随着对将主观和定性的医学图像分析转变为客观和可量化的医学图像分析的兴趣日益浓厚，放射组学分析已广泛用于临床研究。这种基于像素从成像数据中提取的特征，有望通过专用软件包在人眼可见的信息水平之外获得更多的见解。进一步的信息包括感兴趣区域（ROI）的大量特征，这促进了医疗领域的大数据趋势、创造了新的可能性和前景。显然，放射组学能够超越传统的临床评分，并在结果预测和肿瘤分类方面显示出良好的效果。除了肿瘤成像，放射组学分析也为心血管成像的未来发展铺平了道路，概述了更好的风险分层并定义了动脉硬化发展的潜在生物标志物。此外，潜在的心肌弥漫性纤维化也可以通过放射组学分析进行监测。

尽管有这些出色的能力，放射组学分析还没有在临床实践中得到广泛实施。临床实施的最重要限制之一是放射组学分析缺乏可比性。一些研究证明了各种参数对放射组学特征稳定性的影响，包括多种图像采集参数设置，如管电压、重建核、造影剂和造影剂相位的选择、层面厚度以及扫描仪的选择，这些都限制了放射组学的可重复性应用。甚至分割方法和图像提取软件的选择也会对放射组学特征的稳定性产生影响。对于准确的纹理分析，最佳空间分辨率和信噪比定义为两个最重要的图像质量因素。

光子计数CT（PCCT）可以将X射线光子直接转换为电脉冲，可使到达探测器的每个光子都对最终的图像有贡献。此外，可以为每个光子设定阈值以减少整体图像噪声，最终获得更好的空间分辨率、更低的光束硬化伪影以及更好的信噪比。

近日，发表在European Radiology杂志的一项研究分析了有机模型内的特征稳定性，以及基于放射组学的不同模型组之间区分的可能性，为临床提供了更好的放射组学特征稳定性。

本项研究将建立的有机模型在10毫安、50毫安和100毫安、120千伏管电流下进行了光子计数CT扫描。对模型进行了半自动分割，并提取了原始放射组学参数。随后进行统计分析，包括一致性相关系数（CCC）、类内相关系数（ICC），以及随机森林（RF）分析和聚类分析，以确定稳定和重要的参数。 

在测试和重测分析中，104个提取的特征中的73个（70%）显示出极好的稳定性，CCC值大于0.9，68个特征（65.4%）在重新定位后与原始扫描相比是稳定的。在不同mAs值的测试扫描之间，有78个（75%）特征被评为稳定性极佳。在比较一个模型组的不同模型时，发现有8个放射组特征在4个组中至少有3个组的ICC值大于0.75。此外，RF分析确定了许多对区分模型组的重要特征。 

图 每个模型组的分割实例

研究表明，使用PCCT数据的放射组学分析在有机模型上提供了高度的特征稳定性，这将进一步促进放射组学分析在临床常规中的实施及应用。

原文出处：

Alexander Hertel,Hishan Tharmaseelan,Lukas T Rotkopf,et al.Phantom-based radiomics feature test-retest stability analysis on photon-counting detector CT.DOI:10.1007/s00330-023-09460-z