基于pyradiomics影像组学特征提取
特征提取：
在这里，我们使用pyradiomics来提取影像组学特征。首先，我们先介绍pyradiomica工具包，然后我们进行特征的提取。
1 pyradiomics的使用：
PyRadiomics的官方文档:https://pyradiomics.readthedocs.io/en/latest/
1.1，在python环境下安装pyradiomics:
pip install pyradiomics
1.2,设置特征提取器，获得想要特征：
通过自定义特征提取器，可以根据自己的需求来设置并提取特征。
其实，需要设置两个方面：1，图像类型；2，所要提取的特征；3，提取器设置
1.2.1 图像类型
第一步：图像类型：首先，设置提取特征的图像类型，可以指定用于提取特征的图像类型。在pyradiomics包中为我们提供了许多可以使用的滤波器，所以我们可以使用原始图像及经过各种滤波器之后的图像，如下方表格。
具体可以参考官方：https://pyradiomics.readthedocs.io/en/latest/customization.html#image-types
| 图像类型 | 解释 |
|---|---|
| Original | 原始图像 |
| Wavelet | 小波变换。产生在三个维度中每个维度分别使用高通、低通滤波器的所有组合（LLH、LHL、LHH、HLL、HLH、HHL、HHH、LLL） |
| LoG | Laplacian of Gaussian filter高斯滤波器的拉普拉斯算子，是一种边缘增强滤波器。使用它需要指定参数sigma，低 sigma 强调精细纹理，高 sigma 值强调粗糙纹理 |
| Square | 平方。取原始像素的平方并将它们线性缩放回原始范围 |
| SquareRoot | 平方根。取绝对图像强度的平方根并将它们缩放回原始范围 |
| Logarithm | 对数。取绝对强度 + 1 的对数，值缩放到原始范围 |
| Exponential | 指数。采用e^(绝对强度)获取强度的指数值，值被缩放到原始范围 |
| Gradient | 梯度。返回局部梯度的大小 |
| LocalBinaryPattern2D | 在每一片中进行的本地二进制模式 |
| LocalBinaryPattern3D | 在3d中进行的本地二进制模式 |
如何使用：
指定方式：设置特征提取器后可以在下边指定
可以直接使用：enableAllImageTypes() 启用所有类型
也可以使用：enableImageTypeByName( imageType , enabled=True , customArgs=None )启用你想用的类型
如：
# 所有类型
extractor.enableAllFeatures()
# 指定使用LoG和Wavelet滤波器
extractor.enableImageTypeByName('LoG')
extractor.enableImageTypeByName('Wavelet')
1.2.2 目标特征设置
第二步：目标特征设置：
pyradiomics包也为我们提供了很多种可选的特征，如下表格所示：
具体可参考资料：https://pyradiomics.readthedocs.io/en/latest/features.html
这些特征主要包含：
- 一阶特征 First Order Statistics (19 features)
- 3D形状特征 Shape-based (3D) (16 features)
- 2D形状特征 Shape-based (2D) (10 features)
- 灰度级共生矩阵 Gray Level Co-occurrence Matrix (24 features)
- 灰度级游程矩阵 Gray Level Run Length Matrix (16 features)
- 灰度大小区域矩阵 Gray Level Size Zone Matrix (16 features)
- 相邻灰度色调差异矩阵 Neighbouring Gray Tone Difference Matrix (5 features)
- 灰度依赖矩阵 Gray Level Dependence Matrix (14 features)
下面展示一阶特征及其解释，更多的可以参考官方文档。
| 特征类型 | 特征 | 解释 |
|---|---|---|
| First Order Features（共19个） | Energy | 能量 |
| Total Energy | 总能量 | |
| Entropy | 熵 | |
| Minimum | 最小特征值 | |
| 10Percentile | 特征值的百分之10的值 | |
| 90Percentile | 特征值得百分之90的值 | |
| Maximum | 最大特征值 | |
| Mean | 均值 | |
| Median | 中位数 | |
| InterquartileRange | 四分位距离 | |
| Range | 灰度值范围 | |
| MeanAbsoluteDeviation | (MAD)平均绝对误差 | |
| RobustMeanAbsoluteDeviation | (rMAD) 鲁棒平均绝对偏差 | |
| RootMeanSquared | (RMS)均方根误差 | |
| StandardDeviation | 标准差。测量平均值的变化或离散量，默认不启用，因为与方差相关 | |
| Skewness | 偏度。测量值的分布关于平均值的不对称性 | |
| Kurtosis | 峰度。是图像 ROI 中值分布的“峰值”的量度 | |
| Variance | 方差。是每个强度值与平均值的平方距离的平均值 | |
| Uniformity | 均匀度。是每个强度值的平方和 |
注意：除了形状特征类外，其他特征都可以在原始图像和滤波后的图像上进行计算。
具体的指定方法：
可以直接使用：enableAllFeatures( )启用所有类型
也可以使用：enableFeatureClassByName(featureClass, enabled=True)启用你想用的类型
例如：
# 设置一阶特征
extractor.enableFeatureClassByName('firstorder')
# 设置只提取一阶特征的'Mean'和'Skewness'
extractor.enableFeaturesByName(firstorder=['Mean', 'Skewness'])
1.2.3 特征提取器设置
第三步：特征提取器设置：
是否对原图归一化、是否重采样。
图像归一化：
- normalize：默认为false。设置为true时进行图像归一化。
- normalizeScale：确定图像归一化后的比例。默认为1。
- removeOutliers：定义要从图像中删除的异常值。默认为0。
图像/mask重采样：
- resampledPixelSpacing：设置重采样时的体素大小。默认无。
- interpolator：设置用于重采样的插值器。仅适用于重采样图像，sitkNearestNeighbor始终用于重采样掩码以保留标签值。可选的插值器：
- padDistance：设置重采样期间裁剪肿瘤体时的体素补充数量。
例如：
settings = {}
settings['
'] = 25
settings['resampledPixelSpacing'] = [3,3,3] # [3,3,3] is an example for defining resampling (voxels with size 3x3x3mm)
settings['interpolator'] = sitk.sitkBSpline
还有其他的一些设置，根据自己的需要修改即可。
2 代码示例;
下面是一个CT肺部特征提取特征的代码示例：
特征提取块设置：当然，你可以把这一块写成函数：
import radiomics
from radiomics import featureextractor
# 定义特征提取设置
settings = {}
settings['binWidth'] = 25
settings['sigma'] = [3, 5]
settings['resampledPixelSpacing'] = [1,1,1] # 3,3,3
settings['voxelArrayShift'] = 1000 # 300
settings['normalize'] = True
settings['normalizeScale'] = 100
# 实例化特征提取器
extractor = featureextractor.RadiomicsFeatureExtractor(**settings)
# 指定使用 LoG 和 Wavelet 滤波器
extractor.enableImageTypeByName('LoG')
extractor.enableImageTypeByName('Wavelet')
# 所有类型
extractor.enableAllFeatures()
extractor.enableFeaturesByName(firstorder=['Energy', 'TotalEnergy', 'Entropy','Minimum', '10Percentile', '90Percentile',
'Maximum', 'Mean', 'Median', 'InterquartileRange', 'Range',
'MeanAbsoluteDeviation', 'RobustMeanAbsoluteDeviation','RootMeanSquared',
'StandardDeviation', 'Skewness', 'Kurtosis', 'Variance', 'Uniformity'])
extractor.enableFeaturesByName(shape=['VoxelVolume', 'MeshVolume', 'SurfaceArea', 'SurfaceVolumeRatio', 'Compactness1', 'Compactness2',
'Sphericity', 'SphericalDisproportion', 'Maximum3DDiameter', 'Maximum2DDiameterSlice',
'Maximum2DDiameterColumn', 'Maximum2DDiameterRow',
'MajorAxisLength', 'MinorAxisLength', 'LeastAxisLength', 'Elongation', 'Flatness'])
将输出特征保存：
我们使用单例数据进行测试，当然，你可以在此基础上写个循环对整个文件夹进行测试：
import pandas as pd
import numpy as np
# Get the testCase
nii_Path = './test/Image/'
seg_Path = './test/Mask/'
features_dict = dict()
df = pd.DataFrame()
imagePath = nii_Path + 'sub-strokecase0001_ses-0001_dwi_reg_norm.nii.gz'
maskPath = seg_Path + 'sub-strokecase0001_ses-0001_msk_reg.nii.gz'
print(imagePath)
features = extractor.execute(imagePath, maskPath) # 抽取特征
for key, value in features.items(): # 输出特征
features_dict[key] = value
df = df._append(pd.DataFrame.from_dict(features_dict.values()).T, ignore_index=True)
df.columns = features_dict.keys()
df.to_csv('Radiomics-Features.csv', index=0)
print('Done')
excel表：
参考：
[1] https://pyradiomics.readthedocs.io/en/latest/index.html
[2] https://blog.csdn.net/weixin_46428351/article/details/123592586