In the field of medicine, radiomics is a method that extracts a large number of features from medical images using data-characterisation algorithms. These features, termed radiomic features, have the potential to uncover tumoral patterns and characteristics that fail to be appreciated by the naked eye. The hypothesis of radiomics is that the distinctive imaging features between disease forms may be useful for predicting prognosis and therapeutic response for various cancer types, thus providing valuable information for personalized therapy. Radiomics emerged from the medical fields of radiology and oncology and is the most advanced in applications within these fields. However, the technique can be applied to any medical study where a pathological process can be imaged.
| Attributes | Values |
|---|
| rdfs:label
| - Radiomics (de)
- Radiomica (it)
- Radiomics (en)
|
| rdfs:comment
| - In the field of medicine, radiomics is a method that extracts a large number of features from medical images using data-characterisation algorithms. These features, termed radiomic features, have the potential to uncover tumoral patterns and characteristics that fail to be appreciated by the naked eye. The hypothesis of radiomics is that the distinctive imaging features between disease forms may be useful for predicting prognosis and therapeutic response for various cancer types, thus providing valuable information for personalized therapy. Radiomics emerged from the medical fields of radiology and oncology and is the most advanced in applications within these fields. However, the technique can be applied to any medical study where a pathological process can be imaged. (en)
- Radiomics bezeichnet ein Teilgebiet der medizinischen Bildverarbeitung und radiologischen Grundlagenforschung, welche sich mit der Analyse von quantitativen Bildmerkmalen in großen medizinischen Bilddatenbanken beschäftigt. Der Begriff ist ein Portmanteau aus „Radiology“ und „Genomics“, basierend auf der zugrundeliegenden Idee, dass man auf Basis radiologischer Bilddaten statistische Aussagen über Gewebeeigenschaften, Diagnosen und Krankheitsverläufe macht, für die man sonst z. B. das Genom (oder Proteom) heranziehen würde. (de)
- Per radiomica si intende l'analisi delle immagini mediche volta a ottenere, tramite opportuni metodi matematici e l'uso dei computer, informazioni di tipo quantitativo da queste non rilevabili tramite la loro semplice osservazione visiva da parte dell'operatore. (it)
|
| dcterms:subject
| |
| Wikipage page ID
| |
| Wikipage revision ID
| |
| Link from a Wikipage to another Wikipage
| |
| sameAs
| |
| dbp:wikiPageUsesTemplate
| |
| has abstract
| - Radiomics bezeichnet ein Teilgebiet der medizinischen Bildverarbeitung und radiologischen Grundlagenforschung, welche sich mit der Analyse von quantitativen Bildmerkmalen in großen medizinischen Bilddatenbanken beschäftigt. Der Begriff ist ein Portmanteau aus „Radiology“ und „Genomics“, basierend auf der zugrundeliegenden Idee, dass man auf Basis radiologischer Bilddaten statistische Aussagen über Gewebeeigenschaften, Diagnosen und Krankheitsverläufe macht, für die man sonst z. B. das Genom (oder Proteom) heranziehen würde. Die Vorgehensweise besteht vor allem in der automatischen Extraktion einer großen Anzahl (zum Beispiel wenige Hundert) von quantitativen Merkmalen, deren Visualisierung und statistischer Analyse (insbesondere der Korrelationsprüfung mit klinischen Endpunkten). Hierfür kommt neben Statistik vor allem Maschinelles Lernen zum Einsatz. (de)
- In the field of medicine, radiomics is a method that extracts a large number of features from medical images using data-characterisation algorithms. These features, termed radiomic features, have the potential to uncover tumoral patterns and characteristics that fail to be appreciated by the naked eye. The hypothesis of radiomics is that the distinctive imaging features between disease forms may be useful for predicting prognosis and therapeutic response for various cancer types, thus providing valuable information for personalized therapy. Radiomics emerged from the medical fields of radiology and oncology and is the most advanced in applications within these fields. However, the technique can be applied to any medical study where a pathological process can be imaged. (en)
- Per radiomica si intende l'analisi delle immagini mediche volta a ottenere, tramite opportuni metodi matematici e l'uso dei computer, informazioni di tipo quantitativo da queste non rilevabili tramite la loro semplice osservazione visiva da parte dell'operatore. La radiomica nasce per sviluppare strumenti di supporto decisionale e implica la combinazione di dati ricavati dall' imaging medicale con altre caratteristiche del paziente, quando disponibili, per aumentare la potenza dei modelli di supporto decisionale. I dati quantitativi estratti dalle immagini possono venir integrati in modelli predittivi multidisciplinari per la gestione del paziente, anche mediante l'utilizzo di metodiche di machine learning e di intelligenza artificiale. In genere le immagini biomediche contengono informazioni che riflettono la fisiopatologia sottostante e queste relazioni possono essere rivelate tramite l'analisi quantitativa dell'immagine. La radiomica comporta la gestione delle immagini mediche digitali sotto forma di grandi matrici di dati con lo scopo di estrarre un elevato numero di caratteristiche morfologiche e predittive mediante algoritmi e metodi più o meno automatici. Queste caratteristiche morfologiche e predittive, possono essere suddivise in diversi gruppi: dimensioni e caratteristiche basate sulla morfologia, descrittori delle relazioni tra i pixel o voxel che compongono l'immagine. Le definizioni matematiche di queste relazioni, chiamate "descrittori", sono indipendenti dalla modalità di imaging. In genere mostrano come i valori numerici presenti all'interno delle immagini siano distribuiti spazialmente all'interno del tessuto studiato. Questo tipo di analisi è perciò spesso anche denominata analisi della tessitura o texture analysis.La distribuzione nello spazio dei valori di grigio (a ogni intensità di grigio in un'immagine digitale in bianco e nero corrisponde un valore numerico ben preciso) nelle strutture esaminate con queste tecniche è influenzata da diversi fattori, che dipendono dal tipo di metodica utilizzata per ottenere le immagini. Nelle immagini TC ad esempio l'intensità delle immagini è proporzionale alla radiopacità dei tessuti. La distribuzione nello spazio di questo parametro, all'interno di una lesione tumorale, può essere ad esempio influenzata dalla presenza di necrosi o di calcificazioni; tutti parametri che possono essere correlati con l'aggressività della malattia. Informazioni di tipo differente possono essere ottenute usando la stessa matematica di base anche analizzando immagini ecografiche, di risonanza magnetica o ottenute mediante la PET e la SPECT. Mentre le immagini ottenute mediante tecniche di radiodiagnostica hanno come grosso vantaggio l'elevata risoluzione (che consente di campionare tanti voxel o pixel, fornendo un'elevata numerosità nella stima dei descrittori, che sono variabili di tipo statistico), le tecniche medico-nucleari hanno tendenzialmente una migliore risoluzione di contrasto e consentono di studiare più in dettaglio i processi biologici a carico delle lesioni sospette; tuttavia la bassa risoluzione spaziale di queste ultime metodiche può costituire un problema nello studio delle lesioni di piccole dimensioni. In letteratura e in oncologia, spesso i descrittori ottenuti utilizzando queste tecniche sono stati correlati con l'analisi genetica delle lesioni valutate mediante le immagini prima della loro asportazione; rilevando come in molti casi la differente struttura di queste correli con differenti mutazioni a carico delle cellule tumorali che le costituiscono. Tale approccio è denominato radiogenomica. (it)
|
| prov:wasDerivedFrom
| |
| page length (characters) of wiki page
| |
| foaf:isPrimaryTopicOf
| |
| is Link from a Wikipage to another Wikipage
of | |
| is known for
of | |
| is known for
of | |
| is foaf:primaryTopic
of | |
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)
![[RDF Data]](/fct/images/sw-rdf-blue.png)