PyRadiomics 可以提取以下几类影像组学特征:

  1. 第一阶统计特征(First-order statistics):这些特征反映了图像的基本属性,主要通过对感兴趣区域(ROI)内的像素强度值进行统计分析而获得。包括均值、方差、最大值、最小值、中值、偏度、峰度等。

  2. 形状特征(Shape-based features):这些特征描述了 ROI 的几何形状和大小属性。例如,体积、表面积、紧凑性、球形度、表面积与体积比、主轴长度等。

  3. 灰度共生矩阵特征(Gray Level Co-occurrence Matrix, GLCM):这些特征反映了图像中像素之间的空间关系和纹理信息。主要包括对比度、相关性、能量、同质性等。

  4. 灰度距离区矩阵特征(Gray Level Run Length Matrix, GLRLM):这些特征描述了图像中的纹理特性,通过分析灰度值相同且连续的像素组成的线段(run)来计算。主要包括短距离低灰度重复、长距离高灰度重复、灰度非均匀性等。

  5. 灰度大小区矩阵特征(Gray Level Size Zone Matrix, GLSZM):这些特征描述了图像中相同灰度值的连续区域(zone)的大小分布。主要包括小区低灰度重复、大区高灰度重复、灰度非均匀性等。

  6. 灰度依赖矩阵特征(Gray Level Dependence Matrix, GLDM):这些特征描述了图像中相同灰度值的依赖关系。主要包括小依赖低灰度重复、大依赖高灰度重复、灰度非均匀性等。

  7. 高阶特征(Higher-order features):这些特征通常基于经过某种滤波器处理的图像进行计算,例如波长变换、Laplacian of Gaussian (LoG)等。高阶特征可以捕捉图像的更复杂的纹理和局部信息。

PyRadiomics 提供了丰富的特征提取功能,可以帮助研究者根据研究目的和特定的医学影像任务选择合适的影像组学特征进行分析。

    1 年 后

    能包括彩色图像的色彩特征吗

      lww pyradiomics主要是针对像素分布及强度值等信息进行挖掘,彩图如弹性超声、病理染色切片等,对于二维图片,深度学习各种神经网络用的多一些

        说点什么吧...