1. 使用插件

从pyradiomics的Github仓库中可以知道，pyradiomics也有一个3D Slicer的插件——SlicerRadiomics（插件安好了需要重启），考虑先用插件试一下。

1.1 插件安装

1.2 插件使用

先打开一个图，然后在Module这里选择Informatics->Radiomics

在这里插入图片描述

然后左侧就会弹出一些选项，

选好自己的图像volume和对应的mask部分
直接选择要所有特征

这里的特征其实就对应于官网的内容，即：
- firstorder → First Order Statistics (19 features)
- glcm → Gray Level Cooccurence Matrix (24 features)
- gldm → Gray Level Dependence Matrix (14 features)
- glrlm → Gray Level Run Length Matrix (16 features)
- glszm → Gray Level Size Zone Matrix (16 features)
- ngtdm → Neighbouring Gray Tone Difference Matrix (5 features)
- shape → Shape-based (3D) (16 features)
- shape2D → Shape-based (2D) (10 features)
在output table中选择Create a new table，选完之后点击Apply
然后一般可以在右下角看到Radiomics Features影像组学特征(我这里的示例使用的是DIOCM图，同时有5种mask，所以可以看到后面有5列mask)

类似的，也可以看看别的图的组学特征结果，但是每个字段的意义可能需要了解一下
在这里插入图片描述

2. 使用python代码

使用了3D Slicer的插件之后，大概了解这个东西是做什么的，接下来就用python来进行批量处理了。

2.1 安装

最基本的

python -m pip install pyradiomics

2.2 使用

2.2.1 官方示例

其实官方给了示例的，在官方文档的Example中可以知道, 示例代码位于pyradiomics的github中，链接

示例数据在pyradiomics/data中，链接
jupyter文件位于pyradiomics/notebooks中，链接
教程视频中所使用的参数文件位于pyradiomics/examples/exampleSettings中，链接
如果没有安装jupyter，可以直接运行python代码：
- 位于pyradiomics/examples，链接
- python helloRadiomics.py (segment-based extraction)
- python helloVoxel.py (voxel-based extraction)

2.2.2 快速使用

主要就是命令行调用来生成相应的特征

1. 确认可以调用命令行

切换到你安装了pyradiomics的conda环境下，例如，base环境，
先用 -h 看一下能不能在命令行调用pyradiomics"

(base) C:\XXXX> pyradiomics -h                                                                                  
usage: pyradiomics image|batch [mask] [Options]                                                                                                                                                                                                 
optional arguments:                                                                                                       
-h, --help            show this help message and exit                                                                   
--label N, -l N       (DEPRECATED) Value of label in mask to use for                                                                          
feature extraction.                                                                               
--version             Print version and exit                                                                                                                                                                                                  
Input:                                                                                                                    
Input files and arguments defining the extraction:                                                                      
- image and mask files (single mode) or CSV-file specifying them (batch mode)                                           
- Parameter file (.yml/.yaml or .json)                                                                                  
- Overrides for customization type 3 ("settings")                                                                       
- Multi-threaded batch processing

2. 提取单个图像及对应mask的特征

pyradiomics <path/to/image> <path/to/segmentation>
"例如："
pyradiomics "./data/Test-S1-101.nii.gz" "./label/Test-S1-101.nii.gz"

"默认结果输出到命令行中，如果想保存到文件里，可以"
pyradiomics <path/to/image> <path/to/segmentation> -o results.csv -f csv
"例如："
pyradiomics "./data/Test-S1-101.nii.gz" "./label/Test-S1-101.nii.gz" -o results.csv -f csv
"然后就会在执行命令所在目录看到生成的那个文件了"

3. 提取批量

批量提取需要提前做一个.csv文件，第一行是表头，剩下的是数据，至少要包含：

第一列是image的图像路径
第二列是对应的mask的路径
对应第一列和第二列的表头必须是：Image和Mask（大小写也不能错）

例如：

--All.csv--
Image,Mask
./data/Test-S1-101.nii.gz,./label/Test-S1-101.nii.gz
./data/Test-S1-102.nii.gz,./label/Test-S1-102.nii.gz
./data/Test-S1-103.nii.gz,./label/Test-S1-103.nii.gz
./data/Test-S1-104.nii.gz,./label/Test-S1-104.nii.gz
./data/Test-S1-201.nii.gz,./label/Test-S1-201.nii.gz
./data/Test-S1-202.nii.gz,./label/Test-S1-202.nii.gz
./data/Test-S1-203.nii.gz,./label/Test-S1-203.nii.gz
./data/Test-S1-204.nii.gz,./label/Test-S1-204.nii.gz

执行命令

pyradiomics <path/to/input> -o results.csv -f csv
"例如"
pyradiomics "./All.csv" -o results.csv -f csv

计算可能会比较慢，等会就行

2.2.3 其它使用

jupyter示例中展示了很多其它操作，可以看看

TBD

另外，

百度飞桨有个示例代码：https://aistudio.baidu.com/aistudio/projectdetail/1690500

3. 组学特征字段意义说明

根据?影像组学 | 第五讲影像组学特征提取：

一阶统计特征，反应所测体素的对称性、均匀性以及局部强度分布变化。包括中值，平均值，最小值，最大值，标准差，偏度，峰度等。
形态特征，定量描述感兴趣区的几何特性，如肿瘤的表面积、体积、表面积和体积比、球形度、紧凑性和三维直径等，这些特征可以描述肿瘤三维的大小和形态信息。此外，还有原始图像或使用不同滤波方法对影像进行滤波后的
二阶及高阶纹理特征，这些特征能够反映图像体素灰度之间的空间排列关系。

特征字段比较多，这里只研究自己关心的内容，主要是：