Impact of image pre-processing methods on computed tomography radiomics features in chronic obstructive pulmonary disease
Notice bibliographique
Résumé
Abstract Computed tomography (CT) imaging texture-based radiomics analysis can be used to assess chronic obstructive pulmonary disease (COPD). However, different image pre-processing methods are commonly used, and how these different methods impact radiomics features and lung disease assessment, is unknown. The purpose of this study was to develop an image pre-processing pipeline to investigate how various pre-processing combinations impact radiomics features and their use for COPD assessment. Spirometry and CT images were obtained from the multi-centered Canadian Cohort of Obstructive Lung Disease study. Participants were divided based on assessment site and were further dichotomized as No COPD or COPD within their participant groups. An image pre-processing pipeline was developed, calculating 32 grey level co-occurrence matrix radiomics features. The pipeline included lung segmentation, airway segmentation or no segmentation, image resampling or no resampling, and either no pre-processing, binning, edgmentation, or thresholding pre-processing techniques. A three-way analysis of variance was used for method comparison. A nested 10-fold cross validation using logistic regression and multiple linear regression models were constructed to classify COPD and assess correlation with lung function, respectively. Logistic regression performance was evaluated using the area under the receiver operating characteristic curve (AUC). A total of 1210 participants (Sites 1–8: No COPD: n = 447, COPD: n = 413; and Site 9: No COPD: n = 155, COPD: n = 195) were evaluated. Between the two participant groups, at least 16/32 features were different between airway segmentation/no segmentation ( P ≤ 0.04), at least 29/32 features were different between no resampling/resampling ( P ≤ 0.04), and 32/32 features were different between the pre-processing techniques ( P < 0.0001). Features generated using the resampling/edgmentation and resampling/thresholding pre-processing combinations, regardless of airway segmentation, performed the best in COPD classification (AUC ≥ 0.718), and explained the most variance with lung function ( R 2 ≥ 0.353). Therefore, the image pre-processing methods completed prior to CT radiomics feature extraction significantly impacted extracted features and their ability to assess COPD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».