ορίζονται οι όροι που θα χρησιμοποιηθούν στην

συνέχεια και περιγράφονται συνοπτικά τα υπόλοιπα μέσα.

• PS 3.2 : Στο δεύτερο τμήμα βρίσκονται οι «προϋποθέσεις συμβατότητας». Το DICOM

υλοποιεί έναν αριθμό από κλάσεις όπως είναι οι SOP classes , χωρίς όμως να παρέχεται

κάποια καθορισμένη λίστα από συμβατά αντικείμενα. Επίσης , τα συστήματα θα πρέπει

να συμφωνούν με τις αρχές του DICOM.

• PS 3.3 : Στο τρίτο τμήμα ορίζονται τα αντικείμενα πληροφοριών ( IODs ) και οι

περιγραφές τους.

• PS 3.4 : Στο τέταρτο τμήμα περιέχονται οι κλάσεις υπηρεσιών ( Service classes ) , οι

οποίες είναι οι διεργασίες που εξελίσσονται. Επιπλέον οι ρόλοι του χρήστη και του

παροχέα καθορίζονται στο παρόν τμήμα.

• PS 3.5 : Η επικοινωνία για την ανταλλαγή δεδομένων γίνεται με μια συγκεκριμένη

σύνταξη γλώσσας , η διεργασία αυτή λαμβάνει μέρος στο πέμπτο τμήμα. Υπάρχει το

πρωτόκολλο ανταλλαγής δεδομένων ( message exchange protocol ) και το κλινικό

αντικείμενο τα οποία καθορίζουν τον μηχανισμό ανταλλαγής δεδομένων. Οι κλάσεις

υπηρεσιών ( PS 3.3 και PS 3.4) μαζί με τα αντικείμενα των πληροφοριών ( IODs )

καθορίζουν τις μελλοντικές πράξεις που θα εκτελεστούν. Στο συγκεκριμένο τμήμα

καθορίζονται επίσης θέματα που έχουν να κάνουν σχέση με τον τρόπο της σύνταξης για

την ανταλλαγή των μηνυμάτων, τον τρόπο παρουσίασης των δεδομένων και την

κωδικοποίηση των πληροφοριών.

• PS 3.6 : Μία λίστα που αποτελείται από όλα τα στοιχεία δεδομένων, τις αντίστοιχες

χαρακτηριστικές επικεφαλίδες τους, τα ονόματα τους και άλλα βρίσκεται στο έκτο τμήμα

της δομής του DICOM.

• PS 3.7 : Στο συγκεκριμένο τμήμα περιγράφεται το καταλληλότερο λογισμικό για την

καλύτερη αλληλεπίδραση δύο ή περισσότερων συσκευών με βάση πάντα τις

προδιαγραφές του προτύπου DICOM.

• PS 3.8 : Στο όγδοο τμήμα βρίσκονται οι πληροφορίες που απαιτούνται ώστε να γίνει η

ανταλλαγή των μηνυμάτων με βάση το DICOM. Το πρότυπο υποστηρίζει τα

πρωτόκολλα TCP/IP και ISO-OSI. Η πλειοψηφία του προτύπου DICOM ακολουθεί τα

19| Σ ε λ ί δ α

συγκεκριμένα πρωτόκολλα , εκτός από το ανώτερο του επίπεδο, χωρίς όμως να

επηρεάζεται ή να μετασχηματίζεται αλλά ούτε και να επεμβαίνει σε κάποιο από αυτά.

• PS 3.9 : Στο ένατο τμήμα συναντάμε την δόμηση της ροής εντολών, αφού ένα μήνυμα

πρέπει σταδιακά να ανέβει από τα χαμηλότερα επίπεδα του DICOM για να υπάρξει μια

επικοινωνιακή σύνοδος.

• PS 3.10 : Σε αυτό το τμήμα καθορίζεται η συμβατότητα με υπόλοιπα πρωτόκολλα.

• PS 3.11 και PS 3.12 : Τα δύο αυτά τελευταία τμήματα του προτύπου κάνουν την

περιγραφή των μέσων ανταλλαγής δεδομένων.

Το πρότυπο DICOM είναι αρκετά πολύπλοκο , λόγω του χώρου που καλύπτει και ακόμα πιο

δυσνόητο για κάποιον που έρχεται πρώτη φορά σε επαφή μαζί του , διότι είναι δύσκολο να

κατανοήσει και να συσχετίσει τις λειτουργίες του. Το ίδιο συμβαίνει και για τους

κατασκευαστές, γιατί ενώ οι συσκευές τους ακολουθούν το πρότυπο DICOM , στην πράξη όμως

είναι απίθανο να γίνει επικοινωνία των συσκευών διαφορετικών κατασκευαστών μεταξύ τους.

Στο E-R model είναι βασισμένη η φιλοσοφία του , οπότε κρίνεται το καταλληλότερο για την

υλοποίηση αναζητήσεων με σχεσιακές βάσεις δεδομένων , οι οποίες είναι αρκετά

δημοφιλής.[19]

Εικόνα 17: Τα τμήματα του DICOM

20 | Σ ε λ ί δ α

1.4.2 Κατανεμημένες εφαρμογές και λειτουργείες του DICOM

Στην παρακάτω εικόνα ( εικόνα 18 ) μπορούμε να διακρίνουμε ένα απλό πρότυπο

κατανεμημένης διεργασίας που εξηγεί τους μηχανισμούς και την ορολογία που χρησιμοποιεί το

πρότυπο DICOM.

Εικόνα 18 : Απλό μοντέλο κατανεμημένης διεργασίας.

Μια κατανεμημένη διεργασία ( Distributed Process ) έχει τουλάχιστον δύο διεργασίες οι

οποίες μοιράζονται πληροφορίες και κάθε μια από αυτές κάνει το δικό της κομμάτι στηριζόμενη

σε δεδομένα που θα πάρει από την άλλη. Ένας αριθμός κατανεμημένων διεργασιών δρουν μαζί

παρέχοντας υπηρεσίες ( service ). Για παράδειγμα τα ιατρικά μηχανήματα , ο εξυπηρετητής

αρχειοθέτησης και οι σταθμοί εργασίας παρέχουν αντίστοιχα υπηρεσίες συλλογής, αποθήκευσης

και προβολής δεδομένων εικόνων. Σε πολλές κατανεμημένες διεργασίες οι διεργασίες για την

εφαρμογή, είναι ανεξάρτητες από αυτές για την επικοινωνία μεταξύ διεργασιών και αυτό

φαίνεται στην παρακάτω εικόνα ( εικόνα 19 ). Η μετάδοση των δεδομένων ανάμεσα στα

συστήματα συντονίζεται από τις διαδικασίες επικοινωνίας , οι οποίες αντισταθμίζουν και τις

τιμές με τις οποίες αντιπροσωπεύονται εσωτερικά σε διάφορα συστήματα.[2]

21| Σ ε λ ί δ α

Εικόνα 19 : Μοντέλο κατανεμημένης διεργασίας όπου υπάρχει ανεξαρτησία ανάμεσα σε

διαδικασίες εφαρμογών επικοινωνίας.

Για να δράσουν όλες οι διεργασίες μαζί πρέπει πρώτα να γίνει η ρύθμιση πολλών

διαφορετικών θεμάτων. Να γίνει η συμφωνία για το ρόλο που θα παίξει η κάθε μια διεργασία ,

έχοντας μια ισοδύναμη εικόνα πληροφοριών και έπειτα να γίνει ο καθορισμός των διαδικασιών

που θα εκτελέσουν ξεχωριστά. Στην παρακάτω εικόνα ( εικόνα 20 ) απεικονίζεται αυτή η

διεργασία με λεπτομέρειες.

Εικόνα 20 : Μοντέλο κατανεμημένων διεργασιών με λεπτομέρειες.

22 | Σ ε λ ί δ α

Αρχικά θα πρέπει ο ρόλος της κάθε πλευράς να γίνει ο ένας ρόλος πελάτης ( Client ) και ο

άλλος ρόλος εξυπηρετητής ( Server ).[11] Η πλευρά η οποία έχει τη λειτουργικότητα της άλλης

έχει το ρόλο Client , ενώ αυτή που έχει τη λειτουργικότητα με βάση το πρότυπο έχει το ρόλο

Server. Η σχέση ( Relationship ) που μοιράζονται καθορίζει τις δράσεις και τις ενέργειες αυτών

των δύο ρόλων. Συνήθως ο Client είναι αυτός που προκαλεί τη διαδικασία αλλά υπάρχουν φορές

όπου ο Server είναι ο αρχικός συνεργάτης.

Οι δύο πλευρές πρέπει να έρθουν σε συμφωνία σχετικά με τις πληροφορίες ( Information ) που

θα ανταλλάξουν. Το πλαίσιο ( Context ) της υπηρεσίας που εφαρμόζεται στην κατανεμημένη

διεργασία είναι αυτό που θα καθορίσει τις πληροφορίες. Οι απόψεις ( σημασιολογία ) μεταξύ

των διεργασιών πάνω στις πληροφορίες ποικίλουν αλλά η κάθε άποψη πρέπει να είναι συνεπής

με όλο το πλαίσιο.

Η λειτουργία ( Operation ) καθορίζει την επεξεργασία των ανταλλασσόμενων πληροφορίων

από την άλλη πλευρά , όπως η αποθήκευση της πληροφορίας, επιστροφή ενός αποτελέσματος

και άλλων διεργασιών.

Ο συσχετισμός πλαισίου, η σχέση δηλαδή ανάμεσα στην λειτουργία και την πληροφορία

πρέπει να καθοριστεί προτού υλοποιηθεί μία επιτυχής διαδικασία και αυτό αφορά την περιοχή

εφαρμογών ( Application Domain ) των κατανεμημένων διεργασιών. Οι κατανεμημένες

διεργασίες στηρίζονται σε υπηρεσίες κατωτέρου επιπέδου όπως TCP/IP, οι οποίες παρέχονται

από την περιοχή συναλλαγών (Exchange Domain) για να γίνει η διαχείριση των ανταλλαγών

πληροφοριών.

Ο Client και ο Server πρέπει να είναι έτοιμοι να διανέμουν τα αιτήματα στις υπηρεσίες

χαμηλότερου επιπέδου. Οι υπηρεσίες χαμηλότερου επιπέδου διαχειρίζονται την ανταλλαγή και

είναι αδιαφανείς από την περιοχή εφαρμογών του Client ή του Server. Ο χρήστης υπηρεσιών (

Service User) είναι το τμήμα που ζητά υπηρεσίες και το τμήμα που τις παρέχει είναι ο παροχέας

υπηρεσιών ( Service Provider ). Τα δύο αυτά τμήματα διαφέρουν προς τις υλοποιήσεις τους,

αλλά μοιράζονται την ίδια γνώση για το πώς θα ανταλλάξουν δεδομένα και έχουν μεταξύ τους

την ίδια λογική διεπαφή.

Δουλειά του παροχέα υπηρεσιών είναι να καθορίσει το μορφότυπο ( Format ) που

μεταφέρθηκαν οι πληροφορίες και να το μετατρέψει στην αναπαράσταση ( Representation ) που

περιμένει η περιοχή εφαρμογών. Η αναπαράσταση είναι γνωστή μεταξύ του χρήστη και του

παροχέα της υπηρεσίας της κάθε πλευράς. Εφόσον πραγματοποιηθεί η ανταλλαγή, οι

πληροφορίες παρουσιάζονται ίσου μεγέθους στις διεργασίες για τις δύο πλευρές, ανεξάρτητα με

το πως ανταλλάχθηκαν.

Μέσω δικτύου ή διάφορων μέσων μπορεί να εκτελεστεί η φυσική συναλλαγή ( Physical

Exchange ) ανάμεσα σε παροχέα και χρήστη υπηρεσιών. Υπάρχουν πολλοί τρόποι να χειριστεί η

γνώση της αναπαράστασης , διότι κάθε μηχανισμός έχει τον δικό του.[11]

23| Σ ε λ ί δ α

1.4.3 Κλάσεις υπηρεσιών και SOP κλάσεις

Το πρότυπο DICOM λύνει τα ζητήματα που έχουμε ήδη αναλύσει παραπάνω αλλά

χρησιμοποιεί την δική του ορολογία για να περιγράψει το μοντέλο των κατανεμημένων

διεργασιών. Οπότε το σχήμα της εικόνας 20 διαφοροποιείται στο σχήμα της παρακάτω εικόνας

( εικόνα 21 ) , στην οποία βλέπουμε το μοντέλο των κλάσεων υπηρεσιών του προτύπου

DICOM.[10]

Εικόνα 21 : Κλάσεις υπηρεσιών του προτύπου DICOM

Η σχέση ( Relationship ) ανάμεσα στις δύο διεργασίες που συνεργάζονται καθορίζεται από

την περιγραφή της κλάσης υπηρεσιών ( Service Class ). Οι ρόλοι των δύο διεργασιών

περιγράφονται από την κλάση των υπηρεσιών και το περιβάλλον-πλαίσιο καθορίζεται ανάλογα

με τις ανεξάρτητες κλάσεις υπηρεσιών που το πλαισιώνουν. Στο πρότυπο DICOM οι δύο ρόλοι

που υπάρχουν είναι ο Χρήστης Κλάσης Υπηρεσιών ( Service Class User – SCU ) και ο

24 | Σ ε λ ί δ α

Παροχέας Κλάσης Υπηρεσιών ( Service Class Provider – SCP ) οι οποίοι πιο απλά είναι ο

πελάτης ( client ) και ο παροχέας ( server ). Είναι βασικό όμως να ξεχωρίζουμε τον SCU και τον

SCP με τον χρήστη και τον παροχέα της περιοχής τον συναλλαγών ( Exchange Domain ).

Ένα τμήμα της κλάσης υπηρεσιών ( service class ) είναι η περιγραφή των πληροφοριών (

information ) και των λειτουργιών ( operation ). Αυτοί οι δύο ρόλοι συνδυάζονται στο DICOM

με τον ορισμό της κλάσης Υπηρεσία Ζεύγους Στοιχείων ( Service Object Pair Class – SOP ). Σε

όλες τις SOP καθορίζεται ένας ορισμός αντικειμένου πληροφορίας ( Information Object

Definition – IOD ) ο οποίος συνδυάζεται με μια ή περισσότερες υπηρεσίες. Οι ρόλοι των δύο

συναλλασσόμενων διεργασιών για κάθε μια υπηρεσία είναι καθορισμένος. Όταν συμμετέχουν

περισσότερα από ένα IOD σε μια κλάση υπηρεσιών , αυτή μπορεί να έχει περισσότερες από μια

SOP. Η σχέση των πληροφοριών σε διαφορετικά IOD μπορεί να οριστεί από μια κλάση

υπηρεσιών.

Οι δυνατότητες των κατανεμημένων διεργασιών σε συγκεκριμένη κλάση ορίζονται από τις

κλάσεις SOP. Όταν οι διεργασίες που συνεργάζονται συμφωνούν στην χρησιμοποίηση μιας

κλάσης SOP , θα πρέπει να παίξουν τους ρόλους που έχει καθορίσει η κλάση υπηρεσιών (

Service class ). Η κλάση SOP πρέπει να προσδιοριστεί πριν την έναρξη ανταλλαγής

πληροφοριών. Το δίκτυο ή οποιοδήποτε άλλο μέσο που χρησιμοποιείται για την ανταλλαγή των

πληροφοριών επηρεάζει άμεσα τον μηχανισμό που θα χρησιμοποιηθεί για την συγκεκριμένη

διεργασία. Μέσω των υπηρεσιών του exchange domain οι συναλλασσόμενες διεργασίες

λειτουργούν χρησιμοποιώντας την κλάση υπηρεσιών ( Service class ).[1]

1.4.4 Το πρότυπο DICOM σε λειτουργία

Πρώτα από όλα θα πρέπει να πραγματοποιηθεί εγκαθίδρυση της σύνδεσης για να

επικοινωνήσουν οι κόμβοι μεταξύ τους. Έπειτα γίνεται η προσπάθεια έναρξης της συνόδου

μέσω δικτύου και το πρωτόκολλο δικτύου που υλοποιείται ενημερώνει για τη διαθεσιμότητα.

Εφόσον υπάρχει διαθεσιμότητα στο δίκτυο , το πρότυπο ξεκινάει μια σειρά ενεργειών για να

επιτευχθεί η σύνδεση. Το είδος των ενεργειών που θα πραγματοποιηθούν καθορίζεται από την

συσκευή που αιτείται την επικοινωνία και η συσκευή που παίρνει την συγκεκριμένη αίτηση

ενημερώνει για τις δυνατότητές της.

Εκτός από τους ρόλους της κατανεμημένης διεργασίας που έχουμε αναλύσει παραπάνω, οι δύο

αυτές πλευρές συμφωνούν στο κομμάτι των πληροφοριών που ανταλλάζουν. Στην αρχικοποίηση

της σύνδεσης ορίζεται το κοινό συντακτικό μεταφοράς ( Transfer Syntax ) , δηλαδή η κοινή

γλώσσα που θα χρησιμοποιήσουν οι κόμβοι για την επικοινωνία τους. Στο συντακτικό

μεταφοράς ( Transfer Syntax ) αναλύονται οι τεχνικές που χρησιμοποιούν οι κόμβοι για την

ανταλλαγή πληροφοριών, κωδικοποιώντας τα δεδομένα σε byte stream. Οι κωδικοποιήσεις

αυτές είναι οι Little Endian και Big Endian. Στην Little Endian αποστέλλεται πρώτα το λιγότερο

σημαντικό byte και στην Big Endian το πιο σημαντικό byte. Δύο συσκευές δεν μπορούν να

επικοινωνήσουν σωστά χρησιμοποιώντας λογισμικό με αντίθετες μεθόδους, το αποτέλεσμα που

θα προκύψει είναι η αποστολή και η αποθήκευση των δεδομένων με λάθος τρόπο, άρα και η

λανθασμένη επικοινωνία τους.[10]

25| Σ ε λ ί δ α

Από την αρχή οι δύο συσκευές πρέπει να γνωρίζουν την τεχνική που θα υλοποιήσουν με

σκοπό να προχωρήσουν στην αντίθετη μετατροπή.

Εικόνα 22 : Κωδικοποιήσεις BIG και LITTLE ENDIAN.

Η σύνδεση ανάμεσα σε δύο εφαρμογές ( application entities ) για την ανταλλαγή πληροφοριών

ονομάζεται Association. Τo Application Contex είναι το περιβάλλον που πραγματοποιείται η

ανταλλαγή πληροφοριών για κάθε Association και ορίζεται από το πρότυπο DICOM. Έπειτα

περιγράφεται η οποιαδήποτε πληροφορία που θα μεταφερθεί όπως μια εικόνα, ένας ασθενής

κτλπ. Οι οντότητες πληροφορίας ( Information Entities ) είναι αυτές που ομαδοποιούν την

συλλογή των πληροφοριών. Αποτελούνται από χαρακτηριστικά ( attributes ) ,τα οποία κάνουν

την περιγραφή μικρών κομματιών της πληροφορίας όπως ένα όνομα του ασθενή και τα IOD

είναι αυτά που τα περιγράφουν. Ένα IOD μπορεί να είναι information entity ( normalized IOD )

ή συνδυασμός από information entities ( composite IOD ). Ουσιαστικά τα χαρακτηριστικά αυτά

γνωρίσματα και τι ακριβώς θα εκτελεστεί πάνω σε αυτά είναι οι πληροφορίες που

ανταλλάσονται. Τα χαρακτηριστικά που σχετίζονται μεταξύ τους ομαδοποιούνται σε μονάδες

αντικειμένων πληροφορίας ( Information Object Modules – IOMs ). Τα IOMs είναι ορισμένα

έτσι ώστε να χρησιμοποιούνται σε περισσότερα από ένα IOD.

Παρά την περιγραφή ενός μικρού κομματιού της πληροφορίας , τα χαρακτηριστικά είναι

ακριβή και λεπτομερή. Στο πρότυπο DICOM περιγράφονται με τα εξής IOD :

• Μοναδικό Attribute Name ( αναγνώσιμο από άνθρωπο )

• Μοναδικό Attribute Tag ( πληροφορία αναγνώσιμη από το σύστημα )

• Attribute Description ( σημασιολογική περιγραφή )

• Value Representation ( σύνταξη και κωδικοποίηση )

26 | Σ ε λ ί δ α

• Value Multiplicity ( επαναληψιμότητα )

• Type Classification : 1 , 1C , 2 , 2C ή 3. Το Type Classification ορίζει αν το

χαρακτηριστικό είναι υποχρεωτικό να έχει κάποια τιμή ( τύπου 1 ) , αν είναι

υποχρεωτικό με τιμή είτε χωρίς ( τύπου 2 ), αν είναι προαιρετικό ( τύπου 3 ) ή αν

εμφανίζεται υπό συγκεκριμένες συνθήκες ( 1C , 2C)(εικόνα 23).[19]

Εικόνα 23 : Image plane module attributes.

27| Σ ε λ ί δ α

Εικόνα 24 : To IΟD για μια εικόνα CT. Αυτό ορίζεται ως μια λίστα ενοτήτων: Η πρώτη στήλη

δίνει το όνομα κάθε οντότητας πληροφοριών, η δεύτερη στήλη δίνει το όνομα της ενότητας

DICOM, και η τρίτη στήλη δίνει το τμήμα του προτύπου DICOM στην οποία η μονάδα ορίζεται.

Η τελευταία στήλη καθορίζει εάν μια μονάδα είναι υποχρεωτική (Μ) ή να καθορίζονται από το

χρήστη (U) ή να είναι επιλογής - optional (C).

1.4.5 Το μοντέλο πληροφορίας DICOM

Το μοντέλο πληροφορίας DICOM καθορίζει τη δομή και την οργάνωση των πληροφοριών

που έχουν να κάνουν σχέση με την κωδικοποίηση και την επικοινωνία των ιατρικών εικόνων. Η

παρακάτω εικόνα ( εικόνα 25 ) δείχνει τις διαδικασίες στον πραγματικό κόσμο σχετικά με την

διενέργεια μίας απεικονιστικής εξέτασης και τον τρόπο αναπαράστασης τους στο Μοντέλο

Πληροφοριών DICOM.[19]

28 | Σ ε λ ί δ α

Εικόνα 25 : Η ροή εργασιών στον πραγματικό κόσμο και το αντίστοιχο πληροφοριακό μοντέλο

του DICOM

Κάθε οντότητα έχει μια σειρά από χαρακτηριστικά. Ένα ελάχιστο σύνολο δεδομένων (MDS-

Minimum Data Set) καθορίζει ποια χαρακτηριστικά είναι υποχρεωτικά. Το μεγαλύτερο μέρος

από τα χαρακτηριστικά που σχετίζονται με την εικόνα περιέχουν δεδομένα, όπως ονόματα και

τους μοναδικούς αριθμούς για την αναγνώριση του ασθενούς, της μελέτης, το εμπλεκόμενο

ιατρικό προσωπικό, τις παραμέτρους της συσκευής που παρήγαγε τις εικόνες και πολλά άλλα

δεδομένα.

Το αντικείμενο πληροφορίας (IOD) είναι ένα αντικειμενοστραφές (object-oriented) μοντέλο

δεδομένων που χρησιμοποιείται για να καθοριστούν οι πληροφορίες που αφορούν αντικείμενα

του πραγματικού κόσμου (Real-World Objects). Κάποιο IOD χρησιμοποιείται για να

αναπαραστήσει μια ενιαία κατηγορία αντικειμένων του πραγματικού κόσμου.

Μετά την επικεφαλίδα ακολουθούν τα μετά-δεδομένα του αρχείου (File Meta Information).

Αυτό το τμήμα περιέχει μεταξύ άλλων πληροφορίες σχετικά με το αρχείο, τη σειρά και τη

μελέτη στην οποία ανήκει, καθώς και στον ασθενή που ανήκει. Αυτές οι πληροφορίες συχνά

αναλύονται και χρησιμοποιούνται ως δεδομένα ευρετηρίασης (indexing) πολυμεσικών

δεδομένων σε συστήματα διαχείρισης και αρχειοθέτησης ιατρικών εικόνων (συστήματα PACS).

Τα αντικείμενα πληροφορίας DICOM (DICOM information objects) αποτελούν περιγραφή

των αναγκαίων πληροφοριών για να περιγραφεί ή να μεταφερθεί μία εικόνα DICOM. Κάθε

τύπος εικόνας, και το αντίστοιχο αντικείμενο πληροφορίας, έχουν συγκεκριμένα

χαρακτηριστικά. Για παράδειγμα, μία εικόνα CT απαιτεί διαφορετικά αντικείμενα περιγραφής

(descriptors) στην επικεφαλίδα της εικόνας από ότι μια εικόνα υπερήχων ή μια εικόνα

οφθαλμολογίας.

29| Σ ε λ ί δ α

Εικόνα 26: Το μοντέλο πληροφοριών του DICOM. Το Ε-R (Entity-relationship) διάγραμμα

απεικονίζει τo DICOM μοντέλο του πραγματικού κόσμου, στο οποίο ο ασθενής έχει μία ή

περισσότερες μελέτες και κάθε μελέτη περιέχει μία ή περισσότερες σειρές.

Το Ε-R μοντέλο του πραγματικού κόσμου του DICOM, στο οποίο ο ασθενής έχει μία ή

περισσότερες μελέτες και κάθε μελέτη περιέχει μία ή περισσότερες σειρές. Η σειρά χρησιμεύει

ως ένα υποδοχέας (container) που συγκεντρώνει τα σχετικά αντικείμενα, όπως κυμματομορφές,

εικόνες, ανεπεξέργαστα δεδομένα, κλπ. Οι αριθμοί δίπλα από τα βέλη ή τα σχήματα

υποδεικνύουν την πληθικότητα (cardinality) της σχέσης, δηλαδή 1 = ακριβώς ένα, 0-n = μηδέν ή

περισσότερα, και 1-n = ένα ή περισσότερα. Για παράδειγμα, στη σχέση "Ασθενής" σε "Μελέτη",

ένας ασθενής έχει ένα ή περισσότερα αντικείμενα μελέτης, αλλά μία Μελέτη αναφέρεται

(σχετίζεται) με ένα μόνο ασθενή. Κάθε μελέτη αποτελείται από 1 έως n σειρές (Series)

διαγνωστικών εξετάσεων. Κάθε σειρά περιέχει 1 έως n αντικείμενα DICOM – που είναι

συνήθως εικόνες, αλλά μπορούν επίσης να είναι αναφορές (DICOM report), κυμματομορφές

(biosignals), κλπ. Μια σειρά σχετίζεται γενικά με ένα συγκεκριμένο τύπο δεδομένων (π.χ.

30 | Σ ε λ ί δ α

εικόνες αξωνικής τομογραφίας – CT images) ή με τη θέση του ασθενούς σχετικά με την

συσκευή παραγωγής της εικόνας.[19]

Όλη αυτή η πληροφορία περιέχεται στα DICOM αντικείμενα μιας μελέτης. Επομένως, μπορεί

μια μελέτη που εκτελείται σε έναν ασθενή να περιέχει 2 σειρές με την καθεμία να εμπεριέχει 10

περιπτώσεις (εικόνες).

Εικόνα 27 : Το E-R διάγραμμα δείχνει το μοντέλο πληροφορίας DICOM, το οποίο διακρίνει τα

αντικείμενα του πραγματικού κόσμου, όπως είναι οι ασθενείς, από τα αντίστοιχα αντικείμενα

DICOM information model, που αποτελούν αναπαραστάσεις των αντικειμένων του πραγματικού

κόσμου στο πληροφοριακό σύστημα.

31| Σ ε λ ί δ α

ΚΕΦΑΛΑΙΟ 2

RADIOMICS

2.1 Εισαγωγή

Radiomics ή αλλιώς Ραδιομική, έτσι όπως εφαρμόζεται στην ακτινολογία, είναι ένα τομέας

ιατρικής μελέτης που έχει στόχο να εξάγει μεγάλους αριθμούς ποσοτικών χαρακτηριστικών από

ιατρικές εικόνες με την χρήση αλγορίθμων χαρακτηρισμού δεδομένων. Τα δεδομένα που

συλλέγονται αξιολογούνται για τη βελτίωση της υποστήριξης αποφάσεων. Υπάρχει η

δυνατότητα να βρεθούν τα χαρακτηριστικά της νόσου που είναι σχεδόν ακατόρθωτο να

εντοπιστούν με την ανθρώπινη όραση.

Η διαδικασία δημιουργίας της βάσης δεδομένων συσχετικών ποσοτικών χαρακτηριστικών , με

την οποία υπάρχει η δυνατότητα να χρησιμοποιηθεί για την ανάλυση μεταγενέστερων άγνωστων

περιπτώσεων περιλαμβάνει τα εξής παρακάτω βήματα ( εικόνα 28 )[51] :

• Αρχική Επεξεργασία Εικόνας ( Initial Image Processing ) : Πραγματοποιείται η

χρήση ποικίλων αλγορίθμων ανακατασκευής όπως η αντίθεση, η βελτίωση άκρων κλπ.

Αυτή η διαδικασία έχει ως στόχο να επηρεάσει την ποιότητα και τη χρηστικότητα των

εικόνων, η οποία καθορίζει πόσο εύκολα και με ακρίβεια θα εντοπιστεί και θα

χαρακτηριστεί ένα ανώμαλο χαρακτηριστικό.

• Τμηματοποίηση Εικόνας ( Image Segmentation ) : Δημιουργούνται περιοχές ( 2D

εικόνες ) ή όγκων ενδιαφέροντος ( 3D εικόνες ). Αυτή η διαδικασία μπορεί να γίνει

χειροκίνητα, ημιαυτόματα ή ακόμα και εντελώς αυτοματοποιημένα με την χρήση

τεχνητής νοημοσύνης. Σε περιπτώσεις μεγάλων συνόλων δεδομένων η

αυτοματοποιημένη διαδικασία χρίζεται απαραίτητη , διότι οι χειροκίνητες τεχνικές είναι

συχνά πολύ χρονοβόρες και έχουν την τάση να είναι λιγότερο ακριβείς, λιγότερο

αναπαραγώγιμες και λιγότερο συνεπείς σε σχέση με τις αυτοματοποιημένες τεχνικές

τεχνητής νοημοσύνης.

• Εξαγωγή Χαρακτηριστικών και Επιλογή ( Features Extraction and Selection ) : Τα

χαρακτηριστικά γνωρίσματα περιέχουν τον όγκο, το σχήμα, την επιφάνεια, την

πυκνότητα, την ένταση, την υφή, τη θέση και τις σχέσεις με τους περιβάλλοντες ιστούς.

Για να γίνει η περιγραφή των περιοχών ενδιαφέροντος στο λεξικό ακτινολογίας

χρησιμοποιούνται τα σημασιολογικά χαρακτηριστικά. Κάποια παραδείγματα

σημασιολογικών χαρακτηριστικών είναι το σχήμα, η τοποθεσία, η αγγείωση, η νέκρωση

και οι προσκολλήσεις. Τα αγνωστικιστικά χαρακτηριστικά είναι αυτά που καλούνται να

συλλάβουν την ετερογένεια της βλάβης μέσω της χρήσης ποσοτικών μαθηματικών

περιγραφών. Ισοδύναμα παραδείγματα αγνωστικιστικών χαρακτηριστικών είναι η

κύρτωση ή λοξότητα του ιστογράμματος της εικόνας ( kurtosis ή skewness ), οι Haralick

32 | Σ ε λ ί δ α

υφές ( textures ), οι Laws υφές ( textures ), τα κυματίδια ( wavelets ), oι μετασχηματισμοί

Laplacian, οι συναρτήσεις Minkowski και οι fractal διαστάσεις ( fractal dimensions ).

Εικόνα 28 : Η ροή εργασιών της Radiomics μέσω MRI διάγνωσης

Οι χρήσεις που έχει η Radiomics είναι η εφαρμογή της στις περισσότερες απεικονιστικές

μεθόδους όπως ακτινογραφίες, υπέρηχοι ( Ultrasound ) , αξονική τομογραφία ( CT Computed

Tomography ) , μαγνητική τομογραφία ( MRI Magnetic Resonance Imaging ) και μελέτες στην

τομογραφία εκπομπής ποζιτρονίων ( PET Positron Emmision Tomography ).[34] Επίσης

υπάρχει η δυνατότητα να χρησιμοποιηθεί για την μεγαλύτερη ακρίβεια διάγνωσης, την εκτίμηση

της πρόγνωσης και την πρόβλεψη της ανταπόκρισης στην θεραπεία, ιδίως σε συνδυασμό με

κλινικά, βιοχημικά και γενετικά δεδομένα. Η συγκεκριμένη τεχνική έχει πραγματοποιηθεί σε

ογκολογικές μελέτες αλλά σε βάθος χρόνου μπορεί να εφαρμοστεί σε οποιαδήποτε ασθένεια.

Ένα πολύ χαρακτηριστικό παράδειγμα είναι η ανάλυση της υφής για τη συσχέτιση μοριακών και

ιστολογικών χαρακτηριστικών των διάχυτων γλοιωμάτων υψηλού επιπέδου. Ο προσδιορισμός

των πιο διακριτών μεθόδων εξαγωγής χαρακτηριστικών της Radiomics κυμαίνεται με βάση τον

τρόπο απεικόνισης και την παθολογία που μελετάται. Οι τρέχουσες προκλήσεις περιέχουν την

απόλυτη υιοθέτηση μιας κοινής ονοματολογίας, την κοινή χρήση δεδομένων εικόνας, τις

μεγάλες απαιτήσεις υπολογιστικής ισχύος και αποθήκευσης και την επικύρωση μοντέλων σε

33| Σ ε λ ί δ α

διαφορετικές πλατφόρμες απεικόνισης και πληθυσμούς ασθενών. Ορισμένες από τις προκλήσεις

αντιμετωπίζονται με αυξανόμενη υιοθέτηση της βαθμολογίας ποιότητας της Radiomics (

Radiomics Quality Score ( RQS ) ).[51]

2.2 Τεχνητή νοημοσύνη και μηχανική μάθηση στην RADIOMICS

Radiomics είναι μια σύνθετη λέξη στο λεξικό της ραδιομικής, η οποία προέρχεται από τον

συνδυασμό της λέξης « radio » που σημαίνει ιατρικές εικόνες και της λέξης « omics » που

υποδηλώνει τους διάφορους τομείς όπως η γονιδιωματική ( genomics ) και τη πρωτεομική (

proteomics ) που συμβάλλουν στην κατανόηση ποικίλων ιατρικών καταστάσεων. Radiomics

στην ουσία είναι η εξαγωγή μεγάλου αριθμού χαρακτηριστικών από ιατρικές εικόνες. Η

ανάλυση που πραγματοποιεί η Radiomics περιλαμβάνει την αξιολόγηση χαρακτηριστικών

μεγέθους, μορφής και υφής που περιέχουν χρήσιμες χωρικές πληροφορίες σχετικά με την

κατανομή και τα μοτίβα των pixel ή των voxel. Αυτές οι πληροφορίες χρησιμοποιούνται για

την δημιουργία στατιστικών μοντέλων με στόχο την παροχή υποστήριξης για

εξατομικευμένη διάγνωση και διαχείριση σε ποικίλα όργανα και συστήματα όπως ο

εγκέφαλος, ο πνεύμονας , το ήπαρ , η καρδιά , ο προστάτης και τα νεφρά.[34]

Η τεχνητή νοημοσύνη ( Artificial Intelligence ( AI ) ) σε γενικές γραμμές είναι ένα σύνολο

συστημάτων που έχει την δυνατότητα να κάνει με ακρίβεια συμπεράσματα από μεγάλο όγκο

δεδομένων, με βάση προηγούμενους υπολογιστικούς αλγόριθμους. Όπως γίνεται στους

ανθρώπους έτσι και η μάθηση αποτελεί θεμελιώδη ανάγκη για κάθε ευφυή συμπεριφορά των

μηχανών. Ως εκ τούτου, η τεχνητή νοημοσύνη είναι μια γενική έννοια που περιλαμβάνει

διαφορετικούς αλγορίθμους μάθησης ( Machine Learning ( ML ) ) και αλγορίθμους βαθιάς

μάθησης ( Deep Learning Algorithms ). Αν και η έννοια τεχνητή νοημοσύνη ανάγεται στην

δεκαετία του 1950, υπάρχει άνοδος της δυναμικής της από το 2000 και μετά, λόγω της

προόδου στην υπολογιστική ισχύ. Στις μέρες μας η τεχνητή νοημοσύνη παρέχει απαραίτητα

εργαλεία για την ανάλυση δεδομένων προς την επίλυση πολλών ιατρικών προβλημάτων,

ιδιαίτερα διαγνωστικού τύπου ζητήματα.[34]

34 | Σ ε λ ί δ α

Εικόνα 29 : Διάγραμμα Venn των εννοιών που σχετίζονται με την τεχνητή νοημοσύνη (AI).

Η σχέση μεταξύ Radiomics και τεχνητής νοημοσύνης φαίνεται να είναι αμοιβαία στην

σύγχρονη εποχή. Λόγω του συνεχώς αυξανόμενου πολυδιάστατου χαρακτήρα της, ο τομέας

της Radiomics χρειάζεται πολύ πιο ισχυρά αναλυτικά εργαλεία και η τεχνητή νοημοσύνη

δείχνει να είναι ο καταλληλότερος υποψήφιος για τον συγκεκριμένο στόχο, με τις ακραίες

δυνατότητές της. Από την άλλη πλευρά , όσο αναφορά στην ανάλυση ιατρικών εικόνων , οι

εφαρμογές τεχνητής νοημοσύνης χρειάζονται αδιαμφησβήτητα την Radiomics. Οι μετρικές

που χρησιμοποιούνται για την δημιουργία και την εκπαίδευση των μοντέλων τεχνητής

35| Σ ε λ ί δ α

νοημοσύνης δίνονται μέσω προσεγγίσεων που προέρχονται από την Radiomics και

συγκεκριμένα, τεχνικών εξαγωγής χαρακτηριστικών και μηχανικής χαρακτηριστικών.[33]

2.3 H RADIOMICS σε λειτουργία

Σε αυτή την ενότητα θα περιγράψουμε αναλυτικότερα την ροή εργασιών της Radiomics που

αναφέραμε νωρίτερα. Στο παρακάτω σχήμα ( εικόνα 30 ) μπορούμε να διακρίνουμε την σειρά

που έχουν όλες οι διεργασίες της Radiomics.

Εικόνα 30 : Διάγραμμα εργασιών στην Radiomics .

36 | Σ ε λ ί δ α

2.3.1 Απόκτηση εικόνας ( Image acquisition )

Αναφέραμε και νωρίτερα πως στον τομέα της Radiomics υπάρχουν πολλές τεχνικές

απεικόνισης όπως η αξονική τομογραφία ( CT ) , η μαγνητική τομογραφία ( MRI ) , η

τομογραφία εκπομπής ποζιτρονίων ( PET ) , οι ακτίνες Χ και το υπερηχογράφημα. Στις

μέρες μας χρησιμοποιούνται πολλές τεχνικές λήψης και εκτός αυτού διάφοροι

προμηθευτές προσφέρουν μεθόδους ανακατασκευής εικόνας οι οποίες προσαρμόζονται

σε κάθε ίδρυμα ανάλογα με τις ανάγκες. Αυτό δεν αποτελεί πρόβλημα μόνο σε

πολυϊδρυματική κλίμακα αλλά και στο ίδιο το ίδρυμα. Συνήθως υποτιμάται ή αγνοείται

στην οπτική ανάλυση αλλά η χρήση διαφορετικών τεχνικών λήψης και επεξεργασίας

στην Radiomics μπορεί να έχει μεγάλο αντίκτυπο. Πρόκειται για μια διαδικασία σε

επίπεδο pixel ή voxel η οποία έχει την δυνατότητα να επηρεάσει τον θόρυβο της εικόνας

και με τη σειρά της την υφή , με αποτέλεσμα να αντανακλάται ενδεχομένως μια εντελώς

διαφορετική υποκείμενη παθολογία. Οι διαφορές αυτές οδηγούν σε ασυνεπή

αποτελέσματα στις Radiomics αναλύσεις πάνω στα ανεξάρτητα σύνολα δεδομένων ,

γεγονός το οποίο αποτελεί και ένα από τα σημαντικότερα προβλήματα της Radiomics.

Γίνεται βέβαια αναγνωρίσιμο πως είναι αδύνατο να φέρουμε όλα τα πρωτόκολλα λήψης

εικόνων σε ομοιομορφία. Από την άλλη πλευρά όμως , ο πρωταρχικός σκοπός θα πρέπει

να είναι η εύρεση του καλύτερου τεχνικού αγωγού για την δημιουργία των πιο σταθερών

και ακριβών μοντέλων στην Radiomics , τα οποία να είναι εφαρμόσιμα ακόμη και στις

εικόνες που λαμβάνονται με διαφορετικά πρωτόκολλα. Όμως για να πραγματοποιηθεί

αυτό , θα πρέπει να ληφθεί μέριμνα για οποιοδήποτε τρόπο απεικόνισης λαμβάνοντας

υπόψη τις δικές του ιδιαιτερότητες.[44]

Εικόνα 31 : Ψηφιακή απεικόνιση απόκτησης εικόνας από μηχάνημα Χ-RAY

37| Σ ε λ ί δ α

2.3.2 Αρχική Επεξεργασία Εικόνας ( Initial Image Processing )

Η Radiomics εξαρτάται από ορισμένες παραμέτρους της εικόνας. Οι πιο σημαντικές

που πρέπει να αντιμετωπιστούν σε κάθε απεικονιστική μέθοδο είναι το μέγεθος του pixel

ή των voxels , ο αριθμός της αξίας του επιπέδου γκρι και το εύρος των τιμών του

επιπέδου γκρι. Επίσης η ανομοιομορφία της έντασης του σήματος πρέπει να αφαιρείται

στη μαγνητική τομογραφία. Υπάρχουν αξιοσημείωτες μέθοδοι για την αντιμετώπιση

αυτών των εξαρτήσεων. Για την κανονικοποίηση των τιμών του επιπέδου γκρι η πιο

ευρέως χρησιμοποιούμενη μέθοδος είναι αυτή της κανονικοποίησης ±3sigma. Η

επαναδειγματοληψία των pixel μπορεί να πραγματοποιηθεί με διάφορες μεθόδους

παρεμβολής όπως η γραμμική και η κυβική παρεμβολή B-spline. Διάφορα προγράμματα

λογισμικού προσφέρουν διαφορετικές μεθόδους διάκρισης , για παράδειγμα σταθερό

μέγεθος bin και σταθερός αριθμός bin. Οι αλγόριθμοι διόρθωσης του πεδίου μεροληψίας

Ν3 και Ν4 είναι ευρέως καθιερωμένες τεχνικές για την αποφυγή της ανομοιομορφίας της

έντασης του σήματος. Παρόλο που αυτά τα βήματα επεξεργασίας περιλαμβάνονται στα

προγράμματα λογισμικού της Radiomics , θα πρέπει να αναφέρουμε πως υπάρχουν

πολλά εργαλεία ανοιχτού κώδικα για προηγμένη επεξεργασία δεδομένων ακτινολογικής

απεικόνισης , όπως το ImageJ, το MIPAV ( Medical Image Processing, Analysis and

Visualization) και το 3DSlicer.[33]

Εικόνα 32 : Ψηφιακή επεξεργασία εικόνας

38 | Σ ε λ ί δ α

Εικόνα 33 : Interface από το λογισμικό ανοιχτού κώδικα ImageJ.

39| Σ ε λ ί δ α

Εικόνα 34 : Interface από το λογισμικό ανοιχτού κώδικα MIPAV ( Medical Image Processing,

Analysis and Visualization).

40 | Σ ε λ ί δ α

Εικόνα 35 : Interface από το λογισμικό ανοιχτού κώδικα 3DSlider.

41| Σ ε λ ί δ α

2.3.3 Τμηματοποίηση Εικόνας ( Image Segmentation )

Η τμηματοποίηση της εικόνας είναι ένα κρίσιμο βήμα της διαδικασίας της Radiomics , διότι

μέσα από αυτή την διαδικασία τα δεδομένα εξάγονται από τους τμηματοποιημένους όγκους.

Αυτό αποτελεί πρόκληση επειδή πολλοί όγκοι παρουσιάζουν ασαφή όρια. Είναι αμφιλεγόμενη

διότι δεν υπάρχει συναίνεση σχετικά με την ανάγκη της αναζήτησης είτε της βασικής αλήθειας

είτε της αναπαραγωγιμότητας της τμηματοποίησης.[34] Πράγματι, πολλοί θεωρούν τη

χειροκίνητη τμηματοποίηση από ειδικούς ως τη βασική αλήθεια παρά την υψηλή διακύμανση

μεταξύ των inter-readers. Αυτή η μέθοδος επίσης απαιτεί εντατική εργασία , κάτι το οποίο δεν

είναι πάντοτε εφικτό για την ανάλυση της Radiomics , καθώς χρειάζεται πολύ μεγάλα σύνολα

δεδομένων. Παρακάτω στην εικόνα 36 βλέπουμε ένα παράδειγμα χειροκίνητης κατάτμησης του

καρκίνου του πνεύμονα σε εικόνες υπολογιστικής τομογραφίας. Αν και η χειροκίνητη

κατάτμηση θεωρείται συχνά η βασική αλήθεια , αυτή η εικόνα δείχνει κόκκινες και μαύρες

περιοχές ενδιαφέροντος που οριοθετήθηκαν από δύο διαφορετικούς αναγνώστες για τον ίδιο

όγκο.[52]

Εικόνα 36 : Χειροκίνητη κατάτμηση του καρκίνου του πνεύμονα σε εικόνες υπολογιστικής

τομογραφίας.

42 | Σ ε λ ί δ α

Έχουν αναπτυχθεί αυτόματες και ημιαυτόματες μέθοδοι που διαχειρίζονται όλες τις

απεικονιστικές μεθόδους και τις διαφορετικές ανατομικές περιοχές. Οι κοινές απαιτήσεις

περιλαμβάνουν την μέγιστη αυτοματοποίηση με ελάχιστη αλληλεπίδραση του χειριστή, χρονική

αποδοτικότητα, ακρίβεια και αναπαραγωγιμότητα των ορίων. Ορισμένοι αλγόριθμοι

τμηματοποίησης βασίζονται σε μεθόδους ανάπτυξης περιοχών που απαιτούν από τον χειριστή να

επιλέξει σημείο εκκίνησης εντός του ενδιαφέροντος.[53] Οι συγκεκριμένοι μέθοδοι λειτουργούν

καλά για σχετικά ομοιογενής βλάβες αλλά χρειάζονται την διόρθωση του χρήστη για

ανομοιογενείς βλάβες. Για παράδειγμα, οι περισσότεροι πνευμονικοί όγκοι σταδίου Ι και ΙΙ

παρουσιάζουν ως ομογενείς , υψηλής έντασης βλάβες σε υπόβαθρο πνευμονικού παρεγχύματος

χαμηλής έντασης, επομένως μπορούν να τμηματοποιηθούν αυτόματα με υψηλή

αναπαραγωγιμότητα και ακρίβεια.[54]

Άλλοι αλγόριθμοι τμηματοποίησης περιλαμβάνουν μεθόδους level-set που αναπαριστούν ένα

περίγραμμα ως το σύνολο μηδενικής κλίμακας μια συνάρτησης υψηλότερης διάστασης ( level-

set function ) και στη συνέχεια η μέθοδος διατυπώνει την κίνηση του περιγράμματος ως την

εξέλιξη της level-set function.[55] Οι μέθοδοι Graph-cut κατασκευάζουν ένα γράφημα με βάση

την εικόνα και επιτυγχάνουν μια συνολικά βέλτιστη λύση των συναρτήσεων ελαχιστοποίησης

της ενέργειας , αλλά είναι υπολογιστικά δαπανηρές και μπορεί να οδηγήσουν σε

υπερτμηματοποίηση.[57] Οι αλγόριθμοι ενεργού περιγράμματος ( φιδιού ) λειτουργούν όπως

μια τεντωμένη ελαστική ταινία. Τα σημεία εκκίνησης σχεδιάζονται γύρω από τη βλάβη , στη

συνέχεια μετακινούνται μέσω μιας επαναληπτικής διαδικασίας σε ένα σημείο με τη χαμηλότερη

τιμή της συνάρτησης ενέργειας. Αυτοί οι αλγόριθμοι έχουν την δυνατότητα να οδηγήσουν το

φίδι σε ανεπιθύμητες θέσεις επειδή εξαρτώνται από ένα βέλτιστο σημείο εκκίνησης. Οι

ημιαυτόματοι αλγόριθμοι τμηματοποίησης κάνουν αναζήτηση γραφήματος μέσω τοπικής

ανάλυσης ενεργού περιγράμματος , ενώ η συνάρτηση κόστους τους ελαχιστοποιείται με τη

χρήση δυναμικού προγραμματισμού. Παρ ’όλα αυτά , ο ημιαυτόματος αλγόριθμος εξακολουθεί

να χρειάζεται ανθρώπινη αλληλεπίδραση.[59]

Όπως παρατηρούμε, δεν υπάρχει ακόμα κάποιος καθολικός αλγόριθμος τμηματοποίησης για

όλες τις εφαρμογές εικόνας και νέοι αλγόριθμοι βρίσκονται υπό αξιολόγηση για να ξεπεραστούν

αυτοί οι περιορισμοί. Πράγματι, ορισμένα χαρακτηριστικά μπορεί να παρουσιάζουν

σταθερότητα και αναπαραγωγιμότητα χρησιμοποιώντας μια μέθοδο τμηματοποίησης, αλλά όχι

χρησιμοποιώντας μια διαφορετική.

43| Σ ε λ ί δ α

Εικόνα 37 : Η μέθοδος της συνάρτησης Level-set.

Εικόνα 38 : Η μέθοδος Graph-cut.

44 | Σ ε λ ί δ α

Εικόνα 39 : Η μέθοδος ενεργού περιγράμματος ( φιδιού ).

2.3.4 Εξαγωγή Χαρακτηριστικών ( Features Extraction )

Ο πρωταρχικός στόχος της Radiomics είναι να παρέχει μια ολοκληρωμένη αξιολόγηση του

απεικονιστικού τύπου με τη χρήση αυτοματοποιημένων αλγορίθμων εξαγωγής δεδομένων.

Αυτός ο αλγόριθμός μπορεί να εξυπηρετηθεί με τον υπολογισμό μεγάλου αριθμού

υπολογιστικών και ποσοτικών χαρακτηριστικών που αποτυπώνουν μια ποικιλία φαινοτυπικών

γνωρισμάτων. Τα χαρακτηριστικά της Radiomics μπορούν να ταξινομηθούν σε αγνωστικά και

σημασιολογικά. Τα σημασιολογικά χαρακτηριστικά είναι αυτά που χρησιμοποιούνται από τους

ακτινολόγους για να περιγράψουν τις βλάβες. Τέτοιες βλάβες είναι η διάμετρος, ο όγκος και η

μορφολογία. Τα αγνωστικά χαρακτηριστικά εξάγουν με μαθηματικό τρόπο ποσοτικές

περιγραφές , οι οποίες δεν αποτελούν μέρος των ακτινολόγων. Τα χαρακτηριστικά αυτά

προσδιορίζονται από αλγόριθμους που εντοπίζουν μοτίβα στα απεικονιστικά δεδομένα όπως τα

πρώτης , δεύτερης και ανώτερης τάξης στατιστικοί προσδιορισμοί , σχηματοποιημένα

χαρακτηριστικά και fractal χαρακτηριστικά.

45| Σ ε λ ί δ α

Οι στατιστικοί προσδιορισμοί πρώτης τάξης μπορούν να χρησιμοποιηθούν για την περιγραφή

των τιμών των voxels χωρίς να ενδιαφέρονται για τις χωρικές σχέσεις. Αυτές οι μετρήσεις

μπορούν να χρησιμοποιηθούν για την ποσοτικοποίηση των φαινοτυπικών γνωρισμάτων , όπως

για παράδειγμα είναι η συνολική ένταση του όγκου , η συνολική πυκνότητα του όγκου ( μέσος

όρος και διάμεσος των voxels ) και οι διακυμάνσεις του όγκου ( εύρος ή εντροπία των voxels ).

Επίσης , υπάρχουν ειδικές λειτουργίες για τη μορφή και τη θέση που αποτυπώνουν το

τρισδιάστατο σχήμα των χαρακτηριστικών του όγκου. Τα στατιστικά χαρακτηριστικά δεύτερης

τάξης έχουν την δυνατότητα να αντιλαμβάνονται τις χωρικές σχέσεις αντίθεσης μεταξύ των

voxels. Αναφέρονται επίσης ως χαρακτηριστικά υφής. Υφή ( texture ) ορίζεται ως η κανονική

επανάληψη ενός στοιχείου ή μοτίβου σε μια επιφάνεια με τα χαρακτηριστικά της φωτεινότητας ,

του χρώματος , του μεγέθους και του σχήματος που έχει. Ένα παράδειγμα χαρακτηριστικών

υφής περιλαμβάνουν τα gray-level co-occurrence matrix, gray-level dependence matrix, gray-

level run-length matrix και gray-level size zone matrix( εικόνα 40 ). Επίσης αυτοί οι πίνακες

περιγράφουν τις διαφορές υφής με βάση τις χωρικές εξαρτήσεις των τόνων του γκρι.

Προηγουμένη μέθοδοι , όπως το wavelet και το Laplacian of Gaussian φίλτρα , μπορούν να

εφαρμοστούν για την ενίσχυση πολύπλοκων μοτίβων στα δεδομένα που είναι δύσκολο να

ποσοτικοποιηθούν με το γυμνό μάτι ( εικόνα 41).[60]

Εικόνα 40 : Διάφοροι χάρτες υφής που λαμβάνονται από εικόνες αξονικής τομογραφίας μετά

από σκιαγράφηση σε ασθενή με HPV θετικό στοματοφαρυγγικό καρκίνωμα.

46 | Σ ε λ ί δ α

Εικόνα 41 : Η εντροπία υφής είναι ένα μέτρο της τυχαίας κατανομής του επιπέδου του γκρι.

Οι κακοήθεις βλάβες παρουσιάζουν σημαντικά υψηλότερη τυχαιότητα σε σχέση με τις

καλοήθεις, γεγονός που ενδεχομένως αντανακλά την απεικονιστική ετερογένεια όπως

αποκαλύπτεται στις εικόνες MRI με ενισχυμένη αντίθεση T1-w. Τα κόκκινα χρώματα είναι

συμβατά με υψηλές τιμές εντροπίας, τα πράσινα με μέτριες και τα μπλε με χαμηλές τιμές

εντροπίας.

2.3.5 Επιλογή Χαρακτηριστικών ( Features Selection )

Δεδομένου ότι εξάγεται μεγάλος αριθμός χαρακτηριστικών συνιστάται να χρησιμοποιηθούν

μεθοδολογίες επιλογής χαρακτηριστικών για τον εντοπισμό των μη-περιττών, σταθερών και

συναφή χαρακτηριστικών που είναι πιθανότερα να οδηγήσουν σε μοντέλα με καλύτερες

επιδόσεις. Η σταθερότητα μπορεί να αξιολογηθεί από την άποψη της συνέπειας των

χαρακτηριστικών σε ένα περιβάλλον test-retest ή της ανθεκτικότητας των χαρακτηριστικών σε

μεταβολές στην κατάτμηση όγκου. Μια βασική προσέγγιση για την αφαίρεση των περιττών

χαρακτηριστικών είναι η εξάλειψη χαρακτηριστικών με βάση την συσχέτιση. Πολύ άλλοι

μέθοδοι επιλογής χαρακτηριστικών είναι διαθέσιμοι για τη μείωση της διαστατικότητας (

dimensionality ). [63]

Αυτοί οι μέθοδοι χωρίζονται σε τρεις κατηγορίες στην μέθοδο φίλτρου , μέθοδο περιτύλιξης

και ενσωματωμένη μέθοδος ( εικόνα 42 ). Η μέθοδος φίλτρου εκτελεί κατάταξη

χαρακτηριστικών και επιλογή με βάση τα στατιστικά μέτρα και χαρακτηρίζεται από την

υπολογιστική τους αποδοτικότητα , τη γενίκευση και την ανθεκτικότητα στην υπερπροσαρμογή.

Η μέθοδος φίλτρου μπορεί είτε να κατατάξει τα χαρακτηριστικά ανεξάρτητα ( μονομεταβλητή

μέθοδος ) , αγνοώντας τη σχέση μεταξύ των χαρακτηριστικών , είτε να λαμβάνει υπόψη την

εξάρτηση μεταξύ των χαρακτηριστικών ( πολυμεταβλητή μέθοδος ). Η μονομεταβλητή μέθοδος

φίλτρου συνήθως χρησιμοποιείται ως βήμα προ επεξεργασίας , δεδομένου ότι ο πλεονασμός δεν

αναλύεται. Στην μέθοδο περιτύλιξης οι αναζητήσεις για τον εντοπισμό σχετικών υποσυνόλων

47| Σ ε λ ί δ α

και μη πλεοναζόντων χαρακτηριστικών κάθε υποσύνολο αξιολογείται με βάση την απόδοση του

μοντέλου που παράγεται με το υποψήφιο υποσύνολο. Αυτή η μέθοδος είναι επιρρεπείς στην

υπερπροσαρμογή και είναι υπολογιστικά δαπανηρή. Σε σύγκριση με την μέθοδο περιτύλιξης , η

ενσωματωμένη μέθοδος είναι υπολογιστικά αποδοτική.[63]

Εικόνα 42 : Οι μέθοδοι επιλογής χαρακτηριστικών

48 | Σ ε λ ί δ α

2.4 Χειρισμός των δεδομένων στην RADIOMICS

2.4.1 Προετοιμασία Δεδομένων

Πριν από την περαιτέρω ανάλυση των Radiomics δεδομένων που λαμβάνονται με την

χρήση αλγορίθμων τεχνητής νοημοσύνης , θα πρέπει να καλυφθούν ορισμένες

προϋποθέσεις. Πιθανά βήματα προετοιμασίας δεδομένων μπορεί να είναι τα εξής :

κλιμάκωση, διάκριση, συνέχιση, τυχαιοποίηση, υπερδειγματοληψία και

υποδειγματοληψία. Λαμβάνοντας υπόψη τον σημαντικό ρόλο τους στην απόδοση της

ταξινόμησης βάση τεχνητής νοημοσύνης , συνιστάται ότι τουλάχιστον η κλιμάκωση και

η τυχαιοποίηση των χαρακτηριστικών θα πρέπει να συμπεριλαμβάνονται σε κάθε

επιστημονική εργασία.[33]

Οι τιμές των Radiomics χαρακτηριστικών παράγονται σε διαφορετικές κλίμακες,

γεγονός που επηρεάζει σε μεγάλο βαθμό τη σταθερότητα των εσωτερικών παραμέτρων

των αλγορίθμων τεχνητής νοημοσύνης, όπως για παράδειγμα είναι τα βάρη και η κλίση

του τεχνητού νευρωνικού δικτύου. Η κλιμάκωση χαρακτηριστικών σημαίνει την αλλαγή

των αριθμητικών τιμών σε μια κοινή κλίμακα , αποφεύγοντας σημαντικές στρεβλώσεις

στα εύρη των τιμών. Περιλαμβάνει δυο μεγάλες κατηγορίες την κανονικοποίηση και την

τυποποίηση. Η επιλογή της τεχνικής εξαρτάται από τις υποθέσεις σχετικά με την

κατανομή των δεδομένων που κάνουν οι αλγόριθμοι τεχνητής νοημοσύνης που πρόκειται

να χρησιμοποιηθούν σε ανάλυση. Η τυχαιοποίηση του συνόλου δεδομένων είναι ένας

εξίσου σημαντικός παράγοντας για την δημιουργία μοντέλων ,διότι η απόδοση των

αλγορίθμων επηρεάζεται από τους παράγοντες έναρξης ή σποράς. Σε περίπτωση που δεν

εφαρμοστεί πριν από την δημιουργία μοντέλων , ορισμένα μοτίβα στο σύνολο

δεδομένων υπάρχει περίπτωση να επηρεάσουν έντονα τα αποτελέσματα.[33]

Η ισορροπία των κλάσεων είναι ένας σημαντικός παράγοντας για την εύρεση της

πραγματικής απόδοσης των ταξινομητών ML ( machine learning ). Σε περίπτωση

σημαντικής ανισορροπίας τα αποτελέσματα ενδέχεται να είναι παραπλανητικά. Για την

αντιμετώπιση αυτού του προβλήματος μπορούν να χρησιμοποιηθούν τεχνικές

υπερδειγματοληψίας και υποδειγματοληψίας. Η τεχνική συνθετικής

υπερδειγματοληψίας μειοψηφίας ( SMOTE ) είναι μια από τις πιο ευρέως

χρησιμοποιούμενες τεχνικές για την εξισορρόπηση των κλάσεων. Η τεχνική αυτή

δημιουργεί νέα και παρόμοια παραδείγματα από την κλάση μειοψηφίας που δεν είναι

ακριβείς αντιγραφές των πραγματικών περιπτώσεων.[33]

49| Σ ε λ ί δ α

Εικόνα 43 Τεχνική συνθετικής υπερδειγματοληψίας μειοψηφίας SMOTE.

2.4.2 Μείωση Διάστασης

Οι γενικές προσεγγίσεις της Radiomics είναι υψηλής διάστασης, το οποίο σημαίνει ότι

παράγουν αρκετά μεγάλο αριθμό χαρακτηριστικών προς επεξεργασία. Η μείωση της

υψηλής διάστασης σε χαμηλότερα επίπεδα αποτελεί μια κοινή πρακτική για τη

βελτιστοποίηση της απόδοσης του ταξινομητή, η διαδικασία αυτή ονομάζεται μείωση

διάστασης ( Dimension reduction). Η μείωση της διάστασης μπορεί να γίνει με την

χρήση διάφορων προσεγγίσεων όπως η ανάλυση αναπαραγωγιμότητας

χαρακτηριστικών, η ανάλυση της συγγραμικότητας, η αλγοριθμική επιλογή

χαρακτηριστικών και η ομαδική ανάλυση.

Η ανάλυση αναπαραγωγιμότητας των χαρακτηριστικών (Feature reproducibility

analysis) γίνεται για την αξιολόγηση των χαρακτηριστικών που είναι ευαίσθητα στις

μεταβλητότητες της τμηματοποίησης, συγκεκριμένα στις εργασίες τμηματοποίησης που

απαιτούν ανθρώπινη παρέμβαση. Ο στόχος της διαδικασίας αυτής είναι η μείωση της

διάστασης αποκλείοντας τα χαρακτηριστικά με σχετικά κακή αναπαραγωγιμότητα. Ένα

από τα πιο συνηθισμένα στατιστικά εργαλεία για την ανάλυση αυτή είναι ο συντελεστής

συσχέτισης εντός της τάξης ( intra-class correlation coefficient (ICC) ). Υπάρχουν

διάφοροι τύποι ICC που πρέπει να ληφθούν υπόψη στην ανάλυση.[68]

50 | Σ ε λ ί δ α

Εικόνα 44 : Ιστόγραμμα του συντελεστή συσχέτισης εντός της κατηγορίας (ICC).

Η ανάλυση της συγγραμικότητας ( Collinearity analysis ) είναι επίσης ένας καλός τρόπος

μείωσης της διάστασης , επειδή ένας μεγάλος αριθμός χαρακτηριστικών έχει παρόμοια

πληροφορία και η έκταση της ονομάζεται ισχύς της συγγραμικότητας ( strength of collinearity

).[69] Ο συντελεστής συσχέτισης του Pearson είναι αυτός που μπορεί να χρησιμοποιηθεί για τον

προσδιορισμό των πλεοναζόντων χαρακτηριστικών δηλαδή των χαρακτηριστικών της

συγγραμικότητας. Εάν ένας ζεύγος χαρακτηριστικών της radiomics έχει υψηλή συγγραμικότητα,

αυτό που έχει την υψηλότερη σε σύγκριση με τα υπόλοιπα θα πρέπει να αποκλειστεί από την

ανάλυση. Ωστόσο, υπάρχουν ορισμένοι αλγόριθμοι για την επιλογή των χαρακτηριστικών με

βάση την κατάσταση της συγγραμικότητας και τη μέγιστη συνάφεια με τις κλάσεις, για

παράδειγμα ο αλγόριθμος επιλογής χαρακτηριστικών με βάση τη συσχέτιση. Οι συγκεκριμένοι

αλγόριθμοι είναι αρκετά χρήσιμοι διότι μειώνουν τον φόρτο εργασίας στη μείωση της διάστασης

εκτελώντας ταυτόχρονα δύο τεχνικές, αυτή της ανάλυσης της συγγραμικότητας και της επιλογής

των χαρακτηριστικών.

51| Σ ε λ ί δ α

Εικόνα 45 : Πίνακας συντελεστών συσχέτισης μεταξύ των 13 απεικονιστικών χαρακτηριστικών

που αξιολογήθηκαν στην ανάλυση. Οι συσχετίσεις αξιολογήθηκαν με τη χρήση του συντελεστή

συσχέτισης Pearson.

Η πιο ευρέως χρησιμοποιούμενη τεχνική μείωσης της διάστασης είναι η αλγοριθμική επιλογή

χαρακτηριστικών. Υπάρχουν πολλοί αλγόριθμοι με διαφορετικές λειτουργίες όπως ο τελεστής

ελαχίστης απόλυτης συρρίκνωσης και επιλογής, ο αλγόριθμος επιλογής χαρακτηριστικών με

βάση τη συσχέτιση, ο ReliefF και ο δείκτης Gini.

52 | Σ ε λ ί δ α

Εικόνα 46 : Τελεστής ελαχίστης απόλυτης συρρίκνωσης και επιλογής ( Least absolute shrinkage

and selection operator (LASSO) ). (Α) Για τη μείωση της διάστασης των χαρακτηριστικών

ομαδοποίησης. (Β) Έξι χαρακτηριστικά αντιστοιχούσαν στο ελάχιστο σφάλμα.

Εικόνα 47 : Πολυκριτηριακό μέτρο απόδοσης του αλγορίθμου ReliefF που εφαρμόζεται στο

σύνολο δεδομένων "ada agnostic".

53| Σ ε λ ί δ α

Εικόνα 48 : Μέση μείωση του δείκτη Gini που δείχνει τη σημασία των παραμέτρων ΡΕΤ για την

ταξινόμηση μεταξύ υποτροπιάζοντος όγκου στον εγκέφαλο και νέκρωσης από ακτινοβολία στον

ταξινομητή τυχαίου δάσους. GLCM = πίνακας συνύπαρξης γκρίζου επιπέδου GLRLM =

πίνακας μήκους διαδρομής γκρίζου επιπέδου GLZLM = πίνακας μήκους ζώνης γκρίζου

επιπέδου NGLDM = πίνακας διαφορετικού γκρίζου επιπέδου γειτονιάς SUV = τυποποιημένη

τιμή πρόσληψης.

Το πιο μπερδεμένο ζήτημα στη μείωση της διάστασης είναι ο τελικός αριθμός

χαρακτηριστικών που πρέπει να επιτευχθεί. Παρόλο που δεν υπάρχει καμία κατευθυντήρια

γραμμή σχετικά με αυτό, θα ήταν καλό να μειωθεί ο συνολικός αριθμός των χαρακτηριστικών

τουλάχιστον στο ένα δέκατο των συνολικών επισημασμένων δεδομένων. Οι ειδικοί

υποστηρίζουν ότι αν και είναι καλύτερο να διατηρηθεί ο αριθμός των χαρακτηριστικών όσο το

54 | Σ ε λ ί δ α

δυνατόν μικρότερος, δεν θα πρέπει να αποτελεί μείζον θέμα, εφόσον επικυρώνονται στα

ανεξάρτητα εξωτερικά δεδομένα με ικανοποιητική απόδοση.

2.4.3 Στατιστική ανάλυση με βάση την τεχνητή νοημοσύνη

Εικόνα 49 : Το κλασσικό μοντέλο της Radiomics

Υπάρχουν μερικές προϋποθέσεις που πρέπει να ληφθούν πριν από μια πρωτοβουλία τεχνητής

νοημοσύνης. Αυτές είναι τα συνεπή δεδομένα, η καλή επιμέλεια των δεδομένων, η επεξεργασία

των δεδομένων από ειδικούς και το έγκυρο κλινικό πρόβλημα που πρέπει να λυθεί από την

τεχνητή νοημοσύνη. Το μέγεθος του δείγματος είναι επίσης σημαντικό ζήτημα που πρέπει να

εξεταστεί πριν από μια ανάλυση τεχνητής νοημοσύνης. Είναι σύνηθες να συναντάμε στη

βιβλιογραφία μελέτες βασισμένες στην τεχνητή νοημοσύνη ή στην μηχανική μάθηση με πολύ

μικρό αριθμό ασθενών. Οι ακτινολόγοι όμως πρέπει να γνωρίζουν πως το μέγεθος του δείγματος

είναι σημαντικός παράγοντας για την αποφυγή ορισμένων προβλημάτων στην προσαρμογή του

μοντέλου και για τη βελτίωση της γενίκευσης σε αθέατα δεδομένα. Για πολύ σύνθετους

αλγόριθμους υπάρχει απόλυτη ανάγκη για τεράστιο όγκο δεδομένων, τέτοιος αλγόριθμος είναι η

55| Σ ε λ ί δ α

βαθιά μάθηση ( deep learning ). Παρ' όλα αυτά, σε περίπτωση περιορισμένων ή μικρών

δεδομένων, πρέπει να γνωρίζουμε ότι υπάρχουν ορισμένες γνωστές τεχνικές επαύξησης όπως ο

μετασχηματισμός εικόνας και η συνθετική μειοψηφία υπερδειγματοληψίας που πρέπει επίσης να

ληφθούν υπόψη.

2.4.4 Ανάπτυξη Μοντέλου

Εικόνα 50 : Αλγόριθμοι που χρησιμοποιούνται για την ανάπτυξη των μοντέλων

Η ανάπτυξη μοντέλων μπορεί να γίνει με τη χρήση πολλών αλγορίθμων. Οι πιο συνηθισμένοι

αλγόριθμοι είναι οι k-κοντινότεροι γείτονες, ο Naïve Bayes, η λογιστική παλινδρόμηση (logistic

regression), η μηχανή διανυσμάτων υποστήριξης ( support vector machine ), το δέντρο

απόφασης, το τυχαίο δάσος, τα νευρωνικά δίκτυα και η βαθιά μάθηση[37]. Οι συγκεκριμένοι

αλγόριθμοι μπορούν να συνδυαστούν με μετά-ταξινομητές ή τεχνικές συνόλου όπως είναι η

προσαρμοστική ενίσχυση και το σύνολο bootstrap για την ενίσχυση της γενίκευσης.

56 | Σ ε λ ί δ α

Εικόνα 51 : Αλγόριθμος k-κοντινότεροι γείτονες σε βαθμολογία ReliefF

Εικόνα 52 : Αλγόριθμος ταξινόμησης Naïve Bayes

57| Σ ε λ ί δ α

Εικόνα 53 : Αλγόριθμος λογιστικής παλινδρόμησης ( logistic regression )

Εικόνα 54 : Αλγόριθμος μηχανής διανυσμάτων υποστήριξης ( support vector machine )

58 | Σ ε λ ί δ α

Εικόνα 55 : Αλγόριθμος δέντρου απόφασης

Εικόνα 56 : Αλγόριθμος τυχαίου δέντρου

59| Σ ε λ ί δ α

Εικόνα 57 : Απεικόνιση της αρχιτεκτονικής της νευρωνικής αρχιτεκτονικής συνελικτικού

δικτύου ( convolutional neural architecture (CNN)).0

2.4.5 Επικύρωση

Η Radiomics θεωρείται απλώς ένας ερευνητικός τομέας, για να γίνει αποδεκτή στον κλινικό

χώρο , τα αποτελέσματα της θα πρέπει να επικυρωθούν με τη χρήση ανεξάρτητων δεδομένων

και κατά προτίμηση με δεδομένα διαφορετικού ιδρύματος. Η πιο αξιόπιστη στρατηγική για την

επικύρωση των μοντέλων θεωρείται η ανεξάρτητη εξωτερική επικύρωση. Σε μικρής κλίμακας

πιλοτικές ή προκαταρκτικές εργασίες όμως δεν είναι δυνατό να υπάρχουν τέτοια ανεξάρτητα

δεδομένα επικύρωσης. Σε τέτοιες περιπτώσεις υπάρχει η δυνατότητα να χρησιμοποιηθούν

τεχνικές εσωτερικής επικύρωσης. Οι πιο συνηθισμένες τεχνικές εσωτερικής επικύρωσης είναι η

k-fold, η leave-one-out cross-validation και η hold-out. Υπάρχουν επίσης και πιο εξελιγμένες

τεχνικές όπως η τυχαία δειγματοληψία ( random subsampling ), η διασταυρωμένη επικύρωση

bootstrap ( bootstrap cross-validation ) και η φωλιασμένη διασταυρούμενη επικύρωση ( nested

cross-validation ).[72]

60 | Σ ε λ ί δ α

Στη διασταυρούμενη επικύρωση k-fold το σύνολο των δεδομένων χωρίζεται συστηματικά σε k

αριθμό χωρίς επικάλυψη στα τμήματα επικύρωσης. Στη διασταυρούμενη επικύρωση leave-one-

out το σύνολο των δεδομένων διαιρείται συστηματικά σε έναν αριθμό που είναι ίσος με τον

αριθμό των επισημασμένων δεδομένων, χωρίς επικάλυψη στα τμήματα επικύρωσης. Στην

επικύρωση bootstrapping γίνεται δειγματοληψία ολόκληρων των δεδομένων για τη δημιουργία

αθέατων τμημάτων επικύρωσης, τα οποία συμπληρώνονται ή αντικαθίστανται με παρόμοια

επισημασμένα δεδομένα στο σύνολο δεδομένων εκπαίδευσης. Στην τυχαία δειγματοληψία το

σύνολο των δεδομένων δειγματοληπτείται τυχαία πολλές φορές για τη δημιουργία τμημάτων

επικύρωσης που μπορεί να έχουν επικαλύψεις σε διαφορετικά πειράματα. Στην φωλιασμένη

διασταυρούμενη επικύρωση ο εσωτερικός βρόχος χρησιμοποιείται για την επιλογή

χαρακτηριστικών μαζί με τη βελτιστοποίηση. Ο εξωτερικός βρόχος χρησιμοποιείται στην

επικύρωση του μοντέλου για την προσομοίωση μιας ανεξάρτητης διαδικασίας. Στην τεχνική

hold-out δημιουργείται ένα ενιαίο τμήμα με τυχαία δειγματοληψία. Στην ανεξάρτητη επικύρωση

το τμήμα αντιστοιχεί σε ένα εντελώς διαφορετικό σύνολο δεδομένων. Εκτός από την επικύρωση

bootstrapping οι μαύροι και οι κόκκινοι κύκλοι αντιπροσωπεύουν σύνολα δεδομένων

εκπαίδευσης και επικύρωσης αντίστοιχα.

Εικόνα 58 : Τεχνικές εσωτερικής επικύρωσης

61| Σ ε λ ί δ α

Η επιλογή τεχνικής της διασταυρούμενης επικύρωσης εξαρτάται κυρίως από την ανάγκη και

την ικανότητα του λογισμικού μαζί με τις προδιαγραφές του υλικού που χρησιμοποιείται. Το

σημαντικότερο πρόβλημα στην εσωτερική επικύρωση είναι η πιθανή διαρροή του αλγορίθμου

επιλογής χαρακτηριστικών στο σύνολο δεδομένων, πράγμα το οποίο μπορεί να οδηγήσει σε

υπερβολικά αισιόδοξα αποτελέσματα. Για τη δημιουργία τέτοιων αθέατων συνόλων δεδομένων

η τεχνική hold-out είναι η καταλληλότερη μέθοδος εσωτερικής επικύρωσης. Υπάρχει επίσης και

τεχνική nested cross-validation που χρησιμοποιείται για το σκοπό αυτό και μπορεί να δώσει

παρόμοιες εκτιμήσεις με μια ανεξάρτητη επικύρωση.[73]

2.4.6 Αξιολόγηση επιδόσεων

Η αξιολόγηση της απόδοσης των ταξινομήσεων γίνεται με τη χρήση της περιοχής κάτω από τη

χαρακτηριστική καμπύλη λειτουργίας δέκτη (AUC). Κάποιες φορές η AUC μπορεί να είναι ένας

κακός αξιολογητής επιδόσεων εάν το σύνολο δεδομένων έχει ανισορροπία κλάσεων. Για το λόγο

αυτό χρησιμοποιούνται και άλλες μετρικές επιδόσεων όπως η ακρίβεια, η ευαισθησία, η

ειδικότητα, η ανάκληση, το μέτρο F1 και ο συντελεστής συσχέτισης Matthews.[74]

Εικόνα 59 : Χαρακτηριστική καμπύλη λειτουργίας δέκτη (AUC)

62 | Σ ε λ ί δ α

Εικόνα 60 : Μέτρο ακρίβειας, ανάκλησης και F1

Εικόνα 61 : Συντελεστής συσχέτισης Matthews ( Matthews correlation coefficient (MCC) )

63| Σ ε λ ί δ α

Η σύγκριση των επιδόσεων επικύρωσης των αλγορίθμων τεχνητής νοημοσύνης μπορεί να γίνει

με συμβατικές στατιστικές μεθόδους. Ανάλογα με τις παραδοχές των μεθόδων και τον αριθμό

των ταξινομητών, τα πιο συνηθισμένα στατιστικά εργαλεία για συγκρίσεις είναι το student t-test,

το Wilcoxon signed-rank test, η ανάλυση της διακύμανσης και το Friedman test. Στις πολλαπλές

συγκρίσεις πρέπει να αντιμετωπιστεί και το πρόβλημα της πολλαπλότητας. Ο ταξινομητής ή οι

ταξινομητές με την καλύτερη απόδοση και σταθερότητα επιλέγονται για την κλινική εφαρμογή

ενδιαφέροντος.[74]

Εικόνα 62 : Student t-test

64 | Σ ε λ ί δ α

Εικόνα 63 : Wilcoxon signed-rank test

Εικόνα 64 : Ανάλυση της διακύμανσης ( analysis of variance ( ANOVA) )

65| Σ ε λ ί δ α

Εικόνα 65 : Friedman test

66 | Σ ε λ ί δ α

ΚΕΦΑΛΑΙΟ 3

ΣΥΜΠΕΡΑΣΜΑΤΑ

Η δημιουργία και η ραγδαία εξέλιξη του προτύπου DICOM έπαιξε πολύ σημαντικό ρόλο στην

εξέλιξη της σωστής επικοινωνίας μεταξύ των απεικονιστικών μηχανημάτων και την γενική

εξέλιξη του ιατρικού τομέα. Δεδομένου ότι κάθε απεικονιστικό μηχάνημα είχε τον δικό του

κώδικα επικοινωνίας , το DICOM ήρθε για να « ενώσει » αυτό το χάσμα και να βελτιώσει τις

οικονομικές σχέσεις μεταξύ εταιριών και πελάτη. Επίσης υπήρξε η βάση για την ανάπτυξη

πολλών άλλων καινοτόμων ερευνών όπως αυτή της RADIOMICS που αναλύσαμε στο 2ο

κεφάλαιο.

Η έρευνα και η υλοποίηση της RADIOMICS είναι ένα πολύ μεγάλο βήμα στον ιατρικό τομέα.

Είναι ένας τομέας που συνδυάζει την επιστήμη της ιατρικής και την εφαρμογή της τεχνητής

νοημοσύνης πάνω σε αυτή. Ο συνδυασμός αυτός μπορεί να κάνει « θαύματα ». Με το πέρας του

χρόνου η τεχνητή νοημοσύνη και η ιατρική έχουν μια αμοιβαία σχέση αλληλεξάρτησης. Η

καινοτομία και ο αυτοματισμός που προσφέρει η τεχνητή νοημοσύνη στην επιστήμη της

ιατρικής αποτελεί το επόμενο μεγάλο τεχνολογικό βήμα στο ιατρικό τομέα. Με τα σωστά

δεδομένα και την ορθή υλοποίηση των αλγορίθμων της RADIOMICS μπορούμε να πούμε με

ασφάλεια πως βλέπουμε το « μέλλον » της ιατρικής.

Φυσικά πάντα θα υπάρχουν και τα αρνητικά. Η χρήση λανθασμένων δεδομένων μπορούν να

μας οδηγήσουν στο εντελώς αντίθετο αποτέλεσμα. Από την στιγμή που δεν θα υπάρχει

ανθρώπινη άποψη σε θέμα επιλογής αντιμετώπισης προβλήματος ενός ασθενή , οι λανθασμένες

και ανεπαρκής πληροφορίες μπορούν να αποβούν μοιραίες. Καθώς ο αλγόριθμος θα βγάλει το

πόρισμα με τα αντίστοιχα δεδομένα που έχει και όχι με την δική του κρίση. Αυτός είναι και ο

λόγος που ο πλήρης αυτοματισμός δεν συνιστάται στην παρούσα κατάσταση.

67| Σ ε λ ί δ α

Βιβλιογραφία

1ου Κεφαλαίου :

[1] Κουράκης Γεώργιος ( 2005 ) « Δυναμική απεικόνιση στατιστικών στοιχείων χρήσης,

συστημάτων αρχειοθέτησης και μεταφοράς ιατρικών εικόνων ( PACS) , μέσω τεχνολογιών

διαδικτύου. » .Πτυχιακή εργασία. Τεχνολογικό Εκπαιδευτικό Ίδρυμα Κρήτης. Πρόγραμμα

σπουδών επιλογής τεχνολογία ιατρικών συστημάτων και κατεύθυνση τηλεϊατρικής. Σελ 12-16

[2] Κουτελάκης Γεώργιος ( 2008 ) « Μοντελοποίηση ανοιχτής αρχιτεκτονικής για επικοινωνία

ιατρικών απεικονιστικών εξετάσεων με βάση το πρωτόκολλο WADO του DICOM ».

Διδακτορική διατριβή. Πανεπιστήμιο Πατρών. Τμήμα Ηλεκτρολόγων Μηχανικών και

Τεχνολογίας Υπολογιστών. Σελ 45-47

[3] Γιαννακάκη Στέλλα , Παπαδάκη Ελευθερία. « Λογισμικό διαχείρισης DICOM ». Πτυχιακή

Εργασία. Τεχνολογικό Εκπαιδευτικό Ίδρυμα Κρήτης. Σχολή Τεχνολογικών Εφαρμογών. Τμήμα

Εφαρμοσμένης Πληροφορικής και Πολυμέσων.

[4] Σακκαλής Βαγγέλης « Το πρότυπο DICOM και η εφαρμογή του στην Διαχείριση Ιατρικών

Εικόνων ».

[5] NEMA PS 3 – Digital Imaging and Communications in Medicine, 2004 ed., Global

Engineering Documents, Englewood CO, 2004

[6] Oosterwijk, Herman and Paul T. Gihring, DICOM Basics, 2nd

ed., OTech, Inc., Aubrey, TX,

2002 Σελ 9-12

[7] https://dicom.offis.de/dcmintro.php.en

[8] Digital Imaging and Communication in Medicine (DICOM) - Part 1: Introduction and

Overview, Nat. Elect. Manufact. Assoc., 2008.

[9] Digital Imaging and Communication in Medicine (DICOM) - Part 4: Service Class

Specifications, Nat. Elect. Manufact. Assoc., 2008.

[10] B. Revet, DICOM Cook Book for Implementations in Modalities, Philips Medical Systems

Nederland B.V., Jan. 1997, chapters 1 and 2. Σελ 2-5,6-12

68 | Σ ε λ ί δ α

[11] Digital Imaging and Communication in Medicine (DICOM) - Part 7: Message Exchange,

Nat. Elect. Manufact. Assoc., 2008.

[12] Μ. Σκιαδάς, Η πληροφορική στα απεικονιστικά εργαστήρια και το πρότυπο DICOM,

Υγείας Πρότυπον, 2004.

[13] B. Gorissen, Digital Imaging COmmunications in Medicine - DICOM in a Nutshell, Philips

Medical Systems Nederland B.V., Mar. 1997.

[14] Digital Imaging and Communication in Medicine (DICOM) - Part 10: Media Storage and

File Format for Media Interchange, Nat. Elect. Manufact. Assoc., 2008.

[15] Pianykh O S, Digital Imaging and Communications in Medicine (DICOM): A Practical

Introduction and Survival Guide, Springer Berlin Heidelberg, Germany, 2008.

[16] Καντιδάκης Σωτήρης ( 2015 ) « Διαδραστικοδιαδικτυακό Σύστημα Διαχείρισης και

Επεξεργασίας Ιατρικών Εικόνων Συμβατό ΜΕ Πρωτόκολλο DICOΜ ». Πτυχιακή Εργασία.

Τεχνολογικό Εκπαιδευτικό Ίδρυμα Δυτικής Ελλάδας. Τμήμα Μηχανικών Πληροφορικής τ.ε.

[17] Δρ. Π.Ασβεστάς « Πρότυπο DICOM – Data Dictionary, VR, Tags, Imlpicit and Explicit

VR, Information modyles, Ies, IODs ». Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας.

ΙΑΤΡΙΚΗ ΠΛΗΡΟΦΟΡΙΚΗ – Θ. Τμήμα Μηχανικών Βιοϊατρικής Τεχνολογίας Τ.Ε.

[18] Πρότυπο DICOM 2015, NEMA

http://dicom.nema.org/standard.html

[19] M. Τσικνάκης « Εισαγωγή στο Πρότυπο DICOM » Σελ 2-3,7-15

[20] ACR (American College of Radiology),

http://www.acr.org/

[21] NEMA - National Electrical Manufacturers Association), the Electric Power Club and the

Associated Manufacturers of Electrical Supplies at 1926

http://www.nema.org/pages/default.aspx

[22] DICOM Wikipedia

https://en.wikipedia.org/wiki/DICOM

69| Σ ε λ ί δ α

[23] PACS Wikipedia

https://en.wikipedia.org/wiki/Picture_archiving_and_communication_system

[24] https://www.dcm4che.org/

[25] https://en.wikipedia.org/wiki/X-ray

[26]https://el.wikipedia.org/wiki/%CE%91%CE%BE%CE%BF%CE%BD%CE%B9%CE%BA

%CE%AE_%CF%84%CE%BF%CE%BC%CE%BF%CE%B3%CF%81%CE%B1%CF%86%C

E%AF%CE%B1

[27]https://el.wikipedia.org/wiki/%CE%9C%CE%B1%CE%B3%CE%BD%CE%B7%CF%84%

CE%B9%CE%BA%CE%AE_%CF%84%CE%BF%CE%BC%CE%BF%CE%B3%CF%81%CE

%B1%CF%86%CE%AF%CE%B1

[28] https://en.wikipedia.org/wiki/Single-photon_emission_computed_tomography

[29] https://en.wikipedia.org/wiki/Positron_emission_tomography

[30]https://el.wikipedia.org/wiki/%CE%A5%CF%80%CE%AD%CF%81%CE%B7%CF%87%

CE%BF%CF%82

2ου Κεφαλαίου :

[31] Nickolas Papanikolaou, Joao Santinha

Computational Clinical Imaging Group, Champalimaud Foundation, Centre for the Unknown,

Lisbon, Portugal

Submission: 8/1/2018 | Acceptance: 16/3/2018

«An Introduction to Radiomics: Capturing Tumour Biology in Space and Time»

70 | Σ ε λ ί δ α

[32] Andrius VabalasI1*, Emma Gowen 2, Ellen Poliakoff 2, Alexander J. Casson 1

1 Materials, Devices and Systems Division, School of Electrical and Electronic Engineering, The

University of

Manchester, Manchester, England, United Kingdom, 2 School of Biological Sciences, The

University of

Manchester, Manchester, England, United Kingdom

«Machine learning algorithm validation with a

limited sample size»

RESEARCH ARTICLE

[33] Burak Koçak ,Emine Şebnem Durmaz ,Ece Ateş ,Özgür Kılıçkesmez

From the Department of Radiology İstanbul Training and Research Hospital, İstanbul,Turkey

Department of Radiology (E.Ş.D.), Büyükçekmece Mimar Sinan State Hospital, İstanbul,Turkey.

Received 21 June 2019; revision requested 17 July 2019; last revision received 23 July 2019;

accepted 29 July 2019.

Published online 4 September 2019. «Radiomics with artificial intelligence: a practical guide for beginners ».

[34] Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data.

Radiology 2016 https://pubs.rsna.org/doi/10.1148/radiol.2015151169

[35] Thrall JH, Li X, Li Q, et al. Artificial intelligence and machine learning in radiology:

opportunities, challenges, pitfalls, and criteria for success. J Am Coll Radiol 2018

https://linkinghub.elsevier.com/retrieve/pii/S154614401731671X

[36] Chartrand G, Cheng PM, Vorontsov E, et al. Deep learning: a primer for radiologists.

Radiographics 2017 https://pubs.rsna.org/doi/10.1148/rg.2017170077

[37] Erickson BJ, Korfiatis P, Akkus Z, Kline TL. Machine learning for medical imaging. Radio-

graphics 2017 https://pubs.rsna.org/doi/10.1148/rg.2017160130

[38] Arimura H, Soufi M, Kamezawa H, Ninomiya K, Yamada M. Radiomics with artificial

intelligence for precision medicine in radiation therapy. J Radiat Res 2019

https://academic.oup.com/jrr/article/60/1/150/5105876

71| Σ ε λ ί δ α

[39] Kononenko I. Machine learning for medical diagnosis: history, state of the art and

perspective. Artif Intell Med 2001

https://www.sciencedirect.com/science/article/pii/S093336570100077X?via%3Dihub

[40] Auffermann WF, Gozansky EK, Tridandapani S. Artificial intelligence in cardiothoracic

radiology. AJR Am J Roentgenol 2019 Feb 19

https://www.ajronline.org/doi/10.2214/AJR.18.20771

[41] Harmon SA, Tuncer S, Sanford T, Choyke PL, Türkbey B. Artificial intelligence at the

intersection of pathology and radiology in prostate cancer. Diagn Interv Radiol 2019

https://www.dirjournal.org/en/artificial-intelligence-at-the-intersection-of-pathology-and-

radiology-in-prostate-cancer-132056

[42] Le EPV, Wang Y, Huang Y, Hickman S, Gilbert FJ. Artificial intelligence in breast

imaging. Clin Radiol 2019 https://www.clinicalradiologyonline.net/article/S0009-

9260(19)30116-3/fulltext

[43] Bi WL, Hosny A, Schabath MB, et al. Artificial intelligence in cancer imaging: Clinical

challenges and applications. CA Cancer J Clin 2019

https://acsjournals.onlinelibrary.wiley.com/doi/full/10.3322/caac.21552

[44] Varghese BA, Cen SY, Hwang DH, Duddalwar VA. Texture analysis of imaging: what

radiologists need to know. AJR Am J Roentgenol 2019

https://www.ajronline.org/doi/10.2214/AJR.18.20624

[45] LeCun Y, Bengio Y, Hinton G. Deep learning. Nature 2015

https://www.nature.com/articles/nature14539

[46] Ypsilantis P-P, Siddique M, Sohn H-M, et al. Predicting response to neoadjuvant chemo-

therapy with PET imaging using convolutional neural networks. PLoS ONE 2015

https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0137036

72 | Σ ε λ ί δ α

[47] Li Z, Wang Y, Yu J, Guo Y, Cao W. Deep learning based radiomics (DLR) and its usage in

noninvasive IDH1 prediction for low grade glioma. Sci Rep 2017

https://www.nature.com/articles/s41598-017-05848-2

[48] Duron L, Balvay D, Perre SV, et al. Gray-level discretization impacts reproducible MRI

radiomics texture features. PLoS ONE 2019

https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0213459

[49] van Timmeren et al. Insights into Imaging (2020) 11:91 https://doi.org/10.1186/s13244-020-

00887-2

[50] https://en.wikipedia.org/wiki/Radiomics

[51] Stefania Rizzo, Francesca Botta, Sara Raimondi, Daniela Origgi, Cristiana

Fanciullo, Alessio Giuseppe Morganti & Massimo Bellomi. Radiomics : the facts and the

challenges of image analysis. Published : 14 November 2018

https://eurradiolexp.springeropen.com/articles/10.1186/s41747-018-0068-z

[52] Kumar V, Gu Y, Basu S et al (2012) Radiomics: the process and the challenges. Magn

Reson Imaging 30 https://doi.org/10.1016%2Fj.mri.2012.06.010 Σελ 1234-1248

[53] Hojjatoleslami S, Kittler J (1998) Region growing: a new approach. IEEE Trans Image

Process 7 https://doi.org/10.1109%2F83.701170 Σελ 1079-1084

[54] Knollmann FD, Kumthekar R, Fetzer D, Socinski MA (2014) Assessing response to

treatment in non-small-cell lung cancer: role of tumor volume evaluated by computed

tomography. Clin Lung Cancer 15 https://doi.org/10.1016%2Fj.cllc.2013.11.001 Σελ 103-109

[55] Gao H, Chae O (2010) Individual tooth segmentation from CT images using level set

method with shape and intensity prior. Pattern Recognit 43 Σελ 2406-2417

https://doi.org/10.1016%2Fj.patcog.2010.01.010

73| Σ ε λ ί δ α

[56] Chen X, Udupa JK, Bagci U, Zhuge Y, Yao J (2012) Medical image segmentation by

combining graph cuts and oriented active appearance models. IEEE Trans Image Process 21

[57] Ye X, Beddoe G, Slabaugh G (2010) Automatic graph cut segmentation of lesions in CT

using mean shift superpixels. Int J Biomed Imaging 2010 https://doi.org/10.1155/2010/983963

[58] Suzuki K, Kohlbrenner R, Epstein ML, Obajuluwa AM, Xu J, Hori M (2010) Computer-

aided measurement of liver volumes in CT by means of geodesic active contour segmentation

coupled with level-set algorithms. Med Phys 37 https://doi.org/10.1118%2F1.3395579

[59] Lu K, Higgins WE (2007) Interactive segmentation based on the live wire for 3D CT chest

image analysis. Int J Comput Assist Radiol Surg 2 https://doi.org/10.1007%2Fs11548-007-0129-

x Σελ 151-167

[60] Nickolas Papanikolaou, Joao Santinha Computational Clinical Imaging Group,

Champalimaud Foundation, Centre for the Unknown, Lisbon, Portugal .An Introduction to

Radiomics: Capturing Tumour Biology in Space and Time

Submission: 8/1/2018 | Acceptance: 16/3/2018

[61] Aerts HJWL, Velazquez ER, Leijenaar RTH, et al. Decoding tumour phenotype by

noninvasive imaging using a quantitative radiomics approach. Nat Commun 2014

[62] Wu W, Parmar C, Grossmann P, et al. Exploratory Study to Identify Radiomics Classifiers

for Lung Cancer Histology. Front Oncol 2016

[63] Parmar C, Grossmann P, Bussink J, et al. Machine Learning methods for Quantitative

Radiomic Biomarkers. Sci Rep 2015

[64] Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. SMOTE: synthetic minority over-

sampling technique. J Artif Intell Res. 2002 https://dx.doi.org/10.1613%2Fjair.953

[65] Mwangi B, Tian TS, Soares JC. A review of feature reduction techniques in

neuroimaging. Neuroinformatics. 2014 https://dx.doi.org/10.1007%2Fs12021-013-9204-3

[66] Kocak B, Ates E, Durmaz ES, Ulusan MB, Kilickesmez O. Influence of segmentation

margin on machine learning-based high-dimensional quantitative CT texture analysis: a

reproducibility study on renal clear cell carcinomas. Eur Radiol. 2019

https://dx.doi.org/10.1007%2Fs00330-019-6003-8

74 | Σ ε λ ί δ α

[67] Hall MA. PhD Thesis. University of Waikato Hamilton; 1999. Correlation-based feature

selection for machine learning.

https://scholar.google.com/scholar_lookup?title=PhD+Thesis&author=MA+Hall&publication_y

ear=1999&

[68] Koo TK, Li MY. A guideline of selecting and reporting intraclass correlation coefficients

for reliability research. J Chiropr Med. 2016 https://dx.doi.org/10.1016%2Fj.jcm.2016.02.012

[69] Dormann CF, Elith J, Bacher S, et al. Collinearity: a review of methods to deal with it and

a simulation study evaluating their performance. Ecography. 2013

https://dx.doi.org/10.1111%2Fj.1600-0587.2012.07348.x

[70] Tibshirani R. Regression shrinkage and selection via the lasso: a retrospective. J R Stat Soc

B. 2011 https://dx.doi.org/10.1111%2Fj.1467-9868.2011.00771.x

[71] Kononenko I. Estimating attributes: Analysis and extensions of RELIEF. In: Bergadano F,

De Raedt L, editors. Machine Learning: ECML-94. Berlin Heidelberg: Springer; 1994

https://dx.doi.org/10.1007%2F3-540-57868-4_57

[72] Hayes DF. Biomarker validation and testing. Mol Oncol. 2015;9:960–966.

doi: 10.1016/j.molonc.2014 https://dx.doi.org/10.1186%2F1471-2105-7-91

[73] Varma S, Simon R. Bias in error estimation when using cross-validation for model

selection. BMC Bioinformatics. 2006 https://dx.doi.org/10.1186%2F1471-2105-7-91

[74] Demšar J. Statistical comparisons of classifiers over multiple data sets. J Mach Learn

Res. 2006

https://scholar.google.com/scholar_lookup?journal=J+Mach+Learn+Res&title=Statistical+comp

arisons+of+classifiers+over+multiple+data+sets&author=J+Dem%C5%A1ar&volume=7&publi

cation_year=2006&pages=1-30&