ScholarGate
Asisten
Process / pipelineQuantitative image analysis

Radiomik

Radiomik adalah metodologi komputasi yang mengekstrak sejumlah besar fitur kuantitatif dari citra medis (CT, MRI, PET) menggunakan analisis citra otomatis dan pembelajaran mesin untuk menemukan biomarker pencitraan yang terkait dengan fenotipe penyakit, prognosis, dan respons pengobatan. Dikembangkan oleh Lambin, Gillies, dan kolega pada tahun 2012, radiomik bertujuan untuk menguraikan biologi yang mendasari pola pencitraan yang terlihat, memungkinkan pengobatan yang dipersonalisasi melalui fenotipe berbasis citra. Bidang ini telah muncul sebagai alat yang ampuh dalam onkologi untuk karakterisasi tumor, prediksi prognosis, dan penilaian respons terapi.

Buka di MethodMindSegeraApply, compare, get guidance
Tools & resources
Unduh salindia
Learn & explore
VideoSegera

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Peta metode

Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.

Sumber

  1. Lambin, P., Rios-Velazquez, E., Leijenaar, R., et al. (2012). Radiomics: extracting more information from medical images using advanced feature analysis. Nature Reviews Clinical Oncology, 9(12), 676-684. DOI: 10.1016/j.ejca.2011.11.036
  2. Gillies, R. J., Kinahan, P. E., Hricak, H. (2016). Radiomics: images are data. Radiology, 278(2), 563-577. link
  3. Kumar, V., Gu, Y., Basu, S., et al. (2012). Radiomics: the process and the challenges. Magnetic Resonance Imaging, 30(9), 1234-1248. DOI: 10.1016/j.mri.2012.06.010

Cara menyitasi halaman ini

ScholarGate. (2026, June 3). Quantitative Radiomics. ScholarGate. https://scholargate.app/id/medical-imaging/radiomics

Metode yang mana?

Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.

Bandingkan berdampingan

Dirujuk oleh

ScholarGateRadiomics (Quantitative Radiomics). Diakses 2026-06-17 dari https://scholargate.app/id/medical-imaging/radiomics · Set data: https://doi.org/10.5281/zenodo.20539026