Радиомический анализ магнитно-резонансных изображений сердца: обзор литературы

Радиомика и текстурный анализ (ТА) – это новое, бурно развивающееся направление углубленного анализа цифровых медицинских изображений. Число публикаций по данной тематике растет с каждым годом, и данная тема не теряет своей актуальности. Радиомика представляет собой многообещающий метод анализа изображений, который направлен на то, чтобы улучшить диагностику и прогноз заболеваний за счет извлечения большого числа количественных признаков, которые могут быть пропущены человеческим глазом при визуальном анализе изображений. Биомаркеры радиомики, полученные путем извлечения данных из магнитно-резонансных изображений сердца, могут стать ценным инструментом для оценки жизнеспособности миокарда, поражения миокарда при миокардитах и кардиомиопатиях. Проанализированы возможности применения ТА изображений магнитно-резонансной томографии (МРТ) сердца в клинической практике, описаны известные на сегодняшний день особенности, преимущества и ограничения применения ТА и радиомики в диагностике заболеваний сердца, а именно инфаркта миокарда (ИМ), миокардита и кардиомиопатии.

1. Mayerhoefer M.E., Materka A., Langs G., Häggström I., Szczypiński P., Gibbs P. et al. Introduction to Radiomics. J. Nucl. Med. 2020;61(4):488–495. DOI: 10.2967/jnumed.118.222893.

2. van Timmeren J.E., Cester D., Tanadini-Lang S., Alkadhi H., Baessler B. Radiomics in medical imaging-“how-to” guide and critical refl ection. Insights Imaging. 2020;11(1):91. DOI: 10.1186/s13244-020-00887-2.

3. Murray J.M., Kaissis G., Braren R., Kleesiek J. Wie funktioniert Radiomics? [A primer on radiomics]. Radiologe. 2020;60(1):32–41. (In German). DOI: 10.1007/s00117-019-00617-w.

4. Avanzo M., Stancanello J., Pirrone G., Sartor G. Radiomics and deep learning in lung cancer. Strahlenther Onkol. 2020;196(10):879–887. DOI: 10.1007/s00066-020-01625-9.

5. Огнерубов Н.А., Шатов А.В., Шатов И.А. Радиогеномика и радиомика в диагностике злокачественных опухолей: обзор литературы. Вестник Тамбовского университета. Серия: Естественные и технические науки. 2017;22(6–2):1453–1460. DOI: 10.20310/1810-0198-2017-22-6-1453-1460.

6. Литвин А.А., Буркин Д.А., Кропинов А.А., Парамзин Ф.Н. Радиомика и анализ текстур цифровых изображений в онкологии (обзор). Современные технологии в медицине. 2021;13(2):97–106. DOI: 10.17691/stm2021.13.2.11.

7. Замятина К.А., Годзенко М.В., Кармазановский Г.Г., Ревишвили А.Ш. Радиомика при заболеваниях печени и поджелудочной железы. Обзор литературы. Анналы хирургической гепатологии. 2022;27(1):40–47. DOI: 10.16931/1995-5464.2022-1-40-47.

8. Shur J.D., Doran S.J., Kumar S., Ap Dafydd D., Downey K., O’Connor J.P.B. et al. Radiomics in oncology: A practical guide. Radiographics. 2021;41(6):1717–1732. DOI: 10.1148/rg.2021210037.

9. Salvatore C., Castiglioni I., Cerasa A. Radiomics approach in the neurodegenerative brain. Aging Clin. Exp. Res. 2021;33(6):1709–1711. DOI: 10.1007/s40520-019-01299-z.

10. Feng Q., Ding Z. MRI Radiomics classification and prediction in Alzheimer’s disease and mild cognitive impairment: A review. Curr. Alzheimer Res. 2020;17(3):297–309. DOI: 10.2174/1567205017666200303105016.

11. Pinamonti B., Picano E., Ferdeghini E.M., Lattanzi F., Slavich G., Landini L. et al. Quantitative texture analysis in two-dimensional echocardiography: application to the diagnosis of myocardial amyloidosis. J. Am. Coll. Cardiol. 1989;14(3):666–671. DOI: 10.1016/0735-1097(89)90108-3.

12. Ferdeghini E.M., Pinamonti B., Picano E., Lattanzi F., Bussani R., Slavich G. et al. Quantitative texture analysis in echocardiography: application to the diagnosis of myocarditis. J. Clin. Ultrasound. 1991;19(5):263–270. DOI: 10.1002/jcu.1870190503.

13. Lattanzi F., Bellotti P., Picano E., Chiarella F., Paterni M., Forni G. et al. Quantitative texture analysis in two-dimensional echocardiography: Application to the diagnosis of myocardial hemochromatosis. Echocardiography. 1996;13(1):9–20. DOI: 10.1111/j.1540-8175.1996.tb00863.x.

14. Kagiyama N., Shrestha S., Cho J.S., Khalil M., Singh Y., Challa A. et al. A low-cost texture-based pipeline for predicting myocardial tissue remodeling and fibrosis using cardiac ultrasound. EBioMedicine. 2020;54:102726. DOI: 10.1016/j.ebiom.2020.102726.

15. Amichi A., Laugier P. Quantitative texture analysis and transesophageal echocardiography to characterize the acute myocardial contusion. Open Med. Inform. J. 2009;3:13–18. DOI: 10.2174/1874431100903010013.

16. Li L., Hu X., Tao X., Shi X., Zhou W., Hu H. Radiomic features of plaques derived from coronary CT angiography to identify hemodynamically significant coronary stenosis, using invasive FFR as the reference standard. Eur. J. Radiol. 2021;140:109769. DOI: 10.1016/j.ejrad.2021.109769.

17. Shang J., Guo Y., Ma Y., Hou Y. Cardiac computed tomography radiomics: a narrative review of current status and future directions. Quant. Imaging Med. Surg. 2022;12(6):3436–3453. DOI: 10.21037/qims-21-1022.

18. Yunus M.M., Mohamed Yusof A.K., Ab Rahman M.Z., Koh X.J., Sabarudin A., Nohuddin P.N.E. et al. Automated classification of atherosclerotic radiomics features in coronary computed tomography angiography (CCTA). Diagnostics (Basel). 2022;12(7):1660. DOI: 10.3390/diagnostics12071660.

19. Oikonomou E.K., Williams M.C., Kotanidis C.P., Desai M.Y., Marwan M., Antonopoulos A.S. et al. A novel machine learning-derived radiotranscriptomic signature of perivascular fat improves cardiac risk prediction using coronary CT angiography. Eur. Heart J. 2019;40(43):3529–3543. DOI: 10.1093/eurheartj/ehz592.

20. Hu G.Q., Ge Y.Q., Hu X.K., Wei W. Predicting coronary artery calcified plaques using perivascular fat CT radiomics features and clinical risk factors. BMC Med. Imaging. 2022;22(1):134. DOI: 10.1186/s12880-022-00858-7.

21. Попов Е.В., Анашбаев Ж.Ж., Мальцева А.Н., Сазонова С.И. Радиомические характеристики текстурных изменений эпикардиальной жировой ткани при атеросклеротическом поражении коронарных артерий. Комплексные проблемы сердечно-сосудистых заболеваний. 2021;10(4):6–16. DOI: 10.17802/2306-1278-2021-10-4-6-16.

22. Leiner T. Radiomics in cardiac MRI: Sisyphean struggle or close to the summit of Olympus? Radiol. Cardiothorac. Imaging. 2020;25;2(3):e200244. DOI: 10.1148/ryct.2020200244.

23. Chang S., Han K., Suh Y.J., Choi B.W. Quality of science and reporting for radiomics in cardiac magnetic resonance imaging studies: a systematic review. Eur. Radiol. 2022;32(7):4361–4373. DOI: 10.1007/s00330-022-08587-9.

24. Jang J., Ngo L.H., Mancio J., Kucukseymen S., Rodriguez J., Pierce P. et al. Reproducibility of segmentation-based myocardial radiomic features with cardiac MRI. Radiol. Cardiothorac. Imaging. 2020;2(3):e190216. DOI: 10.1148/ryct.2020190216.

25. Baessler B., Mannil M., Maintz D., Alkadhi H., Manka R. Texture analysis and machine learning of noncontrast T1-weighted MR images in patients with hypertrophic cardiomyopathy-Preliminary results. Eur. J. Radiol. 2018;102:61–67. DOI: 10.1016/j.ejrad.2018.03.013.

26. Alis D., Guler A., Yergin M., Asmakutlu O. Assessment of ventricular tachyarrhythmia in patients with hypertrophic cardiomyopathy with machine learning-based texture analysis of late gadolinium enhancement cardiac MRI. Diagn. Interv. Imaging. 2020;101:137–146. DOI: 10.1016/j.diii.2019.10.005.

27. Baessler B., Luecke C., Lurz J., Klingel K., von Roeder M., de Waha S. et al. Cardiac MRI texture analysis of T1 and T2 maps in patients with infarctlike acute myocarditis. Radiology. 2018;289(2):357–365. DOI: 10.1148/radiol.2018180411.

28. Hassani C., Saremi F., Varghese B.A, Duddalwar V. Myocardial radiomics in cardiac MRI. AJR Am. J. Roentgenol. 2020;214(3):536–545. DOI: 10.2214/AJR.19.21986.

29. Koçak B., Durmaz E.Ş., Ateş E., Kılıçkesmez Ö. Radiomics with artificial intelligence: a practical guide for beginners. Diagn. Interv. Radiol. 2019;25(6):485–495. DOI: 10.5152/dir.2019.19321.

30. Buch K., Kuno H., Qureshi M.M., Li B., Sakai O. Quantitative variations in texture analysis features dependent on MRI scanning parameters: A phantom model. J. Appl. Clin. Med. Phys. 2018;19(6):253–264. DOI: 10.1002/acm2.12482.

31. Florez E., Fatemi A., Claudio P.P., Howard C.M. Emergence of radiomics: Novel methodology identifying imaging biomarkers of disease in diagnosis, response, and progression. SM J. Clin. Med. Imaging. 2018;4(1):1019.

32. Scapicchio C., Gabelloni M., Barucci A., Cioni D., Saba L., Neri E. A deep look into radiomics. Radiol. Med. 2021;126(10):1296–1311. DOI: 10.1007/s11547-021-01389-x.

33. Rizzo S., Botta F., Raimondi S., Origgi D., Fanciullo C., Morganti A.G. et al. Radiomics: the facts and the challenges of image analysis. Eur. Radiol. Exp. 2018;2:36. DOI: 10.1186/s41747-018-0068-z.

34. Aerts H., Velazquez E., Leijenaar R.T.H., Parmar C., Grossmann P., Carvalho S. et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat. Commun. 2014;5:4006. DOI: 10.1038/ncomms5006.

35. Parmar C., Grossmann P., Bussink J., Lambin P., Aerts H.J.W.L. Machine learning methods for quantitative radiomic biomarkers. Sci. Rep. 2015;5:13087. DOI: 10.1038/srep13087.

36. Jolliffe I. Principal component analysis. In: Encyclopedia of Statistics in Behavioral Science. Wiley StatsRef: Stastistics Reference Online. 2005:501. DOI: 10.1002/0470013192.bsa501.

37. Rau A., Soschynski M., Taron J., Ruile P., Schlett C.L., Bamberg F. et al. Künstliche Intelligenz und Radiomics: Stellenwert in der kardialen MRT [Artificial intelligence and radiomics: Value in cardiac MRI]. Radiologie (Heidelb.). 2022;62(11):947–953. (In German). DOI: 10.1007/s00117-022-01060-0.

38. Арутюнов Г.П., Палеев Ф.Н., Моисеева О.М., Драгунов Д.О., Соколова А.В., Арутюнов А.Г. и др. Миокардиты у взрослых. Клинические рекомендации 2020. Российский кардиологический журнал. 2021;26(11):4790. DOI: 10.15829/1560-4071-2021-4790.

39. Baessler B., Luecke C., Lurz J., Klingel K., Das A., von Roeder M. et al. Cardiac MRI and texture analysis of myocardial T1 and T2 maps in myocarditis with acute versus chronic symptoms of heart failure. Radiology. 2019:292(3):608–617. DOI: 10.1148/radiol.2019190101.

40. Di Noto T., von Spiczak J., Mannil M., Gantert E., Soda P., Manka R. et al. Radiomics for distinguishing myocardial infarction from myocarditis at late gadolinium enhancement at MRI: Comparison with subjective visual analysis. Radiol. Cardiothorac. Imaging. 2019;1(5):e180026. DOI: 10.1148/ryct.2019180026.

41. McDonagh T.A., Metra M., Adamo M., Gardner R.S., Baumbach A., Böhm M. et al. ESC Scientific Document Group. 2021 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure. Eur. Heart J. 2021;42(36):3599–3726. DOI: 10.1093/eurheartj/ehab368.

42. Belloni E., De Cobelli F., Esposito A., Mellone R., Perseghin G., Canu T. et al. MRI of cardiomyopathy. AJR Am. J. Roentgenol. 2008;191(6):1702–1710. DOI: 10.2214/AJR.07.3997.

43. Amano Y., Yanagisawa F., Omori Y., Suzuki Y., Ando C., Yamamoto H. et al. Detection of myocardial tissue alterations in hypertrophic cardiomyopathy using texture analysis of T2-weighted short inversion time inversion recovery magnetic resonance imaging. J. Comput. Assist. Tomogr. 2020;44(3):341–345. DOI: 10.1097/RCT.0000000000001007.

44. Schofield R., Ganeshan B., Fontana M., Nasis A., Castelletti S., Rosmini S. et al. Texture analysis of cardiovascular magnetic resonance cine images differentiates aetiologies of left ventricular hypertrophy. Clin. Radiol. 2019;74(2):140–149. DOI: 10.1016/j.crad.2018.09.016.

45. Izquierdo C., Casas G., Martin-Isla C., Campello V.M., Guala A., Gkontra P. et al. Radiomics-based classification of left ventricular non-compaction, hypertrophic cardiomyopathy, and dilated cardiomyopathy in cardiovascular magnetic resonance. Front. Cardiovasc. Med. 2021;8:764312. DOI: 10.3389/fcvm.2021.764312.

46. Neisius U., El-Rewaidy H., Kucukseymen S., Tsao C.W., Mancio J. et al. Texture signatures of native myocardial T1 as novel imaging markers for identification of hypertrophic cardiomyopathy patients without scar. J. Magn. Reson. Imaging. 2020;52(3):906–919. DOI: 10.1002/jmri.27048.

47. Wang J., Yang F., Liu W., Sun J., Han Y., Li D. et al. Radiomic analysis of native T1 mapping images discriminates between MYH7 and MYB-PC3-related hypertrophic cardiomyopathy. J. Magn. Reson. Imaging. 2020;52(6):1714–1721. DOI: 10.1002/jmri.27209.

48. Spadarella G., Perillo T., Ugga L., Cuocolo R. Radiomics in cardiovascular disease imaging: from pixels to the heart of the problem. Curr. Cardiovasc. Imaging Rep. 2022;15:11–21. DOI: 10.1007/s12410-022-09563-z.

49. Larroza A., López-Lereu M.P., Monmeneu J.V., Gavara J., Chorro F.J., Bodí V. et al. Texture analysis of cardiac cine magnetic resonance imaging to detect nonviable segments in patients with chronic myocardial infarction. Med. Phys. 2018;45(4):1471–1480. DOI: 10.1002/mp.12783.

50. Chen B., An D., He J., Wu C.-W., Yue T., Wu R. et al. Myocardial extracellular volume fraction radiomics analysis for differentiation of reversible versus irreversible myocardial damage and prediction of left ventricular adverse remodeling after ST-elevation myocardial infarction. Eur. Radiol. 2021;31:504–514. DOI: 10.1007/s00330-020-07117-9.

51. Eftestøl T., Woie L., Engan K., Kvaløy J.T., Nilsen D.W., Ørn S. Texture analysis to assess risk of serious arrhythmias after myocardial infarction. In: Computing in Cardiology IEEE. Krakow, Poland; 2012:365–368. URL: https://ieeexplore.ieee.org/abstract/document/6420406 (06.07.2023).

52. Engan K., Eftestol T., Orn S., Kvaloy J.T., Woie L. Exploratory data analysis of image texture and statistical features on myocardium and infarction areas in cardiac magnetic resonance images. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. 2010;2010:5728–5731. DOI: 10.1109/IEMBS.2010.5627866.

53. Ma Q., Ma Y., Yu T., Sun Z., Hou Y. Radiomics of non-contrast-enhanced T1 mapping: diagnostic and predictive performance for myocardial injury in acute ST-segment-elevation myocardial infarction. Korean J. Radiol. 2021;22(4):535–546. DOI:10.3348/kjr.2019.0969.

54. Raisi-Estabragh Z., Gkontra P., Jaggi A., Cooper J., Augusto J., Bhuva A.N. et al. Repeatability of cardiac magnetic resonance radiomics: A multi-centre multi-vendor test-retest study. Front. Cardiovasc. Med. 2020;7:586236. DOI: 10.3389/fcvm.2020.586236.

55. Park J.E., Park S.Y., Kim H.J., Kim H.S. Reproducibility and generalizability in radiomics modeling: Possible strategies in radiologic and statistical perspectives. Korean J. Radiol. 2019;20(7):1124–1137. DOI: 10.3348/kjr.2018.0070.

56. Park S.H., Han K. Methodologic Guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction. Radiology. 2018;286(3):800–809. DOI: 10.1148/radiol.2017171920.

57. Varghese B.A., Cen S.Y., Hwang D.H., Duddalwar V.A. Texture analysis of imaging: What radiologists need to know. AJR Am. J. Roentgenol. 2019;212(3):520–528. DOI: 10.2214/AJR.18.20624.

58. Kumar V., Gu Y., Basu S., Berglund A., Eschrich S.A., Schabath M.B. et al. Radiomics: the process and the challenges. Magn. Reson. Imaging. 2012;30(9):1234–1248. DOI: 10.1016/j.mri.2012.06.010.

59. Amano Y., Suzuki Y., Yanagisawa F., Omori Y., Matsumoto N. Relationship between extension or texture features of late gadolinium enhancement and ventricular tachyarrhythmias in hypertrophic cardiomyopathy. Biomed. Res. Int. 2018;2018:4092469. DOI: 10.1155/2018/4092469.