疗效预测中的影像组学特征提取

介绍

最近一直在做关于肿瘤的放疗疗效预测相关的工作，遇到了一些问题主要是关于影像组学特征提取相关的问题，在这里做一个总结，主要是关于基于python提取影像组学特征：

需要的module：

主要需要的是SimpleITK，NRRD和pyradiomics这几个包，安装的话直接pip就可以

pip install pyradiomics
pip install SimpleITK
pip install pynrrd

 具体流程：

因为我们收到的数据都是图像是dicom格式的，标注为nii格式的，但是pyradiomics这个包，他说明只支持nrrd格式的输入，所以前期我们踩了大量的坑，思路都停留在将dicom和nii格式的数据转换为nrrd格式的数据，但是一直都是会缺少部分信息，最近才有部分进展，现在的流程如下：

1. 使用ITK-SNAP这个软件将nii格式的标注转换为nrrd格式的数据，过程很简单只需要将nii文件打开，选择file-save image-main image即可，然后再弹出框中选择nrrd格式，即可在对应文件目录下生成一个对应格式的标注文件

   

   

2. 数据的处理过程，还有一个问题就是，我们收到的标注中既包含肿瘤区也包含了淋巴区，但是我们需要将这两部分数据分开处理，所以需要形成不同的标注文件，两部分的标注的区别是肿瘤区标注为1，淋巴区标注为5。这里的思路是我们先使用nrrd包将生成的nrrd中的数据读出来，进行修改，在反写回去即可。

   
   import numpy as np
   import nrrd
   
   
   data, header = nrrd.read(nrrdpath)
   
   # 提取淋巴结的标注
   data = np.where(data[:, :, :] == 1, 0, data[:, :, :])
   lymph_data = np.where(data[:, :, :] == 5, 1, data[:, :, :])
   
   nrrd.write(lymphpath, lymph_data, header)
   

    

3.  数据的读入过程：主要包含两部分，图像的读入和标注的读入；在这里之前陷入一个误区，以为只能输入nrrd格式，但是后来发现只要是simpleitk读入的数据，pyradiomics都能处理，于是在这里同时使用simpleitk进行数据的读取，最后抽取数据即可

   # get image
   series_IDs = sitk.ImageSeriesReader.GetGDCMSeriesIDs(image_path)
   nb_series = len(series_IDs)
   print(nb_series)
   series_file_names = sitk.ImageSeriesReader.GetGDCMSeriesFileNames(image_path,series_IDs[0])
   series_reader = sitk.ImageSeriesReader()
   series_reader.SetFileNames(series_file_names)
   image3D = series_reader.Execute()
   
   # get mask
   mask = sitk.ReadImage(nrrdpath)

   extractor = featureextractor.RadiomicsFeatureExtractor(geometryTolerance=0.001)
   
   print('Extraction parameters:\n\t', extractor.settings)
   print('Enabled filters:\n\t', extractor.enabledImagetypes)
   print('Enabled features:\n\t', extractor.enabledFeatures)
   
   features = extractor.execute(image3D, mask)

   最终得到的features是一个元组，大约包含100多个数据，每个数据都是浮点数，衡量了肿瘤的统计学，形状，纹理等特征，基于这些特征，经过特征筛选，使用机器学习方法进行建模，是当前比较流行的肿瘤疗效预测，预后预测的研究思路

4.   影像组学的包的地址：影像组学特征介绍，此外还会使用不同的滤波器对图像进行处理提取更多的特征，但思路是一样的：filter介绍