影像智能诊断

用人话讲，所谓影像组学，是分割+特征提取，构建预测模型的过程。

影像组学本质上来说其实是一种分析思路方法，从临床问题出发，最后回到解决的临床问题。
一般分为五个主要处理步骤：

标准医学影像数据获取和筛选： 数据收集前，首先需要根据明确的研究方向进行数据筛选，例如做肿瘤分型或肺炎分型的鉴别诊断，所选影像数据是否有病理或病原学检测金标准进行对照；做影像学疗效评估时，是否具有多期治疗相应的影像资料匹配等。

图像分割： 指将图像分成若干个特定、具备独特属性的区域并提取感兴趣目标的技术和过程。 根据研究目的的不同，图像分割的目标可以是病灶、正常参考组织或是组织解剖结构，可以是三维也可以是二维区域，影像组学随后的分析研究都围绕这些从图像内分割出来的区域进行。

特征提取： 影像组学的核心步骤就是提取高通量的特征来定量分析ROI的实质属性。

影像组学这一概念最早由荷兰学者Lambin¹于2012年提出，其假定微观层面的基因表型及蛋白质的构造会在宏观的影像图像上得到反映。
影像组学的定义是指高通量的从传统影像图像，包括X射线计算机断层扫描(computed tomography,CT)、磁共振成像(magnetic resonance imaging,MRI)、超声、核医学等中提取各类影像特征，包括病灶形态、大小、体积、各类纹理特征等。通过深度挖掘该类影像特征以反映病灶内部信息，如基因、肿瘤的表型、微环境等，为临床医生提供更多临床信息，以达到提高诊断准确率、监测病情进展以及改善患者预后的目的¹²³。

影像组学能挖掘出大量疾病微观层面的信息，其研究流程与全身其他部位流程基本一致，主要包括采集图像、感兴趣区域(region of interest,ROI)勾画、高通量影像特征提取和建立预测模型³⁴⁵⁶。

特征提取是从已勾画的ROI中提取能够定量描述病灶内部异质性的影像组学特征的过程。
从ROI中通常可提取到大量特征，这一海量影像组学特征可被简单归为四类：即形态学特征、一阶灰度直方图特征、二阶及高阶纹理特征以及基于滤波和变换的特征.

BRAIN：用于阿尔茨海默病分类的可解释深度学习框架的开发和验证

本文报告了一种可解释的深度学习策略，该策略从MRI、年龄、性别和简易智力状况检查量表(mini-mental state examination ,MMSE) 得分等多模式输入中描绘出独特的阿尔茨海默病特征（signatures）。该框架连接了一个完全卷积网络，该网络从局部大脑结构到多层感知器构建了疾病概率的高分辨率图，并对个体阿尔茨海默病风险进行了精确、直观的可视化，以达到准确诊断的目的。

尽管深度学习模型在对许多疾病进行分类时精度非常高，但它们既没有阐明底层的诊断决策，也没有指出与输出的预测相关的输入特征。

将ADNI数据以3:1:1的比例分割为训练、验证和测试集，并将完全训练好的模型应用于NACC、FHS和AIBL，以评估模型的泛化能力。