Python - pyradiomics - 邻域灰阶依赖性矩阵特征（Neighboring Gray Level Dependence Matrix Features）

对于一个图像 I：

它的邻域灰阶依赖性矩阵（NGLDM）为：

推导过程见先前的文章：
Python - pyradiomics - 邻域灰阶依赖性矩阵（Neighboring Gray Level Dependence Matrix）

本文主要讨论由邻域灰阶依赖性矩阵得到的图像特征
首先介绍两个基本概念：
1.N_z
$$N_z=\sum _{i=1}^{N_g}\sum _{j=1}^{N_d}\text{P}(i,j)$$
公式的意思就是NGLDM求和，这个值是等同于 I 包括的像素个数，也就是说，在一个确定的感兴趣区（region of interest, ROI）中，N_z值是固定的。
2.p
$$p(i,j)=\frac{\text{P}(i,j)}{N_z}$$
标准化后的P矩阵（注意大小写），反映灰度 i 出现 j 个依赖像素的联合概率（joint probability）

1. X Dependence Emphasis

(1) Small Dependence Emphasis (SDE)

$$SDE=\frac{{\sum }_{i=1}^{N_g}{\sum }_{j=1}^{N_d}\frac{\text{P}(i,j)}{j^2}}{N_z}$$
注：pyradiomics官网上给的公式中为除以 i 的平方，实际上是错的，源码中是除以 j 的平方。在IBSI的附件中，也是除以 j 的平方。

Zwanenburg A, Vallières M, Abdalah MA, et al. The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping. Radiology. 2020;295(2):328-338.

在NGLDM中，Small Dependence相当于矩阵左边的部分，SDE的计算，相当于是P矩阵与一个 1/j² 矩阵对位相乘，得到一个新的矩阵，求和之后除N_z，这个 1/j² 矩阵为：

因此P中原本的值，dependence越大，在与P对位相乘后变小的幅度越大。因此计算出来的SDE受到Small Dependence的点的影响会更大一点（也就是Emphasis）。SDE值越大表示依赖性越小，纹理越不均匀。

(2) Large Dependence Emphasis (LDE)

$$LDE=\frac{{\sum }_{i=1}^{N_g}{\sum }_{j=1}^{N_d}\text{P}(i,j)j^2}{N_z}$$
和SDE正好相反，LDE是增加了P矩阵右边部分的权重：

因此计算出来的LDE受到Large Dependence的点的影响会更大一点。LDE值越大表示依赖性越大，纹理越均匀。

j = np.arange(1, NGLDM.shape[1] + 1)
Nz = NGLDM.sum()
SDE = np.sum(NGLDM / (j[None, :] ** 2)) / Nz
LDE = np.sum(NGLDM * (j[None, :] ** 2)) / Nz
print(SDE)
print(LDE)
'''
0.5410997732426304
4.020408163265306
'''

2. Y Gray Level Emphasis

(1) Low Gray Level Emphasis (LGLE)

$$LGLE=\frac{{\sum }_{i=1}^{N_g}{\sum }_{j=1}^{N_d}\frac{\text{P}(i,j)}{i^2}}{N_z}$$
类比SDE，这个的1/i²矩阵为：

因此计算出来的LGLE受Low Gray Level的点的影响会更大一点。LGLE值越大表示图像中低灰度值成分越多。

(2) High Gray Level Emphasis (HGLE)

$$HGLE=\frac{{\sum }_{i=1}^{N_g}{\sum }_{j=1}^{N_d}\text{P}(i,j)i^2}{N_z}$$
类比LDE，这个的i²矩阵为：

因此计算出来的HGLE受High Gray Level的点的影响会更大一点。HGLE值越大表示图像中高灰度值成分越多。

i = np.arange(1, NGLDM.shape[0] + 1)
LGLE = np.sum(NGLDM / (i[:, None] ** 2)) / Nz
HGLE = np.sum(NGLDM * (i[:, None] ** 2)) / Nz
print(LGLE)
print(HGLE)
'''
0.24821093063075575
14.26530612244898
'''

3. X Dependence Y Gray Level Emphasis

(1) Small Dependence Low Gray Level Emphasis (SDLGLE)

$$SDLGLE=\frac{{\sum }_{i=1}^{N_g}{\sum }_{j=1}^{N_d}\frac{\text{P}(i,j)}{i^2{j}^2}}{N_z}$$
1/i²j²矩阵即为1/i² * 1/j²：

因此计算出来的SDLGLE受NGLDM 左上象限 的点的影响会更大一点。

(2) Small Dependence High Gray Level Emphasis (SDHGLE)

$$SDLGLE=\frac{{\sum }_{i=1}^{N_g}{\sum }_{j=1}^{N_d}\frac{\text{P}(i,j)i^2}{j^2}}{N_z}$$
i² /j²矩阵即为：

因此计算出来的SDHGLE受NGLDM 左下象限 的点的影响会更大一点。

(3) Large Dependence Low Gray Level Emphasis (LDLGLE)

$$LDLGLE=\frac{{\sum }_{i=1}^{N_g}{\sum }_{j=1}^{N_d}\frac{\text{P}(i,j)j^2}{i^2}}{N_z}$$
j² /i²矩阵即为：

因此计算出来的LDLGLE受NGLDM 右上象限 的点的影响会更大一点。

(4) Large Dependence High Gray Level Emphasis (LDHGLE)

$$LDHGLE=\frac{{\sum }_{i=1}^{N_g}{\sum }_{j=1}^{N_d}\text{P}(i,j)i^2{j}^2}{N_z}$$

i²j²矩阵即为i² * j²：

因此计算出来的LDHGLE受NGLDM 右下象限 的点的影响会更大一点。

SDLGLE = np.sum(NGLDM / (j[None, :] ** 2) / (i[:, None] ** 2)) / Nz
SDHGLE = np.sum(NGLDM / (j[None, :] ** 2) * (i[:, None] ** 2)) / Nz
LDLGLE = np.sum(NGLDM * (j[None, :] ** 2) / (i[:, None] ** 2)) / Nz
LDHGLE = np.sum(NGLDM * (j[None, :] ** 2) * (i[:, None] ** 2)) / Nz
print(SDLGLE)
print(SDHGLE)
print(LDLGLE)
print(LDHGLE)
'''
0.10436156681115379
10.909438775510203
1.297043130177241
33.734693877551024
'''

由此可见前8个特征就是反复套娃，通过赋予不同区域不同的权重，实现了求加权平均数

4. Non-Uniformity and Normalized Non-Uniformity

(1) Gray Level Non-Uniformity (GLN)

$$GLN=\frac{{\sum }_{i=1}^{N_g}{\left({\sum }_{j=1}^{N_d}\text{P}(i,j)\right)}^2}{N_z}$$
这个公式表示，先对每一行进行求和后再平方，再将每一行得到的和的平方求和除以N_z。
pyradiomics说：

a lower GLN value correlates with a greater similarity in intensity values.

IBSI说：

The feature value is low when dependence counts are equally distributed along grey levels.

dependence counts就是每一行求和，数值上等同于这一行对应的像素在图像中的个数，所以人话就是，给定一个ROI范围和n级灰阶，GLN在每级灰阶像素数量接近时较小，不同灰阶像素数量差异越大，GLN越大。GLN和图像的不均匀性（Non-Uniformity）成正相关。
假设一个图像有10个像素点，有3级灰阶（x1, x2, x3），那么n_3 = 10 - n_1 - n_2（n_1, n_2, n_3为像素值为对应灰阶的像素的个数），GLN可以表示为：

$$GLN=\frac{n_1^2+n_2^2+(10-n_1-n_2{)}^2}{10}$$

那么在什么时候取最小值呢？

n_1/n_2	1	2	3	4	5	6	7	8
1	66	54	46	42	42	46	54	66
2	54	44	38	36	38	44	54	\
3	46	38	34	34	38	46	\	\
4	42	36	34	36	42	\	\	\
5	42	38	38	42	\	\	\	\
6	46	44	46	\	\	\	\	\
7	54	54	\	\	\	\	\	\
8	66	\	\	\	\	\	\	\

n_1,n_2不会同时取5，6，7，8，我不想调整了，所以请忽略图片的右半部分。。。

可以看到，n_1 \ n_2 \ n_3取值为(3, 3, 4) \ (3, 4, 3) \ (4, 3, 3)时函数取到最小值，即每级灰阶像素数量最接近时最小

(2) Normalized Gray Level Non-Uniformity (NGLN)

这个特征在三维图像中可以通过数学证明等同于直方图特征Uniformity，因此被删除了

(3) Dependence Non-Uniformity (DN)

$$DN=\frac{{\sum }_{j=1}^{N_d}{\left({\sum }_{i=1}^{N_g}\text{P}(i,j)\right)}^2}{N_z}$$
先对每一列进行求和后再平方，再将每一列得到的和的平方求和除以N_z。类比GLN， DN在各个dependent level最接近相同时取到最小值。

(4) Normalized Dependence Non-Uniformity (NDN)

$$DNN=\frac{{\sum }_{j=1}^{N_d}{\left({\sum }_{i=1}^{N_g}\text{P}(i,j)\right)}^2}{N_z^2}$$
就是在DN的基础上再除以一个N_z，得到标准化后的特征，减小了ROI大小对于特征值的影响。

5. Variance

(1) Gray Level Variance (GLV)

$$GLV=\sum _{i=1}^{N_g}\sum _{j=1}^{N_d}p(i,j)(i-\mu {)}^2\text{, where }\mu =\sum _{i=1}^{N_g}\sum _{j=1}^{N_d}ip(i,j)$$
首先回顾普通的方差计算公式
$${\sigma }^2=\frac{\sum (X-\mu {)}^2}{N}$$
对于一个4*4的图像：

如果不看它像素的具体值，而是看像素从小到大的排序值，图像为：

计第i个等级的像素值出现的概率为p(i)，则有

i	p(i)
1	0.25
2	0.25
3	0.25
4	0.25

此时求灰阶等级i的方差的话，首先要计算均值：
$$\begin{array}{rl}\mu & =\frac{1+2+3+4+4+1+2+3+3+2+1+4+2+1+4+3}{16}\\ & =\frac{4\ast 1+4\ast 2+4\ast 3+4\ast 4}{16}\\ & =\frac{4}{16}\ast 1+\frac{4}{16}\ast 2+\frac{4}{16}\ast 3+\frac{4}{16}\ast 4\\ & =\sum ip(i)\end{array}$$
然后，计算方差：
$$\begin{array}{rl}{\sigma }^2& =\frac{(1-\mu {)}^2+(2-\mu {)}^2+(3-\mu {)}^2+...+(1-\mu {)}^2+(4-\mu {)}^2+(3-\mu {)}^2}{16}\\ & =\frac{4\ast (1-\mu {)}^2+4\ast (2-\mu {)}^2+4\ast (3-\mu {)}^2+4\ast (4-\mu {)}^2}{16}\\ & =\frac{4}{16}\ast (1-\mu {)}^2+\frac{4}{16}\ast (2-\mu {)}^2+\frac{4}{16}\ast (3-\mu {)}^2+\frac{4}{16}\ast (4-\mu {)}^2\\ & =\sum p(i)(i-\mu {)}^2\end{array}$$
对于p矩阵， GLV和μ的计算都可以看出只和 i 有关，在某一行中，j 对应的系数相同，因此不妨先对行求和，得到一个列向量pg：
$$p_g=\sum _{j=1}^{N_d}p(i,j),wherei\in [1,N_g]$$
直观来看，p_g(i)表示第i个灰阶出现的概率（在图像中占的比例）。即上述例子中的p(i)

因此，计算GLV的公式就很容易理解了，它是衡量的灰阶（而非像素绝对值）的方差。
$$GLV=\sum _{i=1}^{N_g}{p}_g(i)(i-\mu {)}^2\text{, where }\mu =\sum _{i=1}^{N_g}i{p}_g(i)$$

(2) Dependence Variance (DV)

$$DV=\sum _{i=1}^{N_g}\sum _{j=1}^{N_d}p(i,j)(j-\mu {)}^2\text{, where }\mu =\sum _{i=1}^{N_g}\sum _{j=1}^{N_d}jp(i,j)$$
类比GLV，DV用每个像素值对于的依赖像素数目代替 I’ 中的像素绝对值计算方差。DV是对列求和，得到行向量pd，然后计算依赖性的方差。
$$\begin{gathered} p_d=\sum _{i=1}^{N_g}p(i,j),wherej\in [1,N_d] \\ DV=\sum _{j=1}^{N_d}{p}_d(j)(j-\mu {)}^2\text{, where }\mu =\sum _{j=1}^{N_d}j{p}_d(j) \end{gathered}$$

p = NGLDM / Nz

pd = np.sum(p, 0)
pg = np.sum(p, 1)
u_i = np.sum(pg * i)
u_j = np.sum(pd * j)
GLV = np.sum(pg * (i - u_i) ** 2)
DV = np.sum(pd * (j - u_j) ** 2)
print(GLV)
print(DV)
'''
3.1995002082465644
0.721366097459392
'''

6. Dependence Entropy (DE)

$$DependenceEntropy=-\sum _{i=1}^{N_g}\sum _{j=1}^{N_d}p(i,j){\log }_{2}p(i,j)$$
信息论之父香农对与信息包含的信息量这样定义

一条信息的信息量大小和它的不确定性有直接的关系。比如说，我们要搞清楚一件非常非常不确定的事，就需要了解大量的信息。相反，如果我们对某件事已经有了较多的了解，我们不需要太多的信息就能把它搞清楚。所以，从这个角度，我们可以认为，信息量的度量就等于不确定性的多少。

对于任意一个随机变量 X，它的熵定义如下：
$$H(x)=-\sum _{i=1}^{n}p(x_i)lo{g}_{2}p(x_i)$$
变量的不确定性越大，熵（entropy）也就越大，把它搞清楚所需要的信息量也就越大。
显然，对于NGLDM，它包含灰阶等级 i 和依赖性 j 两个变量，因此NGLDM的熵，或它包含的信息为
$$DependenceEntropy=-\sum _{i=1}^{N_g}\sum _{j=1}^{N_d}p(i,j){\log }_{2}p(i,j)$$

DE = -np.sum(p[np.nonzero(p)] * np.log2(p[np.nonzero(p)]))
print(DE)
3.877252131670978