1. 利用 3Dslicer 软件提取影像组学特征

安装插件：SlicerRadiomics导入影像文件：breast1_label.nrrd（mask 文件）和 breast1_image.nrrd（个人影像文件）。

切换插件：Welcome to Slicer → Informatics → Radiomics

设置参数（如图）：

◆Select Input Volume and Segmentation

input image Volume: breast1_image（个人影像文件）

input regions感兴趣区：breast1_label（mask 文件）

◆Extraction Customization：Manual Custimization

Featrue Classes选择提取哪些类特征，如 firstorder 和 gldm

Resampling and Filtering重采样 →Resampled voxel size：3,3,3（体素与体素间的距离都是 3mm，建议每个方向上的体素间隔一致）→LoG kernel sizes: 3,4 （如果使用高斯拉布拉斯滤波器，需要设置一下，可以设置多个 size)。勾选Wavelet-based features（是否提取小波滤波器的特征）

其他默认

◆output

output table: Table1 （修改输出表格名），设置表格名称后Apply。

Apply 后窗口右下角产生一个表格：

Image type：原始图像还是某种滤波器上产生的图片，前面 diagnostics 是影像的基本信息，从 log-sigma-3-0-mm-3D 开始是对特征提取有用的信息（log 滤波器，sigma size 3.0）。

Feature class：特征分类

导出表格：格式选择csv。

做影像组学研究时通常把病例作为行，特征作为列，所以需要把csv 表格转置一下用于后续研究：全选数据 → 到新表粘贴时选择转置。

2. 利用 python 提取影像组学特征

基础版：提取一个病例的特征

需要先安装pyradiomics

参考：【影像组学】windows系统安装pyradiomics包的问题

# pip install -i https://pypi.tuna./simple pyradiomicsfrom radiomics import featureextractor imageFile = 'file5/breast1/breast1_image.nrrd'maskFile = 'file5/breast1/breast1_label.nrrd'extractor = featureextractor.RadiomicsFeatureExtractor() # 初始化，给这一长串起个简写的名字featureVector = extractor.execute(imageFile, maskFile) # # print(featureVector.items()) 结果太多太杂乱# for循环遍历提取所需的信息 featureNamefor featureName in featureVector.keys():print("%s: %s" % (featureName, featureName[featureName]))

●常用参数设置

按待提取特征选择

extractor.disableAllFeatures() # 禁用所有特征extractor.enableFeaturesByName(firstorder=['Mean', 'Skewness']) # 只选几个特征提取featureVector = extractor.execute(imageFile, maskFile)for featureName in featureVector.keys():print("%s: %s" % (featureName, featureVector[featureName]))

按待提取特征类型选择

extractor.disableAllFeatures() # 禁用所有特征extractor.enableFeatureClassByName('glcm') # 输出想要类型的特征，如 glcmfeatureVector = extractor.execute(imageFile, maskFile)for featureName in featureVector.keys():print("%s: %s" % (featureName, featureVector[featureName]))

滤波器设置：在加滤波器（对图像做修整）的图像上提取特征。

extractor.enableImageTypes(Original={}, LoG={}, Wavelet={}) # Original原始图像 LoG滤波器 Wavelet小波滤波器featureVector = extractor.execute(imageFile, maskFile)for featureName in featureVector.keys():print("%s: %s" % (featureName, featureVector[featureName]))

批处理提取影像组学特征

import osimport pandas as pdbasePath = 'data/featureExtraction'folders = os.listdir(basePath) # 读取featureExtraction文件夹下所有文件名print(folders)df = pd.DataFrame() for folder in folders: # 遍历文件夹files = os.listdir(os.path.join(basePath,folder)) # 拼接文件夹下的文件路径#print(files) 区分影像文件和 mask 文件for file in files:if file.endswith('image.nrrd'): imageFile = os.path.join(basePath,folder,file) # 影像文件路径if file.endswith('label.nrrd'):maskFile = os.path.join(basePath,folder,file) # mask文件路径#print(imageFile, maskFile) 特征提取extractor = featureextractor.RadiomicsFeatureExtractor()featureVector = extractor.execute(imageFile, maskFile) # 得到结果是字典 dict# 从featureVector字典中提取数据转换成数据框，并 .T 转置（特征作为列）df_new = pd.DataFrame.from_dict(featureVector.values()).T df_new.columns = featureVector.keys() # 列名df = pd.concat([df,df_new]) # 合并之前的数据框df.to_excel(os.path.join(basePath,'results.xlsx'))