【影像组学】理论学习——特征类型
文献阅读的总结,供个人学习。
放射学特征分类
- 1、基于统计学
- (1)直方图特征
- (2)纹理特征
- 2、基于模型
- 3、基于变换
- 4、基于形状
1、基于统计学
(1)直方图特征
最简单的统计描述符基于全局灰度直方图,包括灰度均值、最大值、最小值、方差和百分位数 ( 14 , 15 )。由于这些特征基于单像素或单体素分析,因此称为 一阶特征 。
更复杂的特征包括 偏度 和 峰度 ,它们描述了数据强度分布的形状:偏度反映了数据分布曲线向左(负偏,低于均值)或向右(正偏,高于均值)的不对称性;而峰度则反映了数据分布相对于高斯分布由于异常值而导致的拖尾。
其他特征包括直方图 熵 和 能量 (也称为均匀性)。要注意,它们与同名的共生矩阵对应物不同。
(2)纹理特征
绝对梯度(Absolute Gradient)
反映了图像中灰度强度波动的程度或突然性。对于 2 个相邻像素或体素,如果一个是黑色,另一个是白色,则梯度最高,而如果两个像素都是黑色(或都是白色),则该定位处的梯度为零。灰度是从黑变白(正梯度)还是从白变黑(负梯度)与梯度大小无关。到直方图特征相似,梯度特征包括梯度平均值,方差,偏度和峰度。灰度共生矩阵 (GLCM)
灰度共生矩阵(Gray Level Co-occurence Matrix,简称GLCM)是二阶灰度直方图,GLCM 在不同方向(2D 分析的水平、垂直或对角线或 3D 分析的13 个方向)以及像素或体素之间的预定义距离,捕获具有预定义灰度强度的像素对或体素对的空间关系。
GLCM 特征包括:熵,它是灰度级不均匀性或随机性的度量;角二阶矩(也称为均匀性或能量),反映灰度级的均匀性或有序性; 对比度 ,它强调属于像素或体素对(像素或体素之间灰度差)。灰度游程矩阵 (GLRLM)
灰度游程矩阵 (Gray Level Run-Length Matrix,简称GLRLM)提供了关于具有相同灰度级的连续像素在一个或多个方向上,2 维或 3 维的空间分布的信息。
GLRLM 特征包括分数,它评估作为运行一部分的 ROI 内像素或体素的百分比,因此反映了颗粒度;长期强调 和 短期强调(逆)矩,分别针对长期和短期运行的数量进行加权;灰度级和游程长度的不均匀性。灰度大小区域矩阵 (GLSZM)
灰度大小区域矩阵(Gray Level Size Zone Matrix,简称GLSZM)基于与 GLRLM 类似的原理,但在这里,具有相同灰度级的互连相邻像素或体素的组(所谓的区域)的数量的计数构成了矩阵的基础。 更均匀的纹理将导致更宽更平坦的矩阵。GLSZM 不是针对不同方向计算的,而是可以针对定义邻域的不同像素或体素距离计算的。GLSZM 特征可以在 2 维(8 个相邻像素)或 3 维(26 个相邻体素)中计算。邻域灰度差矩阵 (NGTDM)
邻域灰度差矩阵(Neighbouring Gray Tone Difference Matrix,简称NGTDM)量化像素或体素的灰度级与其在预定义距离内的相邻像素或体素的平均灰度级之间的差异总和。
主要特性包括 NGTDM 的粗糙性、繁忙度和复杂性。粗糙度反映中心像素或体素与其邻域之间的灰度差异,从而捕捉灰度强度变化的空间速率;也就是说,由具有相对均匀灰度级(即空间强度变化率较低)的较大区域组成的 ROI 将具有较高的粗糙度值。另一方面,忙碌反映了中心像素或体素与其相邻像素之间的快速灰度变化(即强度变化的高空间频率)。灰度依赖矩阵 (GLDM)
灰度依赖矩阵(Gray Level Dependence Matrix,简称GLDM)也是基于中心像素或体素与其邻域之间的灰度关系。如果在定义的灰度级差范围方面满足相关性标准,则将预定距离内的相邻像素或体素视为连接到中心像素或体素。然后分析 ROI 是否存在强度依赖于i和j的相邻像素或体素的中心像素或体素。同样,与 GLRLM 类似,GLDM 的特征包括反映异质性和同质性的大依赖性强调和小依赖性强调,以及反映整个 ROI 中灰度级相似性和灰度级依赖性的灰度级非均匀性和依赖性均匀性,。
2、基于模型
基于模型的分析旨在解释空间灰度信息以表征对象或形状。计算纹理生成的参数化模型并将其拟合到 ROI,并将其估计参数用作放射组学特征 ( 15 )。自回归模型是基于模型的方法的一个例子,它基于这样一个想法,即像素的灰度是 4 个相邻像素灰度的加权和:其左侧的像素 (θ-1),顶部左 (θ-2)、上 (θ-3) 和右上 (θ-4)。此外,σ 携带有关最小预测误差方差的信息,测量纹理规律。
3、基于变换
- 傅立叶
傅里叶变换分析无空间定位的频率,因此不经常使用; - Gabor
Gabor变换是引入高斯函数的傅里叶变换允许频率和空间定位棳但受单个滤波器分辨率的限制; - 小波变换
小波特征经小波分解计算获得原始图像的强度和纹理特征棳将特征集中在肿瘤体积内的不同频率范围; - 拉普拉斯变换(LoG)
高斯滤波器的拉普拉斯算子,是一种边缘增强滤波器,强调的是灰度变化的区域,sigma参数定义要强调的纹理粗糙度,该值较低则强调较细的纹理,该值较高则强调较粗糙的纹理。LoG特征从具有越来越粗糙纹理图案的区域中提取。
4、基于形状
基于形状的特征描述了 ROI 的几何特性。许多基于形状的特征在概念上比其他放射学特征简单得多,例如 2D 和 3D 直径、轴及其比率。基于使用网格(即三角形和四面体等小多边形)的基于表面和体积的方法更为复杂。
特征包括 紧凑性 和 球形度,它们描述了 ROI 的形状与圆形(对于 2D 分析)或球体(对于 3D 分析)的形状有何不同,以及依赖于最小定向边界框(或用于 2D 分析的矩形)包围 ROI。
【影像组学】理论学习——特征类型相关推荐
- 影像组学训练营 第三天(共三天)
文章目录 影像组学论文剖析 文章宏观分析 文章背景介绍 影像组学模型构建 高质量标准化MRI影像数据获取及分析 感兴趣体积VOI分割 图像预处理 特征提取 特征一致性评价 第七步 特征选择 数据库 一 ...
- 影像组学ibex_影像组学的基本概念与临床应用
近年来大数据技术与医学影像辅助诊断的有机融合产生了新的影像组学方法,其通过从影像中提取海量特征来量化肿瘤等重大疾病,可以有效解决肿瘤异质性难以定量评估的问题,具有重要的临床价值.影像组学技术来源于计算 ...
- 【影像组学】影像组学特征筛选和降维(T检验+LASSO+PCA)
文章目录 1. T 检验 2. LASSO 特征筛选 3. T 检验结合 LASSO 实现影像组学特征筛选 4. 特征降维:主成分分析法 (PCA) 1. T 检验 三种 T 检验 单样本 T 检验: ...
- 影像组学特征的生物学意义
影像组学为从影像成像中提取临床相关信息提供了强有力的工具.影像组学可以通过提取高通量特征来预测患者的预后,使用大型训练样本来探究图像特征和疾病状态之间的微妙关系.但是,基于数据驱动的影像组学本质上无法 ...
- 【影像组学】用3Dslicer或Python提取影像组学特征
文章目录 1. 利用 3Dslicer 软件提取影像组学特征 2. 利用 python 提取影像组学特征 1. 利用 3Dslicer 软件提取影像组学特征 安装插件:SlicerRadiomics ...
- 影像组学视频学习笔记(41)-如何使用软件提取组学特征、Li‘s have a solution and plan.
作者:北欧森林 链接:https://www.jianshu.com/p/72186eb3e395 来源:简书,已获授权转载 本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(41)主要 ...
- 影像组学视频学习笔记(23)-主成分析PCA、降维和特征筛选的区别、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(23)主要讲解: 主成分析PCA,影像组学降维和特征筛选的区别 0. PCA(Principal component analysis) ...
- 影像组学视频学习笔记(34)-使用3D Slicer软件提取影像组学特征、Li‘s have a solution and plan.
作者:北欧森林 链接:https://www.jianshu.com/p/afcd06221ea4 来源:简书,已获授权转载 RadiomicsWorld.com "影像组学世界" ...
- 影像组学视频学习笔记(14)-特征权重做图及美化、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(14)主要介绍: 特征权重做图及美化 import matplotlib.pyplot as plt %matplotlib inlin ...
- 影像组学视频学习笔记(7)-特征筛选之LASSO回归(代码)、Li‘s have a solution and plan.
本笔记来源于B站Up主: 有Li 的影像组学系列教学视频 本节(7)主要介绍: 特征筛选之LASSO回归分析(代码实现) import pandas as pd import numpy as np ...
最新文章
- 几个不错的网页载入页面
- HDU 2009 求数列的和
- tcp/ip 协议栈Linux内核源码分析14 udp套接字接收流程一
- jquery中获取元素的几种方式小结
- Akka框架——第一节:并发编程简介
- web登录界面设计_出色的Web界面设计的7条规则
- Bootstrap(二)—格栅系统!
- (转)解读NTFS(一)
- 如何在VisualStudio中加入你自己的assembly的Intellisense?
- matlab当前目录下的相对路径
- 第 45 届国际大学生程序设计竞赛(ICPC)亚洲区域赛(南京)(热身赛)
- Java实现MD5加密解密类
- Numpy系列(六)常用的数组合并操作
- 电信sdn虚拟服务器,数据中心SDN网络的构建及通信业务与光纤引入
- 现代控制理论-6李雅普诺夫稳定性
- python金融衍生品大数据分析 pdf_Python金融衍生品大数据分析:建模、模拟、校准与对冲...
- Outlook登录163邮箱,qq邮箱以及企业邮箱等邮箱
- 实例011阳阳买苹果
- 案例分享:Qt激光加工焊接设备信息化软件研发(西门子PLC,mysql数据库,用户权限控制,界面设计,参数定制,播放器,二维图,期限控制,参数调试等)
- 在进行原理图编译的时候提示警告:Net has no driving source