还在为影像组学发文章头疼？单一时间点影像组学不够创新？
别担心，英瑞云Delta 影像组学的复现流程教学来了！
今天的文章题目是Prediction of Response to Induction Chemotherapy Plus Concurrent Chemoradiotherapy for Nasopharyngeal Carcinoma Based on MRI Radiomics and Delta Radiomics: A Two-Center Retrospective Study，一篇2022年发表在发表在Frontiers in Oncology(if：3.5)杂志上的文章，该文章旨在建立MRI 影像组学模型和 Delta 影像组学模型，以预测非流行区鼻咽癌患者在诱导化疗联合同期放化疗后的肿瘤退缩情况，并验证疗效。
这篇文章创新性地使用Delta影像组学，利用治疗前和治疗后的Delta影像组学特征，构建了预测模型，并通过内部验证集和外部验证集进行了验证，结果表明，该模型具有较高的预测效能，可以为临床医生提供更精准的治疗方案。
英瑞云Delta影像组学复现教学将带你深入了解Delta 影像组学的原理和方法，并手把手教你如何进行Delta 影像组学的复现。无论你是影像组学新手还是想要提升研究水平的学者，都可以通过本次教学获得宝贵的知识和经验。
文章概况
研究目的：
旨在建立基于MRI影像组学和Delta影像组学的模型，预测非流行地区鼻咽癌患者在诱导化疗（IC）联合同期放化疗（CCRT）后的肿瘤退缩情况，并验证其有效性。
精炼流程：
1.收集272名鼻咽癌（NPC）患者的MRI数据并进行分组；
2.使用ITK-SNAP软件对MRI数据进行分割，标记肿瘤区域（ROI），包括治疗前和诱导化疗（IC）后的MRI图像；
3.提取影像组学特征，使用最大相关最小冗余（mRMR）算法筛选初始特征，并通过LASSO回归选择优化的特征子集再进行logistic回归建模；
4.使用逻辑回归模型构建两个预测模型：
MRI影像组学模型（基于治疗前的影像特征），
Delta影像组学模型（基于治疗前后的特征变化）；
5.使用ROC曲线分析模型的预测性能；
6.对组合模型绘制决策曲线+校准曲线。
平台复现
下面我们将使用英瑞云平台Delta 影像组学功能模块，对该研究的delta影像组学部分进行复现，带你深入了解Delta 影像组学的原理和分析全流程。我们使用平台人工智能模块-纵向分类研究的Delta影像组学流程如数据选择、数据加载、影像组学特征提取、影像组学特征筛选、模型训练，结果查看等操作进行复现并介绍具体使用。
具体流程
1.关于数据
阿尔茨海默氏病神经影像学倡议（ADNI）是一项纵向多中心研究，旨在开发临床，影像学，遗传学和生物化学生物标志物，用于早期发现和追踪阿尔茨海默病（AD），目前已经进行了4期（ADNI-1，ADNI-GO，ADNI-2，ADNI-3）。关于图像扫描的更多细节与图像下载请访问ADNI网站（http://www.adni-info.org）。
数据集内容
本实验数据随机抽取了ADNI数据中的66名受试者的两个时期的MRI影像，每个受试者都有MRI扫描和相应的海马体手工分割标签：
（1）每个病例包括两个时期的MR图像。
（2）每个MR扫描采用矢状位3D MP-RAGE T1-w序列（体素大小为1.25×1.25×1.25）。
（3）数据集中有经过专家注释的海马分割标签。
数据预处理
考虑到海马相对于整个大脑来说体积比较小，将所有MR图像对齐到MNI152空间（MNI152空间是一个标准的脑成像空间，广泛用于神经科学和医学成像研究中。）之后，在MNI152空间确定一个足以覆盖海马的边界框，因此将MR图像和脑灰质图像裁剪成包含海马体的图像补丁，生成海马体图像块。
为了使读者更方便的体验我们的平台开展可视化实验，我们将数据重新命名为image_XXX与mask_XXX格式，具体映射如下：
第一时期的影像---image_1
第二时期的影像---image_2
第一时期对应的海马标签---mask_1
第二时期对应的海马标签---mask_2
文件结构如下：
2.开展实验
Step 1：在平台上进入人工智能模块，可通过平台首页进入云空间后，点击人工智能模块进入。
Step 2：选择“Delta影像组学 – Delta影像组学分类(3D) – 纵向研究”点击后，创建任务并输入任务名称，保存进入。
Step 3：进入第一步数据选择，选择要分析的数据后进行数据格式检查，检查完毕进入下一步。
Step 4：进行数据加载，加载完毕后将展示数据状况，进行图像与标签及任务正负类的选择，选择完毕后进入下一步。
Step 5：组学特征提取，对影像数据进行影像组学特征提取，我们选择全部的影像特征，如果您希望同步作对比实验，可以在左侧点击创建新方案进行方案的实验，选择完毕进行下一步。
Step 6：影像组学特征筛选，选择基于LASSO的特征筛选方法，设置好参数后“开始计算”，等待计算完毕即可查看筛选后的影像组学特征。
Step 7：组学特征与临床特征结合，在这里我们参考文章，仅使用影像组学特征，取消勾选临床特征即可。
Step 8：模型训练：选择要使用的分类模型及参数，即可开始模型训练；在本次复现中，我们使用逻辑回归方法，对应参数如下，选择完毕后点击“运行‘方案名’”，待模型运行完毕即可查看结果。
（从组学特征提取到模型训练的每一个步骤，即Step 5到Step 8，都支持自定义选择及设置参数，同时对应支持创建新方案以方便对比分析结果，最后在Step 8的模型训练，点击“选择方案运行”，可多选创建好的方案同时进行多模型的训练，最大限度节约用户时间）
Step 9：结果查看：待模型运行完毕后，即可查看多种类型的可视化结果，并支持一键生成pdf形式的结果报告。
别担心，英瑞云Delta 影像组学的复现流程教学来了！
今天的文章题目是Prediction of Response to Induction Chemotherapy Plus Concurrent Chemoradiotherapy for Nasopharyngeal Carcinoma Based on MRI Radiomics and Delta Radiomics: A Two-Center Retrospective Study，一篇2022年发表在发表在Frontiers in Oncology(if：3.5)杂志上的文章，该文章旨在建立MRI 影像组学模型和 Delta 影像组学模型，以预测非流行区鼻咽癌患者在诱导化疗联合同期放化疗后的肿瘤退缩情况，并验证疗效。
这篇文章创新性地使用Delta影像组学，利用治疗前和治疗后的Delta影像组学特征，构建了预测模型，并通过内部验证集和外部验证集进行了验证，结果表明，该模型具有较高的预测效能，可以为临床医生提供更精准的治疗方案。
英瑞云Delta影像组学复现教学将带你深入了解Delta 影像组学的原理和方法，并手把手教你如何进行Delta 影像组学的复现。无论你是影像组学新手还是想要提升研究水平的学者，都可以通过本次教学获得宝贵的知识和经验。
文章概况
研究目的：
旨在建立基于MRI影像组学和Delta影像组学的模型，预测非流行地区鼻咽癌患者在诱导化疗（IC）联合同期放化疗（CCRT）后的肿瘤退缩情况，并验证其有效性。
精炼流程：
1.收集272名鼻咽癌（NPC）患者的MRI数据并进行分组；
2.使用ITK-SNAP软件对MRI数据进行分割，标记肿瘤区域（ROI），包括治疗前和诱导化疗（IC）后的MRI图像；
3.提取影像组学特征，使用最大相关最小冗余（mRMR）算法筛选初始特征，并通过LASSO回归选择优化的特征子集再进行logistic回归建模；
4.使用逻辑回归模型构建两个预测模型：
MRI影像组学模型（基于治疗前的影像特征），
Delta影像组学模型（基于治疗前后的特征变化）；
5.使用ROC曲线分析模型的预测性能；
6.对组合模型绘制决策曲线+校准曲线。
平台复现
下面我们将使用英瑞云平台Delta 影像组学功能模块，对该研究的delta影像组学部分进行复现，带你深入了解Delta 影像组学的原理和分析全流程。我们使用平台人工智能模块-纵向分类研究的Delta影像组学流程如数据选择、数据加载、影像组学特征提取、影像组学特征筛选、模型训练，结果查看等操作进行复现并介绍具体使用。
具体流程
1.关于数据
阿尔茨海默氏病神经影像学倡议（ADNI）是一项纵向多中心研究，旨在开发临床，影像学，遗传学和生物化学生物标志物，用于早期发现和追踪阿尔茨海默病（AD），目前已经进行了4期（ADNI-1，ADNI-GO，ADNI-2，ADNI-3）。关于图像扫描的更多细节与图像下载请访问ADNI网站（http://www.adni-info.org）。
数据集内容
本实验数据随机抽取了ADNI数据中的66名受试者的两个时期的MRI影像，每个受试者都有MRI扫描和相应的海马体手工分割标签：
（1）每个病例包括两个时期的MR图像。
（2）每个MR扫描采用矢状位3D MP-RAGE T1-w序列（体素大小为1.25×1.25×1.25）。
（3）数据集中有经过专家注释的海马分割标签。
数据预处理
考虑到海马相对于整个大脑来说体积比较小，将所有MR图像对齐到MNI152空间（MNI152空间是一个标准的脑成像空间，广泛用于神经科学和医学成像研究中。）之后，在MNI152空间确定一个足以覆盖海马的边界框，因此将MR图像和脑灰质图像裁剪成包含海马体的图像补丁，生成海马体图像块。
为了使读者更方便的体验我们的平台开展可视化实验，我们将数据重新命名为image_XXX与mask_XXX格式，具体映射如下：
第一时期的影像---image_1
第二时期的影像---image_2
第一时期对应的海马标签---mask_1
第二时期对应的海马标签---mask_2
文件结构如下：
2.开展实验
Step 1：在平台上进入人工智能模块，可通过平台首页进入云空间后，点击人工智能模块进入。
Step 2：选择“Delta影像组学 – Delta影像组学分类(3D) – 纵向研究”点击后，创建任务并输入任务名称，保存进入。
Step 3：进入第一步数据选择，选择要分析的数据后进行数据格式检查，检查完毕进入下一步。
Step 4：进行数据加载，加载完毕后将展示数据状况，进行图像与标签及任务正负类的选择，选择完毕后进入下一步。
Step 5：组学特征提取，对影像数据进行影像组学特征提取，我们选择全部的影像特征，如果您希望同步作对比实验，可以在左侧点击创建新方案进行方案的实验，选择完毕进行下一步。
Step 6：影像组学特征筛选，选择基于LASSO的特征筛选方法，设置好参数后“开始计算”，等待计算完毕即可查看筛选后的影像组学特征。
Step 7：组学特征与临床特征结合，在这里我们参考文章，仅使用影像组学特征，取消勾选临床特征即可。
Step 8：模型训练：选择要使用的分类模型及参数，即可开始模型训练；在本次复现中，我们使用逻辑回归方法，对应参数如下，选择完毕后点击“运行‘方案名’”，待模型运行完毕即可查看结果。
（从组学特征提取到模型训练的每一个步骤，即Step 5到Step 8，都支持自定义选择及设置参数，同时对应支持创建新方案以方便对比分析结果，最后在Step 8的模型训练，点击“选择方案运行”，可多选创建好的方案同时进行多模型的训练，最大限度节约用户时间）
Step 9：结果查看：待模型运行完毕后，即可查看多种类型的可视化结果，并支持一键生成pdf形式的结果报告。
