本文主要是介绍基于pyradiomics影像组学特征提取,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
基于pyradiomics影像组学特征提取
- 特征提取:
- 1 pyradiomics的使用:
- 1.1,在python环境下安装pyradiomics:
- 1.2,设置特征提取器,获得想要特征:
- 1.2.1 图像类型
- 1.2.2 目标特征设置
- 1.2.3 特征提取器设置
- 2 代码示例;
- 参考:
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['![binWidth](https://img-blog.csdnimg.cn/c9b0896a5eea4eaf8217d0ed7f23e92b.png)
'] = 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] = valuedf = 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
这篇关于基于pyradiomics影像组学特征提取的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!