Radiomics feature aggregation [paper 分享]

Tumor sub-region 中潛藏有資訊的特徵，計算特徵時aggregation的方法是值得注意的因素。我們習以為常的平均整顆ROI，可能導致特徵稀釋。

Paper : The importance of feature aggregation in radiomics : a head and neck cancer study

動機 : 魔鬼藏在細節裡

Radiomics 領域使用machine learning的論文中，特徵提取(feature extraction)的方法幾乎相同：對整顆腫瘤的ROI進行計算，再除上pixel數得到平均。大家對於此feature extraction的流程也沒有質疑。然而作者認為，平均整顆ROI會忽視不同sub-region的資訊，或許有的region有突出資訊，平均會把有用的資訊稀釋掉。
所以作者想要實驗，不同的feature aggregation方法是否造成影響。

Fig1, c1及c2皆充分表達了M1及M2，然而平均整張圖(M3)的c3被稀釋並沒有意義。

Paper摘要

這裡濃縮paper的方法，主要比較三種aggregation方法：

Classic : 傳統整顆ROI平均
Patch : 5x5x5 sliding window
BoVW : Bag of Visual Words。

每一種方法皆會對每個tumor產生一個 [pixel數 x feature數] 維的feature map。評估方法則是對214位頭頸癌做病患survival預測。

Bag of Visual Words(BoVW)是一種multiple instance learning的方法，簡單來說就是以clustering的方式濃縮tumor的特徵。以這篇paper為例，會將每個pixel計算出的features進行clustering，並使用histogram的方式統計pixel分布在各cluster的情形。最後以這個histogram作為feature vector做分類。

結果以BoVW (C-index:0.627)顯著的勝出傳統做法(C-index:0.505)，也優於使用patch (C-index:0.543/0.547/0.530)。此結果也符合作者的想法，region資訊有其價值，應挑選適當的 feature aggregation方法。由於實驗重點是feature aggregation方法，作者只選了一些aggregation是主要影響的feature來使用。feature計算方式詳見論文，這邊就不細談了。

Fig6, 不同feature aggregation的結果(* p < 0.01)

結論

傳統radiomics作法在預測腫瘤性質時，會平均整顆ROI。雖然得到整體腫瘤的資訊，但相對忽視region的資訊與其差異性(intra-region variations)。Patch的方式介於中間，有利用region的資訊，缺點是region以人工定義且window大小也是一個因素。BoVW藉由clustering讓pixels自己分出region，也許這也是勝出的關鍵(unsupervised)。