超声图像异质性对超声影像组学临床应用的影响与对策

林守智; 许尔蛟

doi:10.3877/cma.j.issn.1672-6448.2025.02.011

中华医学超声杂志（电子版） >

2025 , Vol. 22 >Issue 02: 167 - 172

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2025.02.011

综述

超声图像异质性对超声影像组学临床应用的影响与对策

林守智 ,
许尔蛟 ^,¹^,^†

展开

^1.518033 深圳，中山大学附属第八医院超声医学科

许尔蛟，Email：xuerjiao@mail.sysu.edu.cn

Copy editor: 汪荣

收稿日期: 2025-01-06

网络出版日期: 2025-04-01

基金资助

国家自然科学基金（82272011）广东省基础与应用基础研究基金（2022A1515012155，2024A1515010513）

版权

版权归中华医学会所有。

未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。

除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。

收起

Influence of ultrasound image heterogeneity on clinical application of ultrasound radiomics and its countermeasures

Shouzhi Lin ,
Erjiao Xu ^,^†

Expand

Received date: 2025-01-06

Online published: 2025-04-01

Copyright

No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission.

All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.

Fold

本文引用格式

林守智 , 许尔蛟 . 超声图像异质性对超声影像组学临床应用的影响与对策[J]. 中华医学超声杂志（电子版）, 2025 , 22(02) : 167 -172 . DOI: 10.3877/cma.j.issn.1672-6448.2025.02.011

超声医学技术在临床诊疗、监测与疾病管理中占据关键地位^{［1,2,3,4,5］}。超声影像组学技术作为重要策略融入其中，拓展了超声的临床潜能。近年，该技术从医学图像提取大量定量特征并分析，以明晰图像特征与疾病状态的关联^［3,6,7］。借助机器学习模型，其超越人眼的洞察力可精准分析图像，提升检测、描述与预测诊断的准确性与效率，为临床规范化决策予以有力支撑^［8,9］。

当今高影响力的研究越来越注重收集不同研究中心和成像设备的超声图像数据，以提升研究结果的临床普适性^{［10,11,12］}。然而，成像设备差异、操作者技术、图像数据的储存与处理方式以及患者个体差异等因素共同导致的图像异质性，显著影响了影像组学特征的可再现性，限制了人工智能模型的性能和临床应用的可靠性和通用性。因此，解决超声图像异质性问题是提升诊断精度、推广影像组学技术、实现个体化精准诊疗的关键。

目前，关于图像异质性对超声影像组学影响的研究较少，本文旨在回顾超声图像异质性的来源及其对超声影像组学技术应用的挑战，同时探讨影像组学领域当下和未来可能的解决策略。我们通过系统的文献梳理和最新研究动态，希望为超声影像组学在超声医学领域的发展及其在临床应用中的优化提供参考和启示。

一、超声图像异质性的主要来源

超声图像中所承载的信息主要来源于两个方面：一是与成像协议、成像设备、操作者经验及数据传输和储存等相关的技术因素，二是与患者生物学特征相关的临床信息。这种双重信息的叠加既体现了超声影像的诊断价值，也构成了超声图像异质性的主要来源。

（一）成像协议

不同研究中心遵循的成像协议差异是导致超声图像异质性的重要技术因素。在回顾性研究中，采集模式、参数设置或操作规范的差异，不仅导致图像呈现系统性视觉差异，还显著影响图像的灰度、纹理、噪声等特征的鲁棒性。例如，时间增益补偿的调整对大多数图像纹理特征的表征具有显著影响^［13］。在一项多中心回顾性研究中，各中心之间没有统一的成像协议，导致不同中心的图像在噪声、焦点、对比度、亮度等方面存在显著差异。研究人员发现，当仅使用受成像协议影响较小的形态学特征构建乳腺癌风险预测模型时，模型才具有较好的多中心通用性^［14］。此外，对于那些未被常规使用或仍处在探索阶段的超声应用相关的研究，此问题较为突出且常见。例如，北美放射协会定量成像生物标志物联盟明确指出，各中心的研究缺乏标准化成像方案是目前超声造影定量灌注相关测量进行临床转化的主要障碍^［15］。多项研究表明，尽管超声造影定量分析在肾细胞癌、乳腺癌、黑色素瘤等多种肿瘤的疗效监测中取得了积极进展，但由于缺乏标准化，其结果存在一定的可重复性和可再现性挑战^{［16,17,18,19,20］}。总之，成像协议的一致性对超声图像质量及其在多中心研究中的应用具有重要影响，在进行多中心研究时，确保成像协议的一致性是保证研究结果可靠性和可比性的关键。

（二）成像设备

不同成像设备的物理特性、图像重建算法及校准方式，使后处理的超声图像风格差异显著^［21］。例如，即使动态范围保持一致，不同的声波波束成形技术仍会显著影响超声图像纹理特征的视觉呈现和定量表达^［22］。Lee 等^［23］还发现，即使将不同型号超声设备的参数调整至最佳成像状态，且各设备分组的良、恶性结节比例无显著差异，所采集的乳腺结节图像的纹理特征仍存在显著差异，而这些特征与超声影像组学分析密切相关。此外，低分辨率设备难以清晰呈现脏器细微结构^［24］，不同厂商弹性成像技术原理不同，导致评估肝脏纤维化的标准不一^［25］。因此，在这些因素的影响下，临床研究中整合不同设备来源的图像数据集时难免引入图像异质性。

值得注意的是，未经处理的原始射频信号可通过统一的图像重建算法进行成像以减少设备间差异，但其获取受设备厂商封闭性限制，并非所有成像设备都提供记录或导出数据的方法，且当前许多医疗中心在参与临床研究时缺乏独立处理射频信号的工科基础和能力。

（三）操作者因素

操作者的经验和技术也是导致图像异质性的关键因素。具有丰富经验的医师在进行超声检查时，能通过稳定和适当的操作，获取清晰、准确的图像，以更好地反映组织结构及病变情况。而经验不足的操作人员可能会因探头按压过紧或过松、角度偏差、参数调节等问题导致成像质量不佳，影响对正常结构及病变的判断。例如，临床上使用弹性成像技术对非酒精性脂肪性肝病进行评估时，通常需经过多次有效采集，以产生观察者内和观察者间良好的结果重现性^［26］。整合不同操作者获得的超声图像数据集常面临着图像不同程度地受声影遮挡、运动伪像、衰减伪像等问题，而呈现复杂多变的特性。

（四）数据传输和储存因素

超声影像数据在传输、存储及处理过程中可能受到多种因素的影响，从而引入图像异质性。例如，原始数据通常以Dicom 格式存储，但不同时间跨度的数据传输协议和压缩算法可能存在差异，历史数据的多次转存亦可能导致关键原始信息的丢失，此现象在回顾性研究或公共数据库中尤为突出。此外，早期数据常采用有损压缩格式（如JPEG 或PNG）进行归档，也会导致图像所包含的关键信息丢失^［27］，且难以恢复成包含原始信息的图像数据^［28］。由于人工智能领域中医学图像的稀缺性，摒弃这些数据往往是不现实的。这些问题会破坏数据完整性，进而导致接收端图像出现像素失真、噪声增加等现象，从而加剧图像异质性的程度。

（五）生物学因素

受检人群群体间的差异、群体内组织器官的异质性以及个体内部的变化可从多个维度导致超声图像的异质性^［29］。以甲状腺结节图像数据集为例，不同地区人群的甲状腺超声图像在特征和分类上可能存在差异^［30］。对于同一人群而言，患者个体间也存在差异，如弥漫性甲状腺疾病患者与非甲状腺疾病患者相比，声像图的本底背景有别，这会对结节成像质量造成影响，并且弥漫性病变与甲状腺结节的肿瘤进展紧密关联，然而此点在图像分析时容易被忽略^［31］。个体的胖瘦差异也会影响超声成像质量，肥胖患者体内脂肪层厚，超声穿透时衰减、散射增多，导致深部组织成像清晰度下降，图像质量与均匀性受损^［32］。

二、图像异质性对超声影像组学临床应用的影响

超声影像组学特征既包含了反映组织病理学的生物学信息，也不可避免地受到成像技术差异所引入的技术变异的影响。近年研究已证实，图像数据的异质性使原本应稳定且能准确反映生物学特征的定量指标出现显著波动。这种波动直接削弱了影像组学特征的可重复性和可靠性，甚至掩盖了其所承载的生物学信息，影响机器学习模型归纳出统一、有效的图像模式与特征，进而阻碍了人工智能算法在临床上的有效构建与推广^［33,34］。Li 等^［35］通过体模研究发现，成像参数的调节（如增益、频率、深度等）以及设备机型的差异，会显著影响超声影像组学特征的可再现性（获得可再现性的比例仅37.0%～42.8%）。图像感兴趣区域的分割方式也会显著影响影像组学特征的可重复性，这一结果与Teng 等^［36］的研究一致。在所调查的13 个类别的特征中，仅有小波特征和剪切波特征对技术变异表现出相对较好的稳定性。这些现象在人体研究中的适用性也被进一步证实：Chen 等^［37］将一款用于高疾病负担的卒中人群的三维超声颈动脉分割模型应用于低疾病负担人群时发现性能显著下降，侧面反映了生物学信息的差异可影响图像的分割，进而影响组学特征的稳定性；Duron 等^［38］从同一批患者的两张眼眶超声图像中提取的可重复特征比例只占29%。在多中心数据异质性背景下，由于技术变异和生物学变异的共同作用，基于超声影像组学的机器学习模型性能在外部验证中显著下滑。例如，Li 等^［39］在运用机器学习对甲状腺癌患者的预后和治疗反应进行预测时，外部中心验证的曲线下面积值下降了15%。Liu 等^［40］在预测子宫内膜癌淋巴结转移时，五种机器学习模型在外部测试集上的性能均有所下降。在一项利用甲状腺结节的超声影像组学信息区分结节良、恶性的研究中，由于来自不同医疗中心的成像设备、采集参数存在差别，且来自训练集、验证集和测试集的不同人群的结节声像学特征亦存在显著差异，机器学习模型在验证集和测试集中的诊断能力下降了5%～13%^［41］。

类似的结果在临床研究中并不少见，凸显了超声影像组学技术在多中心、多设备环境中面临的严峻挑战，也反映了图像异质性对人工智能模型稳定性和推广能力的显著影响。因此，如何减少异质性对影像组学特征可重复性的影响，成为当前超声影像组学研究中亟待解决的核心问题。

三、超声影像组学领域应对超声图像异质性的策略

为了解决图像异质性对超声影像组学研究带来的不良影响，研究设计的规范化与标准化，以及图像数据和组学特征数据的协调与优化，是确保研究结果准确性和通用性的关键策略。在图像数据收集上，通过严格的成像规范和多中心大规模数据共享，可以在一定程度上提升超声影像组学特征的稳定性和模型的普适性。而在数据处理上，图像归一化或者重构，以及组学特征的协调技术作为目前主流的数据后处理手段，为克服技术变异和提高数据一致性提供了有效或潜在的解决方案。以下内容将从图像数据的收集、图像数据的处理和组学特征协调三个方面，系统讨论超声影像组学领域应对超声图像异质性问题的研究进展与实践应用。

（一）图像数据的收集

在超声影像组学领域，机器学习模型的性能和通用性取决于是否有足够高质量的数据^［42］。图像生物标志物标准化倡议（image biomarker standardization initiative，IBSI）提出后，遵循该倡议对图像采集流程进行规范化和标准化能明显提升影像组学特征表达的一致性^［43］，这是机器学习模型在临床上具有普适性的基本保证^［44］。例如，Han 等^［45］通过统一成像协议后，对非酒精性脂肪性肝病人群仅需进行单次测量即可获得较高的超声医师间关于“剪切波速度”参数的重现性。

此外，跨医疗中心共享多样化、大规模的数据集也能够缓解超声图像异质性带来的影响，提升人工智能模型在临床应用中的性能和通用性。这是因为机器学习模型性能在很大程度上取决于训练数据的覆盖范围。当数据集包含来自多个中心的多样化图像时，模型也能够通过学习这些多样化特征增强对来自不同图像风格的特征的适应能力。因此，在应用于新的医疗中心时，模型往往可以识别并处理类似的超声影像组学特征，从而表现出较好的跨中心泛化能力^［46］。Liu 等^［47］在多操作者、跨机器、多中心的大数据临床场景下使用基于超声影像组学的机器学习模型对肿大淋巴结的超声图像进行定性诊断，结果显示其诊断能力明显高于经验丰富的超声科医师，且在训练集和测试集均没有显著差异。

总之，在多个中心采集的图像中，最大限度地避免不必要的变异性对于确保超声影像组学研究结果的可靠性和一致性是至关重要的。

（二）图像层面的处理技术

通过上述严谨的成像协议设计与多中心参与等研究手段可以在一定程度上减轻图像异质性对影像组学分析的影响，但这些方法仍存在以下局限性：首先，回顾性研究不一定能满足统一的成像协议。其次，即使是大规模、多中心数据集，图像异质性仍会限制机器学习模型发挥最大效能^［48,49］。此外，跨中心的数据共享过程也面临诸多挑战，尤其是个人隐私保护和信息滥用的潜在风险。尽管当前已经引入了一些隐私保护技术（如联邦学习和差分隐私），但这些方法往往伴随着额外的技术噪声，在一定程度上削弱了数据的临床效用^［50］。某些具有地理或种族特异性的疾病（如鼻咽癌）在多中心条件下收集足够规模的代表性数据也存在实际困难^［51］。因此，开发和应用将采集图像转化为统一标准或参考的处理技术显得尤为重要。这些技术旨在减少图像外观、强度和空间特征或者是超声影像组学数据分布的差异，从而确保来自不同区域、人种和设备的数据在特征上具有一致性，促进更有效的比较和分析^［52］。

1.超声图像灰度归一化技术：灰度归一化是超声领域中一种常用且有效的技术，其方法包括线性变换、统计学方法、直方图匹配以及深度学习等。研究表明，经过灰度归一化处理的图像数据能够显著提升处理临床任务的性能。例如，Liu 等^［53］对来自中国不同地区的多中心回顾性内窥镜超声图像进行胃肠道间质瘤风险评估时，通过归一化处理与超声影像组学可再现性密切相关的灰度特征（如强度和空间分辨率），进而提高了3%的诊断精度。Homayoun等^［54］采用的灰度归一化方法有效减轻了图像异质性对乳腺病变超声影像组学特征诊断的不良影响。此外，Ren 等^［55］通过Z 分数归一化、B 样条插值和灰度离散化技术，对源自四个种族群体的超声图像数据进行外观归一化处理，使基于超声影像组学的肝细胞癌分级机器学习模型的曲线下面积提升至0.874。尽管当前相关研究数量有限且聚焦的临床任务较为单一（主要集中在分类任务），这些成果仍然凸显了进一步探索灰度归一化技术潜力与局限性的必要性。总体而言，现有证据已充分表明，该技术在降低图像异质性、提升超声影像组学模型性能及跨中心泛化能力方面展现出较大的临床价值。

2.图像重构技术：低端便携设备虽具有成本低廉、操作灵活等优势，但其有限的成像质量严重制约了影像组学特征的可靠性。硬件迭代虽能提升成像性能，但这涉及成像质量与设备成本、便携性之间的权衡，开发无需改造硬件设备的图像后处理技术成为更具普适性的解决方案。传统方法主要包括降噪和利用相邻帧补充中心帧的全面细节，但是前者会造成信息丢失，后者对伪影的改善效果有限^［56］。

近年来，基于深度学习的图像重构技术（如卷积神经网络、生成对抗网络和扩散模型）已成为提升低分辨率超声图像质量的重要解决方案。例如，Zhou 等^［56］利用生成对抗网络对掌上超声图像进行超分辨率重建，在保留图像全局特征的同时，显著增强了局部细节的清晰度，使诊断的准确性和可靠性得到提升。Yao 等^［57］通过生成对抗网络在掌上超声图像上生成虚拟弹性图像，其质量与高端超声设备获取的图像无显著差异，并使其在乳腺癌诊断中的性能提高了5%。然而，这些方法是否能够有效提升影像组学特征的稳定性和判别能力，目前仍缺乏充分的证据支持。尽管在CT 和MRI 模态中，超分辨率技术已展现出对影像组学的显著提升作用，例如Xing 等^［58］通过超分辨率重建技术构建的影像组学模型在预测肺腺癌微浸润或实性成分方面优于传统模型，Zhang 等^［59］也证实超分辨率处理可显著提升影像组学模型对脑胶质瘤分级的准确性，但在超声影像组学领域，类似的研究仍处于空白状态。尽管如此，CT 和MRI 中的成功案例为超声影像组学提供了重要的参考，提示深度学习驱动的图像增强技术在这一领域可能具有巨大的应用潜力。

除了对低分辨率图像的重构，该技术也可用于源于多种设备的图像的风格统一，以降低图像异质性对超声影像组学的影响。Zhao 等^［60］利用适应性循环生成对抗网络（CycleGAN）将来自不同超声设备的图像进行风格统一后，组学特征的一致性得到了显著提高（皮尔逊相关系数从0.60 提升至0.81），且建立的早期宫颈癌淋巴结转移影像组学预测模型性能显著提升（曲线下面积从0.78 提升至0.85）。

因此，图像重构技术的应用，显著提高了超声影像组学分析的准确性和可靠性，为不同设备间的图像数据整合提供了一种有效的解决方案。

（三）组学特征层面的协调

在组学特征层面减少图像异质性对超声影像组学特征的干扰是一种高效且相对简便的解决策略，这一过程通常被称为“协调”。与直接储存、传输图像数据相比，组学特征数据的跨中心传输更为便捷，隐私安全性也更高。同时，有效协调超声影像组学特征以消除图像异质性带来的影响，已被证实可提升对易被忽略的生物学效应的检测能力，且在模拟的发现-验证研究设计中，有助于增强对感兴趣的生物学效应的重复验证能力^［61］。因此，在实际临床研究中，影像组学领域常将协调策略应用于从图像中提取的组学特征数据，而非直接针对图像数据操作。在影像组学领域，“ComBat”是目前研究与应用最为深入且广泛的协调策略。其最初应用于基因组学数据协调^［62］，Timmeren等^［63］率先将其引入影像组学领域，证实了ComBat 能够在一定程度上消除 CT 参数设置差异对影像组学特征可重复性所产生的负面影响。ComBat 技术已通过多模态影像（CT、MRI、PET）的系统验证，被证实能够有效消除设备差异导致的组学特征变异，显著提升脑肿瘤、前列腺癌等疾病诊断、肿瘤术后复发预测、治疗后反应评估的影像组学模型的跨中心通用性，为多中心临床研究的标准化分析提供了可靠工具^{［49,63,64,65,66,67,68,69,70,71,72,73］}。除了ComBat 策略之外，基于经验贝叶斯、Bias-presentation、隐语义模型或ComBat 变体等其他影像组学特征的数据处理方法，在协调组学特征以及提升机器学习效能方面也取得了一定程度的积极成效。

上述数据后处理方法值得在基于超声影像组学特征的临床研究中被借鉴。但目前这些方法在该领域的应用尚未形成系统性的研究体系。Choi 等^［74］曾利用颌下腺超声图像针对 ComBat 的能力开展了初步探索性研究，发现其能够在一定程度上提高不同设备之间组学特征的重现性。不过，该研究存在较为明显的局限性，例如在研究过程中未严格有效地控制解剖学切面，未深入探讨ComBat 在协调不同参数设置情形下组学特征的实际效能，并且未开展多中心的验证性研究工作。此外，ComBat 针对因增益、频率、设备以及医疗中心的人群差异等多种复杂因素引起的异质性的协调能力究竟如何尚不明确。因此，系统深入地探究ComBat 在协调超声图像异质性（全面涵盖因参数设置、设备和医疗中心差异等因素所引起的异质性情况）方面所具备的效能，不仅在理论学术层面具有重要的价值意义，同时也能够为超声影像组学研究实践提供切实可行的指导作用，从而进一步明确在何种具体情况下以及究竟如何科学合理地使用该协调方法，以推动超声影像组学研究与应用的不断发展与进步。

四、总结与展望

超声影像组学的快速发展为疾病精准诊疗提供了新机遇，但图像异质性仍是制约其临床转化的核心挑战。本文系统分析了超声图像异质性的双重来源——技术因素与生物学因素，揭示了其通过影响组学特征稳定性导致模型性能和泛化能力下降的作用机制。当前应对策略主要集中于标准化数据采集流程、优化图像后处理技术如灰度归一化与超分辨率重建，以及协调组学特征分布如ComBat 算法，这些方法在提升模型跨中心适用性方面已展现初步成效。然而，现有研究仍存在明显局限：异质性量化评估体系尚未建立，多中心数据共享与隐私保护的矛盾亟待解决，针对超声特异性技术变异（如探头依赖性伪影）的优化方案仍需深入探索。

未来，解决超声图像异质性对影像组学研究的影响需要多维度创新。首先，亟需开发统一的异质性量化工具，以标准化评估设备参数、操作者差异及生物学变异，提高模型预测精度。其次，将生物学先验知识融入组学建模，有助于区分技术变异与真实生物学差异，提升模型的临床解释性。基于自监督学习的特征提取方法可减少对标注数据的依赖，增强模型的适应性。此外，多模态数据融合（如超声弹性成像、造影增强）与自适应算法创新，将进一步优化异质性补偿。最终，通过多中心临床试验验证并制定标准化指南，可加速超声影像组学在精准医疗中的临床转化，为疾病诊断、治疗决策及预后评估提供更可靠的支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	Tsilimigras DI， Brodt P， Clavien PA， et al.Liver metastases［J］.Nat Rev Dis Primers， 2021， 7（1）：27.

2	He Y， Guan S， Wu S， et al.Risk factors and prediction nomogram of local regeneration after ultrasound-guided microwave ablation of uterine flbroids［J］.J Minim Invasive Gynecol， 2024， 31（11）：956-965.

3	Huang Z， Cheng XQ， Lu RR， et al.A radiomics-based nomogram using ultrasound carotid plaque evaluation for predicting cerebrocardiovascular events in asymptomatic patients［J］.Acad Radiol， 2024，31（12）：5204-5216.

4	Lin J， Liu H， Liang S， et al.The relationship between rim-like enhancement on pre-ablation contrast-enhanced ultrasound of colorectal liver metastasis and early intrahepatic progression after thermal ablation：a preliminary study［J］.Ultrasound Med Biol， 2025，51（2）：358-363.

5	Guan S， He Y， Zhou X， et al.Risk factors for symptom recurrence after microwave ablation of adenomyosis：a preliminary retrospective study［J］.Int J Hyperthermia， 2024， 41（1）：2429556.

6	Shimozono T， Shiiba T， Takano K.Radiomics score derived from T1-w/T2-w ratio image can predict motor symptom progression in Parkinson's disease［J］.Eur Radiol， 2024， 34（12）：7921-7933.

7	Guo Z， Zhao M， Liu Z， et al.Feasibility of ultrasound radiomics based models for classification of liver fibrosis due to Schistosoma japonicum infection［J］.PLoS Negl Trop Dis， 2024， 18（6）：e0012235.

8	LeCun Y， Bengio Y， Hinton G.Deep learning［J］.Nature， 2015，521（7553）：436-444.

9	Obermeyer Z， Emanuel EJ.Predicting the future - big data， machine learning， and clinical medicine［J］.N Engl J Med， 2016， 375（13）：1216-1219.

10	Li J， Li C， Zhou X， et al.US risk stratiflcation system for follicular thyroid neoplasms［J］.Radiology， 2023， 309（2）：e230949.

11	Chen LD， Huang ZR， Yang H， et al.US-based sequential algorithm integrating an AI model for advanced liver fibrosis screening［J］.Radiology， 2024， 311（1）：e231461.

12	Wu SH， Tong WJ， Li MD， et al.Collaborative enhancement of consistency and accuracy in US diagnosis of thyroid nodules using large language models［J］.Radiology， 2024， 310（3）：e232255.

13	Vara G， Rustici A， Sechi A， et al.Texture analysis on ultrasound：the effect of time gain compensation on histogram metrics and gray-level matrices［J］.J Med Phys， 2020， 45（4）：249-255.

14	Zhang Q， Zhang Q， Liu T， et al.Development and external validation of a simple-to-use dynamic nomogram for predicting breast malignancy based on ultrasound morphometric features：a retrospective multicenter study［J］.Front Oncol， 2022， 12：868164.

15	Sullivan DC， Obuchowski NA， Kessler LG， et al.Metrology standards for quantitative imaging biomarkers［J］.Radiology， 2015， 277（3）：813-825.

16	Hudson JM， Williams R， Lloyd B， et al.Improved flow measurement using microbubble contrast agents and disruption-replenishment：clinical application to tumour monitoring［J］.Ultrasound Med Biol，2011， 37（8）：1210-1221.

17	Williams R， Hudson JM， Lloyd BA， et al.Dynamic microbubble contrast-enhanced US to measure tumor response to targeted therapy：a proposed clinical protocol with results from renal cell carcinoma patients receiving antiangiogenic therapy［J］.Radiology， 2011， 260（2）：581-590.

18	Lassau N， Koscielny S， Albiges L， et al.Metastatic renal cell carcinoma treated with sunitinib：early evaluation of treatment response using dynamic contrast-enhanced ultrasonography［J］.Clin Cancer Res， 2010， 16（4）：1216-1225.

19	Lassau N， Bonastre J， Kind M， et al.Validation of dynamic contrastenhanced ultrasound in predicting outcomes of antiangiogenic therapy for solid tumors：the French multicenter support for innovative and expensive techniques study［J］.Invest Radiol， 2014， 49（12）：794-800.

20	Hudson JM， Bailey C， Atri M， et al.The prognostic and predictive value of vascular response parameters measured by dynamic contrastenhanced-CT， -MRI and -US in patients with metastatic renal cell carcinoma receiving sunitinib［J］.Eur Radiol， 2018， 28（6）：2281-2290.

21	Danilo A， Luigi C， Alessio F， et al.Ultrasound medical imaging techniques：a survey［J］.ACM Comput Surv， 2021， 54（3）：Article 67.

22	Seoni S， Matrone G， Meiburger KM.Texture analysis of ultrasound images obtained with different beamforming techniques and dynamic ranges - A robustness study［J］.Ultrasonics， 2023， 131：106940.

23	Lee SE， Han K， Kwak JY， et al.Radiomics of US texture features in differential diagnosis between triple-negative breast cancer and flbroadenoma［J］.Sci Rep， 2018， 8（1）：13546.

24	Dong S， Shen B， Jiang X， et al.Comparison of vagus nerve crosssectional area between brain-flrst and body-flrst Parkinson's disease［J］.NPJ Parkinsons Dis， 2024， 10（1）：231.

25	中华医学会超声医学分会，中国研究型医院学会肿瘤介入专业委员会，国家卫生和健康委员会能力建设和继续教育中心超声医学专家委员会.肝病超声诊断指南［J］.临床肝胆病杂志， 2021， 37（8）：1770-1785.

26	Bota S， Sporea I， Sirli R， et al.Intra- and interoperator reproducibility of acoustic radiation force impulse （ARFI） elastography--preliminary results［J］.Ultrasound Med Biol， 2012， 38（7）：1103-1108.

27	Karson TH， Chandra S， Morehead AJ， et al.JPEG compression of digital echocardiographic images：impact on image quality［J］.J Am Soc Echocardiogr， 1995， 8（3）：306-318.

28	Liu K， Chen D， Liao J， et al.JPEG robust invertible grayscale［J］.IEEE Trans Vis Comput Graph， 2022， 28（12）：4403-4417.

29	Martello SE， Xia J， Kusunose J， et al.Ultrafast power doppler ultrasound enables longitudinal tracking of vascular changes that correlate with immune response after radiotherapy［J］.Theranostics，2024， 14（18）：6883-6896.

30	Sharifi Y， Shafiei S， Ashgzari MD， et al.Thyroid ultrasound-image dataset［J］.Stud Health Technol Inform， 2022， 294：397-402.

31	Lee JY， Kim JH， Kim YK， et al.US predictors of papillary thyroid microcarcinoma progression at active surveillance［J］.Radiology， 2023，309（1）：e230006.

32	Uppot RN.Impact of obesity on radiology［J］.Radiol Clin North Am，2007， 45（2）：231-246.

33	Bashyam VM， Doshi J， Erus G， et al.Deep generative medical image harmonization for improving cross-site generalization in deep learning predictors［J］.J Magn Reson Imaging， 2022， 55（3）：908-916.

34	Bell TK， Godfrey KJ， Ware AL， et al.Harmonization of multi-site MRS data with ComBat［J］.Neuroimage， 2022， 257：119330.

35	Li MD， Cheng MQ， Chen LD， et al.Reproducibility of radiomics features from ultrasound images：influence of image acquisition and processing［J］.Eur Radiol， 2022， 32（9）：5843-5851.

36	Teng Y， Ai Y， Liang T， et al.The effects of automatic segmentations on preoperative lymph node status prediction models with ultrasound radiomics for patients with early stage cervical cancer［J］.Technol Cancer Res Treat， 2022， 21：15330338221099396.

37	Chen Z， Jiang M， Chiu B.Unsupervised shape-and-texture-based generative adversarial tuning of pre-trained networks for carotid segmentation from 3D ultrasound images［J］.Med Phys， 2024， 51（10）：7240-7256.

38	Duron L， Savatovsky J， Fournier L， et al.Can we use radiomics in ultrasound imaging？ Impact of preprocessing on feature repeatability［J］.Diagn Interv Imaging， 2021， 102（11）：659-667.

39	Li Q， Zhang W， Liao T， et al.An AI-driven preoperative radiomic subtype for predicting the prognosis and treatment response of patients with papillary thyroid carcinoma［J］.Clin Cancer Res， 2025， 31（1）：139-150.

40	Liu X， Xiao W， Qiao J， et al.Prediction of lymph node metastasis in endometrial cancer based on color Doppler ultrasound radiomics［J］.Acad Radiol， 2024， 31（11）：4499-4508.

41	Zhu X， Li J， Li H， et al.Intranodular and perinodular ultrasound radiomics distinguishes benign and malignant thyroid nodules：a multicenter study［J］.Gland Surg， 2024， 13（12）：2359-2371.

42	Gillies RJ， Kinahan PE， Hricak H.Radiomics：images are more than pictures， they are data［J］.Radiology， 2016， 278（2）：563-577.

43	Zwanenburg A， Vallieres M， Abdalah MA， et al.The image biomarker standardization initiative：standardized quantitative radiomics for highthroughput image-based phenotyping［J］.Radiology， 2020， 295（2）：328-338.

44	Zhang C， de AFFL， Shi Z， et al.Systematic review of radiomic biomarkers for predicting immune checkpoint inhibitor treatment outcomes［J］.Methods， 2021， 188：61-72.

45	Han A， Labyed Y， Sy EZ， et al.Inter-sonographer reproducibility of quantitative ultrasound outcomes and shear wave speed measured in the right lobe of the liver in adults with known or suspected nonalcoholic fatty liver disease［J］.Eur Radiol， 2018， 28（12）：4992-5000.

46	Yoon JS， Oh K， Shin Y， et al.Domain generalization for medical image analysis：a review［J］.Proceedings of the IEEE， 2024， 112（10）：1583-1609.

47	Liu Y， Chen J， Zhang C， et al.Ultrasound-based radiomics can classify the etiology of cervical lymphadenopathy：a multi-center retrospective study［J］.Front Oncol， 2022， 12：856605.

48	Pfaehler E， van Sluis J， Merema BBJ， et al.Experimental multicenter and multivendor evaluation of the performance of PET radiomic features using 3-dimensionally printed phantom inserts［J］.J Nucl Med，2020， 61（3）：469-476.

49	Orlhac F， Eertink JJ， Cottereau AS， et al.A guide to ComBat harmonization of imaging biomarkers in multicenter studies［J］.J Nucl Med， 2022， 63（2）：172-179.

50	Alberto BJ， David S， Josep DF， et al.A critical review on the use （and misuse） of differential privacy in machine learning［J］.ACM Comput Surv， 2022， 55 （8）：Pages 160：1 - 160：16.

51	Su ZY， Siak PY， Lwin YY， et al.Epidemiology of nasopharyngeal carcinoma：current insights and future outlook［J］.Cancer Metastasis Rev， 2024， 43（3）：919-939.

52	Seoni S， Shahini A， Meiburger KM， et al.All you need is data preparation：A systematic review of image harmonization techniques in Multi-center/device studies for medical support systems［J］.Comput Methods Programs Biomed， 2024， 250：108200.

53	Liu C， Qiao M， Jiang F， et al.TN-USMA Net：Triple normalizationbased gastrointestinal stromal tumors classification on multicenter EUS images with ultrasound-speciflc pretraining and meta attention［J］.Med Phys， 2021， 48（11）：7199-7214.

54	Homayoun H， Chan WY， Kuzan TY， et al.Applications of machinelearning algorithms for prediction of benign and malignant breast lesions using ultrasound radiomics signatures：A multi-center study［J］.Biocybern Biomed Eng， 2022， 42（3）：921-933.

55	Ren S， Qi Q， Liu S， et al.Preoperative prediction of pathological grading of hepatocellular carcinoma using machine learning-based ultrasomics：A multicenter study［J］.Eur J Radiol， 2021， 143：109891.

56	Zhou Z， Guo Y， Wang Y.Handheld ultrasound video high-quality reconstruction using a low-rank representation multipathway generative adversarial network［J］.IEEE Trans Neural Netw Learn Syst， 2021， 32（2）：575-588.

57	Yao Z， Luo T， Dong Y， et al.Virtual elastography ultrasound via generative adversarial network for breast cancer diagnosis［J］.Nat Commun， 2023， 14（1）：788.

58	Xing X， Li L， Sun M， et al.Deep-learning-based 3D super-resolution CT radiomics model：Predict the possibility of the micropapillary/solid component of lung adenocarcinoma［J］.Heliyon， 2024， 10（13）：e34163.

59	Zhang C， Wang P， He J， et al.Super-resolution reconstruction improves multishell diffusion：using radiomics to predict adult-type diffuse glioma IDH and grade［J］.Front Oncol， 2024， 14：1435204.

60	Zhao Z， Qin Y， Shao K， et al.Radiomics harmonization in ultrasound images for cervical cancer lymph node metastasis prediction using Cycle-GAN［J］.Technol Cancer Res Treat， 2024， 23：15330338241302237.

61	Zhang R， Oliver LD， Voineskos AN， et al.A structured multivariate approach for removal of latent batch effects［J］.Imaging Neurosci（Camb），2023， 1：1-16.

62	Johnson WE， Li C， Rabinovic A.Adjusting batch effects in microarray expression data using empirical Bayes methods［J］.Biostatistics， 2007，8（1）：118-127.

63	van Timmeren JE， Leijenaar RTH， van Elmpt W， et al.Test-retest data for radiomics feature stability analysis：generalizable or studyspeciflc？［J］.Tomography， 2016， 2（4）：361-365.

64	Fortin JP， Cullen N， Sheline YI， et al.Harmonization of cortical thickness measurements across scanners and sites［J］.Neuroimage，2018， 167：104-120.

65	Orlhac F， Frouin F， Nioche C， et al.Validation of a method to compensate multicenter effects affecting CT radiomics［J］.Radiology，2019， 291（1）：53-59.

66	Orlhac F， Lecler A， Savatovski J， et al.How can we combat multicenter variability in MR radiomics？ Validation of a correction procedure［J］.Eur Radiol， 2021， 31（4）：2272-2280.

67	Morelli L， Paganelli C， Marvaso G， et al.Addressing intra- and interinstitution variability of a radiomic framework based on apparent diffusion coefficient in prostate cancer［J］.Med Phys， 2024， 51（11）：8096-8107.

68	Leithner D， Schoder H， Haug A， et al.Impact of ComBat harmonization on PET radiomics-based tissue classification：a dualcenter PET/MRI and PET/CT study［J］.J Nucl Med， 2022， 63（10）：1611-1616.

69	Badic B， Da-Ano R， Poirot K， et al.Prediction of recurrence after surgery in colorectal cancer patients using radiomics from diagnostic contrast-enhanced computed tomography：a two-center study［J］.Eur Radiol， 2022， 32（1）：405-414.

70	Belge JB， Mulders PCR， Van Diermen L， et al.White matter changes following electroconvulsive therapy for depression：a multicenter ComBat harmonization approach［J］.Transl Psychiatry， 2022， 12（1）：517.

71	Leithner D， Nevin RB， Gibbs P， et al.ComBat harmonization for MRI radiomics：Impact on nonbinary tissue classiflcation by machine learning［J］.Invest Radiol， 2023， 58（9）：697-701.

Lucia F， Louis T， Cousin F， et al.Multicentric development and evaluation of ［（18）F］FDG PET/CT and CT radiomic models to predict regional and/or distant recurrence in early-stage non-small cell lung cancer treated by stereotactic body radiation therapy［J］.Eur J Nucl Med Mol Imaging， 2024， 51（4）：1097-1108.

73	Sun D， Rakesh G， Haswell CC， et al.A comparison of methods to harmonize cortical thickness measurements across scanners and sites［J］.Neuroimage， 2022， 261：119509.

74	Choi YJ， Jeon KJ， Lee A， et al.Harmonization of robust radiomic features in the submandibular gland using multi-ultrasound systems：a preliminary study［J］.Dentomaxillofac Radiol， 2023， 52（2）：20220284.

Options

文章导航

模态框（Modal）标题