【影像组学pyradiomics教程】 (二) pyradiomics 使用示例

本文详细介绍使用pyradiomics库进行影像组学特征提取的过程。包括配置文件设置、图像及标签文件准备、Python代码实现等关键步骤。适用于医学影像分析初学者及专业人士。
部署运行你感兴趣的模型镜像

本系列博客后续将更新于个人微信公众号,欢迎关注。

代码:

import radiomics
import radiomics.featureextractor as FEE

# 文件名
main_path =  '.'
ori_name = r'\brain1_image.nrrd'
lab_name = r'\brain1_label.nrrd'
para_name = r'\Params.yaml'

# 文件全部路径
ori_path = main_path + ori_name  
lab_path = main_path + lab_name
para_path = main_path + para_name
print("originl path: " + ori_path)
print("label path: " + lab_path)
print("parameter path: " + para_path)

# 使用配置文件初始化特征抽取器
extractor = FEE.RadiomicsFeaturesExtractor(para_path)
print ("Extraction parameters:\n\t", extractor.settings)
print ("Enabled filters:\n\t", extractor._enabledImagetypes)
print ("Enabled features:\n\t", extractor._enabledFeatures)

# 运行
result = extractor.execute(ori_path,lab_path)  #抽取特征
print ("Result type:", type(result))  # result is returned in a Python ordered dictionary
print ("")
print ("Calculated features")
for key, value in result.items():  #输出特征
    print ("\t", key, ":", value)

您可能感兴趣的与本文相关的镜像

Python3.11

Python3.11

Conda
Python

Python 是一种高级、解释型、通用的编程语言,以其简洁易读的语法而闻名,适用于广泛的应用,包括Web开发、数据分析、人工智能和自动化脚本

### 使用 PythonPyRadiomics 进行影像组学特征提取 PyRadiomics 是一个用于从医学图像中自动量化放射学特征的工具库。为了使用此包进行影像组学特征提取,可以从官方 GitHub 存储库获取示例代码和数据集[^1]。 #### 获取资源 - **示例代码**:位于 `pyradiomics` 的 GitHub 仓库中的 notebooks 文件夹下。 - **示例数据**:存储于 `pyradiomics/data/` 目录里。 - **参数配置文件**:可以在 `pyradiomics/examples/exampleSettings/` 找到教程视频中提到的相关设置文件。 对于那些希望直接执行而不依赖 Jupyter Notebook 的开发者来说,存在两个主要脚本可供选择: ```python # 基于分割区域的方法 python helloRadiomics.py # 单体素方法 python helloVoxel.py ``` 上述命令分别对应基于感兴趣区(segmentation-based)以及单个体素(voxel-wise)两种不同类型的特征提取方式。 #### 安装 PyRadiomics 及其依赖项 确保已经正确安装了 PyRadiomics 库及其所需的所有外部依赖关系。通常情况下,可以通过 pip 或者 conda 来完成这一过程。如果遇到任何问题或者需要更详细的指导,请参阅官方文档以获得帮助。 #### 加载并预处理输入图像 在实际应用之前,可能还需要对原始 DICOM 图像或者其他格式的数据做一定的前期准备工作,比如重采样(resampling),标准化(normalization)等操作。这部分工作可以根据具体需求自行实现或者是利用第三方库辅助完成。 #### 配置参数文件 通过修改 XML 格式的参数文件来定制化特征计算的过程,例如指定要计算哪些类别的特征(形态学、直方图统计量等等),调整滤波器强度以及其他高级选项。这些都可以依据个人研究目的灵活设定。 #### 启动特征提取流程 一旦准备就绪,则可以调用相应的 API 函数启动整个分析链路,并最终导出结果至 CSV 文件或其他形式便于后续可视化展示或机器学习建模之用。
评论 92
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值