49、医学影像计算与分析：特征提取、数据挖掘与研究设计全解析

医学影像计算与分析：特征提取、数据挖掘与研究设计全解析

1. 影像特征提取

1.1 一阶特征

一阶特征利用统计方法描述图像中灰度级或强度的分布。像均值和最大强度这类特征，临床医生在观察时也会考虑到。不过，有些统计量，如强度偏度和峰度，观察者很难直接从图像中估计出来。这些统计量有可能检测到纹理模式，因此与纹理特征类别有所重叠。

一阶特征既可以直接从图像计算得出，也能从强度直方图推导而来，也就是在将灰度级离散到若干个区间之后。离散化会导致一些信息丢失，但从直方图推导某些特征时，它们可能对噪声更具鲁棒性。例如，当图像中的最大强度是由噪声引起时，离散化可以去除这样的异常值。信息丢失和鲁棒性之间的权衡取决于具体应用，并非易事。

1.2 高阶特征

高阶特征用于检测图像中的特定模式，如条纹或斑点。大多数特征需要将图像转换为另一种表示形式，例如通过滤波，然后从结果中提取统计量。虽然各个子类别最初旨在检测特定模式，但大多数纹理特征类别之间高度相关。

1.2.1 基于滤波的特征

基于滤波的特征是通过对滤波后的图像计算统计量来构建的。大多数滤波器在二维和三维中都有定义。在放射组学研究中，常用于纹理分析的两种滤波技术是Gabor滤波器和高斯拉普拉斯（LoG）滤波器。滤波操作后，可以从得到的图像表示中提取一阶特征。Gabor滤波器由高斯函数与平面波卷积而成，用于检测线条模式；LoG滤波器由拉普拉斯算子与高斯核卷积而成，用于检测斑点模式。

1.2.2 灰度矩阵特征

灰度矩阵是通过将强度图像离散到固定数量的级别来构建的，这类似于创建直方图时对图像进行分箱。基于这个矩阵，可以构