Radiomica

Definizione

La radiomica si riferisce all’utilizzo di una serie di “caratteristiche” (features) estratte da un’area specifica chiamata Region of Interest (ROI) all’interno di un’immagine radiologica
- Queste features radiomiche sono indicatori numerici che forniscono informazioni su
  - gradazione di grigio
  - texture
  - presenza di configurazioni o strutture particolari nella ROI
Gli obiettivi principali dell’analisi radiomica sono:
1. Rendere l’interpretazione dell’immagine più oggettiva nel suo complesso
2. Aiutare il medico radiologo nell’individuazione di pattern nell’immagine che potrebbero non essere visibili a occhio nudo
Le caratteristiche radiomiche sono suddivise in diverse classi:
- feature di primo ordine
  - ricavate a partire dall’istogramma che descrive la distribuzione dei valori di grigio all’interno della lesione
- feature di ordine superiore

Features di primo ordine

Alcune delle principali feature di primo ordine includono
- media
- mediana
- deviazione standard
- valore minimo
- valore massimo
- entropia
- energia
- skewness
- kurtosis

Features di secondo ordine e oridini superiori

Le feature di ordine superiore includono
- descrittori di contrasto
- ordine
- statistici
- altri che analizzano le relazioni tra i livelli di grigio nell’immagine

Grey Level Co-occurrence Matrix

La Matrice di Co-occorrenza dei Livelli di Grigio, comunemente abbreviata come GLCM, è una rappresentazione matriciale delle frequenze con cui ciascun livello di grigio appare accanto ad altri a una distanza specifica, nota come offset.
- L’offset può essere 1, che rappresenta gli elementi immediatamente adiacenti, o maggiore di 1 per considerare elementi più distanti.
- Questa matrice viene calcolata per tutte le direzioni nello spazio 2D o 3D, escludendo direzioni opposte poiché producono risultati identici.
È possibile ottenere descrittori individuali per ciascuna direzione o combinare i dati da tutte le direzioni.
Ai bordi dell’immagine, dove non è possibile trovare un elemento adiacente a causa dell’offset scelto, gli elementi vengono esclusi dall’analisi.
Dalla GLCM ottenuta è possibile estrarre vari descrittori.
- Gruppo del Contrasto
  - Contrasto (Somma delle Varianze Quadratiche o Inerzia):
    - Riflette la differenza tra coppie di valori nella Matrice di Co-occorrenza dei Livelli di Grigio.
    - Calcolato sommando il prodotto di ciascun elemento della matrice per il quadrato della differenza tra le due coordinate a cui l’elemento si riferisce.
    - Solo i valori al di fuori della diagonale contribuiscono al risultato poiché i valori sulla diagonale rappresentano coppie di valori identici, quindi non contribuiscono al contrasto.
  - Dissimilarità:
    - Riflette quanto le coppie di valori differiscono tra loro nella Matrice di Co-occorrenza dei Livelli di Grigio.
    - Calcolato sommando il prodotto di ciascun elemento della matrice per il valore assoluto della differenza tra le due coordinate dell’elemento.
  - Omogeneità:
    - Indica quanto le coppie di valori siano simili nella Matrice di Co-occorrenza dei Livelli di Grigio.
    - La formula prevede la somma di ciascun elemento della matrice diviso per la somma del quadrato della differenza tra le due coordinate dell’elemento e uno.
    - Maggiore è l’omogeneità quando le coppie di valori sono simili.
- Descrittori legati all’ordine
  - Momento Angolare o ASM (Auto-Correlation):
    - Questo indice riflette quanto le coppie di valori sono rappresentate in modo ordinato nella matrice.
    - È calcolato sommando i singoli elementi della matrice elevati al quadrato.
    - L’ASM aumenta all’aumentare dell’ordine e indica la correlazione degli elementi nella matrice.
  - Energia (Energy):
    - L’energia è una radice quadrata del momento angolare e si comporta in modo simile al momento angolare.
    - Spesso è preferita all’ASM perché è più intuitiva e interpretabile.
  - Entropia (Entropy):
    - Questo indice riflette il grado di disordine tra le coppie di valori nella matrice.
    - È calcolato sommando i singoli elementi della matrice moltiplicati per il logaritmo naturale del valore stesso, moltiplicato per -1.
    - L’entropia aumenta all’aumentare del disordine tra le coppie di valori, indicando una minore regolarità nella distribuzione dei livelli di grigio nella matrice.
- Descrittori statistici della GLCM
  - Media:
    - La media rappresenta la media aritmetica di tutti gli elementi presenti nella Matrice di Co-occorrenza dei Livelli di Grigio.
    - Questo descrittore fornisce una stima della luminosità media dell’immagine.
  - Deviazione Standard:
    - La deviazione standard misura quanto la frequenza delle coppie di valori nella matrice è disomogenea o varia nell’immagine.
    - Una deviazione standard più alta indica una maggiore variazione nei livelli di grigio.
  - Correlazione:
    - La correlazione misura quanto i valori degli elementi delle coppie nella matrice sono correlati linearmente fra loro.
    - Una correlazione positiva indica una relazione lineare positiva tra i valori, mentre una correlazione negativa indica una relazione lineare negativa.
    - Questo descrittore può essere utile per rilevare pattern o strutture nell’immagine.

Neighborhood Grey-Level Difference Matrix

La Matrice delle differenze dei livelli di grigio negli elementi vicini descrive le differenze tra ogni elemento dell’immagine e quelli immediatamente confinanti.
Per un’immagine 2D, considera gli 8 elementi attorno a un pixel. Per un’immagine 3D, considera i 26 voxel adiacenti a un elemento.
Da questa matrice è possibile estrarre i seguenti tre descrittori:
- Grossolanità:
  - Questo descrittore riflette come variano i cambiamenti di intensità dei livelli di grigio nello spazio.
  - Una grossolanità maggiore indica una maggiore variabilità delle differenze tra i livelli di grigio nelle regioni dell’immagine.
- Contrasto:
  - L’indice di contrasto misura quanto differiscono tra loro i livelli di grigio nelle regioni vicine.
  - Un alto valore di contrasto indica una netta differenza tra le intensità dei grigi nelle aree circostanti.
- Attività:
  - L’attività è proporzionale alla frequenza spaziale dei cambiamenti di intensità dei livelli di grigio.
  - Questo descrittore riflette la quantità di cambiamenti di intensità nell’immagine, con un valore più alto che indica una maggiore variabilità spaziale nei livelli di grigio.

Grey-Level Run Length Matrix

Rappresenta le diverse intensità di grigio lungo un asse e le possibili lunghezze delle “run” lungo un’altro asse.
- Una “run” rappresenta la presenza di elementi nell’immagine con la stessa intensità di grigio disposti uno dopo l’altro.
La GLRLM riflette con quale frequenza nell’immagine è possibile osservare “file” di elementi con una certa lunghezza e una certa intensità.
È spesso utilizzata per lo studio dei parenchimi.
Da questa matrice è possibile estrarre vari descrittori:
- Short-Run Emphasis (SRE) e Long-Run Emphasis (LRE):
  - SRE descrive la presenza nelle immagini di “run” corte.
  - LRE descrive la presenza di “run” lunghe.
  - Questi descrittori indicano quanto le run corte o lunghe siano evidenti nell’immagine.
- Low Gray-level Run Emphasis (LGRE) e High Gray-level Run Emphasis (HGRE):
  - LGRE descrive la presenza di “run” con intensità di grigio basse.
  - HGRE descrive la presenza di “run” con intensità di grigio alte.
  - Questi descrittori riflettono la frequenza di run poco o molto intense nell’immagine.
- Short-Run Low Gray-level Emphasis (SRLGE), Short-Run High Gray-level Emphasis (SRHGE), Long-Run Low Gray-level Emphasis (LRLGE) e Long-Run High Gray-level Emphasis (LRHGE):
  - Questi descrittori sono combinazioni delle caratteristiche descritte sopra, considerando le lunghezze delle run e le intensità di grigio.
- Gray-Level Non-Uniformity for Run (GLNUR) e Run Length Non-Uniformity (RLNUR):
  - GLNUR riflette quanto i valori di grigio nelle run siano omogenei.
  - RLNUR riflette quanto siano omogenee le lunghezze delle run nell’immagine.
- Run Percentage:
  - Questo descrittore è un indice di omogeneità delle run omogenee nell’immagine. Indica la percentuale di run omogenee rispetto al totale delle run nell’immagine.

Grey-Level Zone Length Matrix

Concettualmente simile alla GLRLM studia la numerosità di elementi adiacenti con la stessa intensità di grigio nelle 3 dimensioni invece della lunghezza delle “run”.
È progettata per lo studio dei parenchimi e riflette con quale frequenza nell’immagine è possibile osservare aggregati di elementi con la stessa intensità di grigio.
Da questa matrice è possibile estrarre vari descrittori:
- Short-Zone Emphasis (SZE) e Long-Zone Emphasis (LZE):
  - SZE stimola la distribuzione degli aggregati piccoli.
  - LZE stimola la distribuzione degli aggregati grandi.
  - Questi descrittori indicano quanto siano evidenti gli aggregati di diversa dimensione nell’immagine.
- Low Grey-level Zone Emphasis (LGZE) e High Grey-level Zone Emphasis (HGZE):
  - LGZE stimola la distribuzione degli aggregati poco intensi.
  - HGZE stimola la distribuzione degli aggregati molto intensi.
  - Questi descrittori riflettono la frequenza di aggregati con intensità di grigio diverse nell’immagine.
- Short-Zone Low Grey-level Emphasis (SZLGE), Short-Zone High Grey-level Emphasis (SZHGE), Long-Zone Low Grey-level Emphasis (LZLGE) e Long-Zone High Grey-level Emphasis (LZHGE):
  - Questi descrittori sono combinazioni delle caratteristiche descritte sopra, considerando la dimensione degli aggregati e le intensità di grigio.
- Grey-Level Non-Uniformity for Zone (GLNUZ) e Zone Length Non-Uniformity (ZLNU):
  - GLNUZ riflette quanto i valori di grigio negli aggregati siano omogenei.
  - ZLNU riflette quanto siano omogenee le dimensioni degli aggregati nell’immagine.
- Zone Percentage:
  - Questo descrittore misura l’omogeneità nelle zone omogenee nell’immagine, indicando la percentuale di zone omogenee rispetto al totale delle zone.

Features Radiomiche

Definizione delle features radiomiche che possono essere estratte utilizzando PyRadiomics.

Sono suddivise nelle seguenti categorie:

- Statistiche del primo ordine (19 feature)
- Basate sulla forma (3D) (16 feature)
- Basate sulla forma (2D) (10 feature)
- Matrice di co-occorrenza dei livelli di grigio (24 feature)
- Gray Level Run Length Matrix (16 feature)
- Matrice di zona delle dimensioni dei livelli di grigio (16 feature)
- Matrice delle differenze di tonalità di grigio vicine (5 feature)
- Matrice di dipendenza dei livelli di grigio (14 feature)
Tutte le classi di caratteristiche, ad eccezione della forma, possono essere calcolate sia sull’immagine originale che su un’immagine derivata, ottenuta mediante l’applicazione di uno dei vari filtri disponibili.
Le descrizioni della forma sono indipendenti dal valore di grigio e vengono estratte dalla maschera dei label.
- Se abilitate, vengono calcolate separatamente dai tipi di immagini di input abilitati e elencate nel risultato come se fossero state calcolate sull’immagine originale.
La maggior parte delle caratteristiche definite di seguito è in conformità con le definizioni delle caratteristiche come descritte dall’Iniziativa di Standardizzazione dei Biomarcatori di Imaging (IBSI), disponibili in un documento separato di Zwanenburg et al. (2016).

Bibliografia

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. (2017)
Computational Radiomics System to Decode the Radiographic Phenotype
Cancer Research, 77(21), e104–e107
https://doi.org/10.1158/0008-5472.CAN-17-0339
PyRadiomics
Fondazione SIRM: Radiomica