影像組學(xué)研究的基本流程知識點(diǎn)

01

準(zhǔn)備工作

研究前我們先要做好準(zhǔn)備工作：（這個準(zhǔn)備工作呢就好像小白做菜）

最開始，我們往往主動提出或者被提出了一個臨床問題（臨床問題可能是老板直接安排的，也可能是在臨床工作中提出經(jīng)過文獻(xiàn)調(diào)研歸納的），根據(jù)提出的臨床問題和手頭現(xiàn)有的病例，可以建立一個簡化版的科學(xué)假設(shè)（例如：在xxx疾病中，影像組學(xué)模型可以預(yù)測/輔助診斷xxx結(jié)局；或者是影像組學(xué)特征可以反應(yīng)xxx疾病的病理/生理異質(zhì)性）；

（今晚老婆不在家，要自己做飯了，根據(jù)我平時吃飯的經(jīng)驗(yàn)…）

①進(jìn)行目標(biāo)疾病的影像組學(xué)研究進(jìn)行進(jìn)一步文獻(xiàn)調(diào)研（先找一本居家小白速成食譜，看看別人都做什么菜）

a.針對所提出臨床問題的治療背景；

b.目前臨床上評價該問題的金標(biāo)準(zhǔn)是什么，面臨的困境又是什么；

c.現(xiàn)有的針對該臨床問題的影像組學(xué)研究有哪些，我們是第一個用影像組學(xué)方法解決這個臨床問題的人嘛？還是前人已經(jīng)有研究，那么我們的研究相比與前人的研究可以在哪些方面有所提升呢？；

這個過程也是幫助大家寫文章的Introduction和Discussion部分的。

②分析收集到的病例（盤點(diǎn)下家里有什么食材和佐料，食材質(zhì)量如何，食材過沒過期）

a.整理患者的基線信息（人口學(xué)特征，疾病相關(guān)參數(shù)，治療相關(guān)參數(shù)，病理指標(biāo)，血液指標(biāo)，影像學(xué)征象等等）；

b.整理患者治療方案和隨訪方案protocol，以及影像學(xué)參數(shù)信息；

c.初步建立納排標(biāo)準(zhǔn)；

d.進(jìn)行數(shù)據(jù)集的劃分；

e.可以根據(jù)PICOS原則進(jìn)行整理看看有沒有缺項(xiàng)；

③據(jù)此，整理臨床研究的321法則；（決定晚上做什么）

至此，準(zhǔn)備工作完畢，下面進(jìn)入影像組學(xué)部分：

簡單來說，分為4部分：Imaging（圖像收集獲?。egmentation（分割）、Feature extraction（特征提?。nalysis（特征選擇、預(yù)測模型構(gòu)建）

那么我們下面逐一介紹

02

第一步：Imaging，圖像收集獲取（+圖像預(yù)處理）

• 圖像格式要求

?一般來說，收集的格式為DICOM格式（全稱Digital Imaging and Communications in Medicine，翻譯為“醫(yī)療數(shù)字影像傳輸協(xié)定”），與PNG，JPG類似，是一種電子文件的儲存格式。需要有電腦里專門的軟件打開或編輯。

這里我展示的就是CT患者的DICOM影像資料

? DICOM格式圖片相比Png、Jpg普通圖片格式具有以下優(yōu)勢

?1、DICOM文件的頭文件（header）里包含重要信息

• 主要包括四類： Patients病人信息， Study檢查信息， Series序列信息 以及Image圖像信息

?2、DICOM文件的 “灰階” 范圍比普通圖片大得多

大家先有個印象即可，具體的在以后的實(shí)戰(zhàn)課程會講，但是從影像科要的的影像資料先確保DICOM格式，以及如何將DICOM格式的文件轉(zhuǎn)換為nii格式或nrrd格式，今天先不多提。

• 到了這里，大家會不會有這樣的疑問：我們醫(yī)院有5個CT設(shè)備，CT圖像能一起研究嘛？

?首先需要明確，我們?yōu)槭裁匆獙τ跋襁M(jìn)行預(yù)處理；

?拿CT來說，醫(yī)院/中心不同、CT設(shè)備不同、掃描人員不同、以及層厚的具體參數(shù)設(shè)置不同都會產(chǎn)生差異，而這些差異，對最終提取特征的可重復(fù)性和可靠性有時是“毀滅性”的；

• 那么我們應(yīng)該如何對圖像進(jìn)行處理呢？

  還是以CT為例

  ?1. 首先要對體素大小進(jìn)行重采樣至3×3×3 mm3?；

• 使各向同性，以減少由于掃描設(shè)備與方案存在差異，患者的病灶大小不同等產(chǎn)生的變異

影像掃描得到X，Y，Z三個方向的體素間距，X，Y方向的體素間距較小，Z方向的體素間距略大，我們把這種情況稱之為各向異性，而重采樣至1*1*1mm3后，各向異性的圖像變?yōu)楦飨嗤?/p>

• 標(biāo)準(zhǔn)化體素間距，最小化影像組學(xué)特征對影像體素大小的依賴性

• 確保每個體素所代表的實(shí)際物理尺寸一致，減少個體差異影響

?2. 將體素強(qiáng)度值通過使用 25 HU的固定bin width進(jìn)行離散化；

• 目的是可以減少圖像噪聲并標(biāo)準(zhǔn)化強(qiáng)度，從而在所有圖像中實(shí)現(xiàn)穩(wěn)定的強(qiáng)度分辨率

?3. 對圖像進(jìn)行歸一化處理，將信號強(qiáng)度歸一化至 1~500 HU；

• 目的是可以減少不同機(jī)器采集圖像信號強(qiáng)度的差異

?4. 對圖像灰度值進(jìn)行Z-score標(biāo)準(zhǔn)化處理；

• 減少由影像參數(shù)不一致產(chǎn)生的對影像組學(xué)特征變異的影響

對于MR影像

?在對病灶進(jìn)行分割前，對MR圖像行N4偏置場校正；

• MRI 圖像數(shù)據(jù)中存在的

  低頻強(qiáng)度不均勻性，稱為偏置場，

  處理MRI圖像前我們一般通過

  代碼對MRI圖像進(jìn)行N4偏執(zhí)場矯正

?將圖像重新采樣到體素大小為1×1×1 mm3，以標(biāo)準(zhǔn)化體素間距；

?體素強(qiáng)度值通過使用 5 SI的固定bin width進(jìn)行離散化，以減少圖像噪聲并標(biāo)準(zhǔn)化強(qiáng)度，從而在所有圖像中實(shí)現(xiàn)穩(wěn)定的強(qiáng)度分辨率；

?對圖像進(jìn)行歸一化處理，將信號強(qiáng)度歸一化至 1~100 SI，減少不同機(jī)器采集圖像信號強(qiáng)度的差異。

?同樣MR影像也可以對圖像灰度值進(jìn)行Z-score標(biāo)準(zhǔn)化處理，減少由影像參數(shù)不一致產(chǎn)生的對影像組學(xué)特征變異的影響。

03

第二步：Segmentation，分割

先給下圖像分割的定義：指將圖像分成若干特定具備獨(dú)特屬性的區(qū)域，并提取感興趣目標(biāo)的技術(shù)和過程。

分割是影像組學(xué)流程中最為重要一個環(huán)節(jié)。這一步的重要性是因?yàn)橛跋窠M學(xué)特征值直接來源于分割區(qū)域。

那么我剛剛提到的感興趣區(qū)又是什么呢？

o感興趣區(qū)分為二維和三維的；

o二維的ROI 全稱region of interest；感興趣區(qū)；

• 舉個栗子：卵巢癌的ROI

o三維的VOI全稱 volume of interst ；感興趣體積；

• 舉個栗子：腎癌的VOI

o目前對于CT和MRI來說，選擇VOI還是更多的，提取的特征也會更多；

o而我們常說的掩膜就是實(shí)現(xiàn)感興趣區(qū)分割這一過程的手段，簡單來講，就是相當(dāng)于用一個膜將感興趣區(qū)覆蓋，然后從覆蓋區(qū)域提取矩陣的過程。

感興趣區(qū)的概念介紹到這，我們再來說說分割方法。

• 根據(jù)人工參與度的不同，分割方式分為三類

o手動分割：目前一般以此為金標(biāo)準(zhǔn)；費(fèi)時費(fèi)力，存在勾畫者內(nèi)/間不一致性

o半自動分割：速度較快，可代替部分人力工作；需要手動校正

o全自動分割：速度快，可重復(fù)性高；當(dāng)前研究仍難以有效應(yīng)用

o不同的分割標(biāo)準(zhǔn)和算法會導(dǎo)致分割區(qū)域有差異，追求真實(shí)的病灶邊緣（手動分割）還是追求分割的高重復(fù)性（自動分割），是分割過程具有爭議的點(diǎn)。目前，手動分割還是影像組學(xué)分割的金標(biāo)準(zhǔn)。

• 下面就來介紹一下大家比較關(guān)心的分割工具

o實(shí)現(xiàn)分割的工具也有很多，3DSlicer，ITK-SNAP，LIFEx，Image J，IBEX或者基于Matlab的工具等等；

o

• 3DSlicer（www.slicer.org/）

·由美國國家衛(wèi)生研究院以及全球開發(fā)者社區(qū)維護(hù)；

·操作簡便，有半自動分割工具；

·是影像組學(xué)研究的首選，后面小韓老師也會主要對利用3DSlicer進(jìn)行靶區(qū)勾畫進(jìn)行實(shí)操教學(xué)；

• ITK-SNAP（ www.itksnap.org ）

·由賓夕法尼亞大學(xué)佩恩圖像計算與科學(xué)實(shí)驗(yàn)室開發(fā)；

·操作簡便，包含大量半自動分割算法；

• 分割過程一般類似這樣：由一名影像學(xué)醫(yī)師（10年影像科工作經(jīng)歷）在盲于患者臨床資料和診斷結(jié)果的情況下獨(dú)立對病灶進(jìn)行逐層手動勾畫，勾畫過程中避開大血管、壞死、囊變等區(qū)域（根據(jù)具體情況描述）。由另外一名醫(yī)師（7年影像科工作經(jīng)歷）隨機(jī)抽取30例進(jìn)行二次勾畫。當(dāng)然，這里只是舉個例子，讓大家有一個感性的認(rèn)知，具體問題具體分析。
• 分割區(qū)域：

o全瘤

o瘤周區(qū)域

o腫瘤亞區(qū)域（生境）

• 最后，再來說說目前分割過程面臨的挑戰(zhàn)

o首先是沒有金標(biāo)準(zhǔn)，手動分割被認(rèn)為是金標(biāo)準(zhǔn)，但其實(shí)還是沒有官方明確規(guī)定的金標(biāo)準(zhǔn)；

o其次，就是腫瘤形態(tài)不規(guī)則，臨床醫(yī)生做3D分割需要逐層勾畫，而且不同人勾畫的結(jié)果也不一定相同；

o第三就是腫瘤邊界的界定，有一些腫瘤邊界是模糊不清的，到底是畫還是不畫這就很難辦；

o一般來說有兩種解決方法，第一個就是兩名醫(yī)生畫，看到無法界定的，病例就不要了，但是一般這么壕氣的人比較少；如果病例本來就少，那么就由第三名更有經(jīng)驗(yàn)的醫(yī)生界定完成勾畫。

至此，第二步分割講解完畢。

04

第三步：Feature extraction，特征提?。?數(shù)據(jù)預(yù)處理+特征的一致性評價）

首先，給下定義：從分割后的影像中提取高通量的特征，以供算法和模型使用，是影像組學(xué)的核心步驟（“數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是逼近這個上限而已“）。

• 影像組學(xué)特征分為兩大類：語義特征（semantic features）和非語義特征（non-semantic features/agnostic features不可知特征）。

o語義特征可以指影像學(xué)征象：如毛刺征、凹陷征、鱗屑、中央壞死區(qū)等，也指放射科醫(yī)生影像描述中常用的特征：如位置、尺寸、形狀、血管等（用影像組學(xué)輔助分析我們?nèi)庋劭梢钥吹降?，早期影像學(xué)結(jié)合機(jī)器學(xué)習(xí)的研究常用計算機(jī)提取識別語義特征）；

o非語義特征是指用數(shù)學(xué)方法（從數(shù)據(jù)角度）從圖像中提取的特征，又可細(xì)分為形狀特征、一階、二階和高階特征等（機(jī)器學(xué)習(xí)發(fā)展）；

• 形狀特征包括腫瘤的體積、表面積、致密性等；
• 一階特征用于描述各體素信號強(qiáng)度值的分布情況，多采用信號強(qiáng)度的最大值、最小值、均值、中位數(shù)、熵、偏斜度和峰度等方法；
• 二階特征主要描述各體素之間的關(guān)系 ，例如 紋理特征值可以反映病灶內(nèi)部信號強(qiáng)度的異質(zhì)性（如GLCM、GLRLM、NGTDM、GLSZM等）；
• 高階特征是指通過添加過濾器提取影像特征變量，包括小波變換（ Wavelet） 等（小波變換指的是使用復(fù)雜的線性或徑向波矩陣乘以圖像獲得）(其它基于濾波器提取的影像組學(xué)特征還包括 LoG、Square、SquareRoot、Exponential、Logarithm、LBP3D 、 Gradient)；
• 下面這個框圖幫助大家更清晰的了解這些特征在影像組學(xué)研究中的位置以及他們的關(guān)系

o而我們在影像組學(xué)研究更多的關(guān)注可以高通量提取的非語義特征。

• 目前，可以進(jìn)行影像組學(xué)特征提取的工具非常之多，隨便為大家舉個栗子：

o下面是參與影像標(biāo)志物標(biāo)準(zhǔn)聲明IBSI的機(jī)構(gòu)所使用的特征提取方法：

o這些工具包括基于C或C++開發(fā)的特征提取工具、在MATLAB中開發(fā)的影像組學(xué)特征提取工具、影像設(shè)備供應(yīng)的公司提供的特征提取軟件，在線網(wǎng)站提取工具等等

o不過呢，目前兼顧功能強(qiáng)大，開源，操作較為簡單，并且可以對影像組學(xué)特征可以進(jìn)行批量提取等特質(zhì)的工具我們首推Pyradiomics（https://pyradiomics.readthedocs.io/en/latest/）

oPyradiomics是一個開源的Python包，不僅可提取三維圖像的紋理特征，還可以提取基于 LoG 濾波和小波變換特征。此外，它還可以作為插件與 3DSlicer的分割模塊配合使用。

o打開官網(wǎng)，我們看到里面已經(jīng)有詳細(xì)的特征類別介紹

o下面簡單為大家總結(jié)一下這些特征都有什么

• 形狀特征（14個）：

1 Mesh Volume（網(wǎng)格體積）

2 Voxel Volume（體素體積）

3 Surface Area（表面積）

4 Surface Area to Volume ratio（表面積體積比）

5 Sphericity（球度）

6 Maximum 3D diameter（最大3D直徑）

7 Maximum 2D diameter (Slice)（最大2D直徑（切片））

8 Maximum 2D diameter (Column)（最大2D直（列））

9 Maximum 2D diameter (Row)（最大2D直徑（行））

10 Major Axis Length（最大軸長度）

11 Minor Axis Length（第二大軸長度）

12 Least Axis Length（最短軸長度）

13 Elongation（伸長率）

14 Flatness（平面度）

• 一階特征（18個）

1 Energy（能量）

2 Total Energy（總能量）

3 Entropy（熵）

4 Minimum（最小值）

5 10th percentile（第十百分位）

6 90th percentile（第九十百分位）

7 Maximum（最大值）

8 Mean（均值）

9 Median（中值）

10 Interquartile Range（四分位范圍）

11 Range（極差）

12 Mean Absolute Deviation (MAD)（平均絕對偏差）

13 Robust Mean Absolute Deviation（rMAD，魯棒平均絕對偏差）

14 Root Mean Squared（RMS，均方根）

15 Skewness（偏度）

16 Kurtosis（峰度）

17 Variance（方差）

18 Uniformity（均勻性）

• 灰度共生矩陣特征GLCM（24個）

GLCM描述圖像在變化幅度、相鄰間隔、方向等方面的信息

1 Autocorrelation（自相關(guān)）

2 Joint Average（聯(lián)合平均）

3 Cluster Prominence（集群突出）

4 Cluster Shade（集群陰影）

5 Cluster Tendency（集群趨勢）

6 Contrast（對比度）

7 Correlation（相關(guān)性）

8 Difference Average（差平均）

9 Difference Entropy（差熵）

10 Difference Variance（差方差）

11 Joint Energy（聯(lián)合能量）

12 Joint Entropy（聯(lián)合熵）

13 Informational Measure of Correlation 1（IMC 1，相關(guān)信息測度1）

14 Informational Measure of Correlation 2（IMC 2，相關(guān)信息測度2）

15 Inverse Difference Moment（IDM，逆差矩）

16 Maximal Correlation Coefficient（MCC，最大相關(guān)系數(shù)）

17 Inverse Difference Moment Normalized（IDMN，歸一化逆差矩）

18 Inverse Difference（ID，逆差）

19 Inverse Difference Normalized（IDN，歸一化逆差）

20 Inverse Variance（逆方差）

21 Maximum Probability（最大概率）

22 Sum Average（和平均）

23 Sum Entropy（和熵）

24 Sum of Squares（和方差）

• 灰度區(qū)域大小矩陣特征GLSZM（16個）

GLSZM描述同質(zhì)性區(qū)域的特征

1 Small Area Emphasis（SAE，小面積強(qiáng)調(diào)）

2 Large Area Emphasis（LAE，大面積強(qiáng)調(diào)）

3 Gray Level Non-Uniformity（GLN，灰度不均勻性）

4 Gray Level Non-Uniformity Normalized（GLNN，歸一化灰度不均勻性）

5 Size-Zone Non-Uniformity（SZN，區(qū)域大小不均勻性）

6 Size-Zone Non-Uniformity Normalized（SZNN，歸一化區(qū)域大小不均勻性）

7 Zone Percentage（ZP，區(qū)域百分比）

8 Gray Level Variance（GLV，灰度方差）

9 Zone Variance（ZV，區(qū)域方差）

10 Zone Entropy（ZE，區(qū)域熵）

11 Low Gray Level Zone Emphasis（LGLZE，低灰度區(qū)域強(qiáng)調(diào)）

12 High Gray Level Zone Emphasis（HGLZE，高灰度區(qū)域強(qiáng)調(diào)）

13 Small Area Low Gray Level Emphasis（SALGLE，小區(qū)域低灰度強(qiáng)調(diào)）

14 Small Area High Gray Level Emphasis（SAHGLE，小區(qū)域高灰度強(qiáng)調(diào)）

15 Large Area Low Gray Level Emphasis（LALGLE，大區(qū)域低灰度強(qiáng)調(diào)）

16 Large Area High Gray Level Emphasis（LAHGLE，大區(qū)域高灰度強(qiáng)調(diào)）

• 灰度行程矩陣特征GLRLM（16個）

GLRLM可量化圖像中的灰度級的分布

1 Short Run Emphasis（SRE，短行程強(qiáng)調(diào)）

2 Long Run Emphasis（LRE，長行程強(qiáng)調(diào)）

3 Gray Level Non-Uniformity（GLN，灰度不均勻性）

4 Gray Level Non-Uniformity Normalized（GLNN，歸一化灰度不均勻性）

5 Run Length Non-Uniformity（RLN，行程不均勻性）

6 Run Length Non-Uniformity Normalized（RLNN，歸一化行程不均勻性）

7 Run Percentage（RP，行程百分比）

8 Gray Level Variance（GLV，灰度方差）

9 Run Variance（RV，行程方差）

10 Run Entropy（RE，行程熵）

11 Low Gray Level Run Emphasis（LGLRE，低灰度行程強(qiáng)調(diào)）

12 High Gray Level Run Emphasis（HGLRE，高灰度行程強(qiáng)調(diào)）

13 Short Run Low Gray Level Emphasis（SRLGLE，短行程低灰度強(qiáng)調(diào)）

14 Short Run High Gray Level Emphasis（SRHGLE，短行程高灰度強(qiáng)調(diào)）

15 Long Run Low Gray Level Emphasis（LRLGLE，長行程低灰度強(qiáng)調(diào)）

16 Long Run High Gray Level Emphasis（LRHGLE，長行程高灰度強(qiáng)調(diào)）

• 鄰域灰度差矩陣特征NGTDM（5個）

NGTDM描述每個體素與相鄰體素的不同

1 Coarseness（粗糙度）

2 Contrast（對比度）

3 Busyness（繁忙度）

4 Complexity（復(fù)雜度）

5 Strength（強(qiáng)度）

• 灰度依賴矩陣GLDM（14個）

GLDM描述圖像中的灰度級相關(guān)性

1 Small Dependence Emphasis（SDE，小依賴強(qiáng)調(diào)）

2 Large Dependence Emphasis（LDE，大依賴強(qiáng)調(diào)）

3 Gray Level Non-Uniformity（GLN，灰度不均勻性）

4 Dependence Non-Uniformity（DN，依賴不均勻性）

5 Dependence Non-Uniformity Normalized（DNN，歸一化依賴不均勻性）

6 Gray Level Variance（GLV，灰度方差）

7 Dependence Variance（DV，依賴方差）

8 Dependence Entropy（DE，依賴熵）

9 Low Gray Level Emphasis（LGLE，低灰度強(qiáng)調(diào)）

10 High Gray Level Emphasis（HGLE，高灰度強(qiáng)調(diào)）

11 Small Dependence Low Gray Level Emphasis（SDLGLE，小依賴低灰度強(qiáng)調(diào)）

12 Small Dependence High Gray Level Emphasis（SDHGLE，小依賴高灰度強(qiáng)調(diào)）

13 Large Dependence Low Gray Level Emphasis（LDLGLE，大依賴低灰度強(qiáng)調(diào)）

14 Large Dependence High Gray Level Emphasis（LDHGLE，大依賴高灰度強(qiáng)調(diào)）

• 小波特征（744個）

至于提取的具體過程，我們后面的老師會為大家進(jìn)行細(xì)致的講解。

至此，特征提取介紹完畢。

數(shù)據(jù)預(yù)處理

在特征提取之后，需要進(jìn)行數(shù)據(jù)預(yù)處理(特征標(biāo)準(zhǔn)化)：采用R的caret包的preProcess功能對訓(xùn)練集上提取的特征值進(jìn)行z-score標(biāo)準(zhǔn)化處理；然后使用訓(xùn)練集上求得的平均值和標(biāo)準(zhǔn)差值對測試集的特征值進(jìn)行標(biāo)準(zhǔn)化處理。這一步大家也不用擔(dān)心，同樣是幾行代碼就可以搞定的問題。

特征的一致性評價

數(shù)據(jù)預(yù)處理后，可以進(jìn)行特征的一致性評價，目的是為了評價分割結(jié)果的好壞，分割得到的影像組學(xué)特征有沒有比較好的一致性。

可以通過組內(nèi)/組間相關(guān)系數(shù)ICC實(shí)現(xiàn)。一般而言，由于分割工作由兩名或多名醫(yī)師完成，大多數(shù)影像組學(xué)文章的特征一致性評價部分是不同醫(yī)師同一時間進(jìn)行勾畫評價Inter-observer-ICC（觀察者間一致性）進(jìn)行比較和同一個醫(yī)生不同時間點(diǎn)多次勾畫的Intra-observer-ICC（觀察者內(nèi)一致性）。同時，也可以取cutoff值先篩選掉一部分特征。

小注：

這里一般認(rèn)為 ICC≥0.8 為一致性很好，0.51～0.79 為中等，低于 0.50 為差

05

第四步：Analysis，特征選擇、預(yù)后模型構(gòu)建

我們先來說特征選擇：

對于機(jī)器學(xué)習(xí)模型來說，我們可以將剛剛提取得到的影像組學(xué)特征分為三類。

第一類是相關(guān)特征，這類特征是對機(jī)器學(xué)習(xí)有用的特征，可以提升學(xué)習(xí)算法的效果。

第二類是無關(guān)特征，這類特征對算法沒有任何幫助，不會對學(xué)習(xí)算法帶來任何提升。

第三類是冗余特征，這類特征可以通過其他的信息推斷出來，不會對學(xué)習(xí)算法來帶新的信息。

相信大家已經(jīng)看出來這一步的目的了：我們在做特征篩選或降維過程中所希望的是降低和去除的是無關(guān)特征和冗余特征攜帶的信息，而盡可能保留相關(guān)的特征的信息。即，特征降維的目的是提高機(jī)器學(xué)習(xí)模型的學(xué)習(xí)效率，同時降低過擬合的概率。

• 簡單來說就是從相關(guān)性高的一組特征中選擇變異性最大的特征；

o舉個例子，實(shí)際生活中，把主要矛盾解決了（缺錢），大部分次要矛盾就隨之消失了（可以買衣服了，可以吃火鍋了），生活開始變得美好。特征選擇是一樣的道理，成千上百個特征，對因變量（Y，自己要研究的東西）有重要影響的，可能就幾個幾十個。

做了特征選擇，消除冗余信息，避免多重共線性，簡化模型，使得模型更具有泛化能力（模型的通用性，說明模型不止是在訓(xùn)練數(shù)據(jù)上表現(xiàn)得好，隨便拿一批數(shù)據(jù)來，該模型一樣能正常發(fā)揮作用），這就是特征選擇存在的意義！

o特征選擇的主要方法有以下幾類：

• 過濾法：例如方差過濾，相關(guān)性過濾等
• 嵌入法： 例如加入L1范數(shù)作為懲罰項(xiàng)（也就是我們常見的LASSO回歸）
• 包裝法： 例如遞歸特征消除法等
• 降維法： 例如PCA（主成分分析）等

而模型構(gòu)建是對選定的高度顯著的特征輸入分類器來進(jìn)行進(jìn)一步的分析和評估。

• 雖然說，很多時候特征選擇和模型構(gòu)建過程是一起完成的。不過在特征選擇后，我們也可以運(yùn)用運(yùn)用機(jī)器學(xué)習(xí)算法構(gòu)建模型。根據(jù)數(shù)據(jù)是否有標(biāo)簽，機(jī)器學(xué)習(xí)算法模型可分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)及半監(jiān)督學(xué)習(xí)

o有監(jiān)督學(xué)習(xí)模型：需要明確的輸出以作為算法學(xué)習(xí)的依據(jù)。常用的有監(jiān)督分類器包括決策樹、 支持向量機(jī)、貝葉斯分類器等；

o無監(jiān)督學(xué)習(xí)模型：通過距離判定規(guī)則將新樣本劃分到相應(yīng)的類別中。常見的無監(jiān)督分類器包括 K 均值、高斯混合聚類、密度聚類等；

o半監(jiān)督學(xué)習(xí)模型：將有監(jiān)督學(xué)習(xí)及無監(jiān)督學(xué)習(xí)結(jié)合起來，同時使用 標(biāo)記數(shù)據(jù)和未標(biāo)記數(shù)據(jù)，在減少人力的情況下保證較高的準(zhǔn)確性。常用的半監(jiān)督模型包括圖論推理和拉普拉斯支持向量機(jī)等；

medical3d體素前處理重采樣處理?

1;醫(yī)學(xué)圖像處理入門知識 | 格式DICOM，MHD+RAW | 坐標(biāo)系 | ITK-SNAP | 重采樣_zlzhucsdn的博客-CSDN博客_mhd raw

2:?

醫(yī)學(xué)圖像預(yù)處理（二）——重采樣(resampling)_normol的博客-CSDN博客_new_spacing[::-1]

3:?

MICCAI 2019腎&腫瘤分割挑戰(zhàn)賽第一名方案學(xué)習(xí)筆記?

該比賽第一名作者在預(yù)處理方法也下了很多功夫，

• 將所有圖像重采樣到spacing=?3.22×1.62×1.62mm
• 將灰度值cut off 到[-79, 304]，然后Z-Score
• 去掉一些對label不確定的病例以及修正部分病例 （主辦方允許這樣做）

更進(jìn)一步可能要問：這些參數(shù)如何得到的？

• 重采樣：目的是為了讓圖像的spacing一致；CNN中Conv操作被提出來的其中一個重要motivation就是圖像中有相似的塊能用共享的卷積來提取特征，因此對所有圖像重采樣能減少不同圖像之間的不一致性，便于卷積操作提取共同的特征。至于作者采用的參數(shù)，文中提到：Optimizing the trade-off between the amount of contextual information in the networks patch size vs the details retained in the image data is crucial in obtaining ideal performance. 最后一段 we attempted to vary the target spacing for resampling as well as the patch size of our network architecture. 為了文章的簡介，作者沒展開說，但是能從側(cè)面感受到，找到這個參數(shù)作者是花了不少功夫試驗(yàn)的。
• 灰度值的cut off是考慮了適合腎臟的窗寬窗位，這個需要一點(diǎn)醫(yī)學(xué)背景；Z-Score是最常用的灰度值標(biāo)準(zhǔn)化方法，直覺上要比歸一化到[0,1]好，因?yàn)榍罢吣鼙苊饩W(wǎng)絡(luò)權(quán)重初始化的時候產(chǎn)生明顯的bias （即所有樣本都?xì)w到分類面的同一側(cè)）。此外，評論區(qū)陳昊還補(bǔ)充了一點(diǎn)，采用Z score 還可以防止數(shù)據(jù)規(guī)范化時被壓縮；比如CT圖像中如有金屬偽影，如采用min-max規(guī)范化，會造成規(guī)范后數(shù)據(jù)區(qū)分度不高的現(xiàn)象。

4:?

醫(yī)學(xué)圖像預(yù)處理之重采樣詳細(xì)說明

5：完整預(yù)處理教程（DICOM醫(yī)學(xué)圖像分割）

• 加載DICOM文件，并補(bǔ)充缺失的元數(shù)據(jù)
• 將像素值轉(zhuǎn)換為Hounsfield單位（HU），以及這些單位值對應(yīng)的組織
• 重采樣到同構(gòu)分辨率，以消除掃描儀分辨率的差異。
• 三維繪圖、可視化對查看我們的進(jìn)程非常有幫助。
• 肺部分割
• 歸一化
• Zero-centering

?文章來源地址http://www.zghlxwxcb.cn/news/detail-441813.html

到了這里，關(guān)于醫(yī)學(xué)影像篇 醫(yī)學(xué)圖像預(yù)處理之重采樣詳細(xì)說明的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！