使用影像组学协助医学图像和生物图像的2d、3d分割

影像组学（Radiomics）是通过提取大量定量图像特征（如纹理、形状、强度等）来分析和解释医学图像的方法。这些特征可以用于诊断、治疗评估和预后预测等。影像组学在图像分割中的作用主要体现在以下几个方面：

1. 特征提取：从图像中提取各种定量特征，为后续的图像分析和处理提供丰富的信息。
2. 分割辅助：通过提取的特征可以更好地识别和分割图像中的特定结构或区域，例如肿瘤、器官等。
3. 分类和预测：利用提取的特征进行机器学习或深度学习建模，从而实现对医学图像的自动分类和预测。

以细胞电镜3d图像的分割为例，影像组学特征提取和分析可以帮助我们更好地理解和分割图像中的细胞和亚细胞结构。

影像组学特征可以帮助分析纹理特征与原始标签之间的关系。这一步的目的是通过分析影像组学特征和已知的标签（例如细胞类型或病理状态）之间的相关性，来发现有助于图像分割和分类的特征。

通过PyRadiomics工具箱从显微镜图像中提取的影像组学特征和一些与图像处理相关的元数据。

以下是对每个内容的解释：

General Information（一般信息）

1. general_info_BoundingBox (11, 1, 0, 117, 95, 10)

• 图像中感兴趣区域（ROI）的边界框，表示为起点坐标和尺寸（x, y, z, width, height, depth）。

1. general_info_EnabledImageTypes {'Original': {}}

• 启用的图像类型，这里表示原始图像。

1. general_info_GeneralSettings {'minimumROIDimensions': 1, 'minimumROISize': ...}

• 一些常规设置，如最小ROI维度和最小ROI大小。

1. general_info_ImageHash 737ce4196701189f7da51953658168733c883714

• 图像的哈希值，用于唯一标识图像。

1. general_info_ImageSpacing (1.0, 1.0, 1.0)

• 图像的像素间距，表示图像在每个维度上的分辨率。

1. general_info_MaskHash 86a228cd88f7fe989e82553d9a1e0f8619a86554

• 掩码的哈希值，用于唯一标识掩码。

1. general_info_NumpyVersion 1.14.2

• 使用的NumPy版本。

1. general_info_PyWaveletVersion 0.5.2

• 使用的PyWavelet版本。

1. general_info_SimpleITKVersion 1.1.0

• 使用的SimpleITK版本。

1. general_info_Version 1.3.0.post92+g974a734

• PyRadiomics的版本。

1. general_info_VolumeNum 19

• 图像中的体积数。

1. general_info_VoxelNum 9968

• 感兴趣区域（ROI）中的体素数量。

Original Shape Features（原始形状特征）

1. original_shape_Elongation 0.836938

• 伸长率，描述ROI的长轴与短轴的比例。

1. original_shape_Flatness 0.0920028

• 扁平度，描述ROI的扁平程度。

1. original_shape_LeastAxis 11.4033

• 最小轴长度。

1. original_shape_MajorAxis 123.946

• 最大轴长度。

1. original_shape_Maximum2DDiameterColumn 103.392

• 最大2D直径（列方向）。

1. original_shape_Maximum2DDiameterRow 79.1581

• 最大2D直径（行方向）。

1. original_shape_Maximum2DDiameterSlice 146.492

• 最大2D直径（切片方向）。

1. original_shape_Maximum3DDiameter 146.492

• 最大3D直径。

1. original_shape_MinorAxis 103.735

• 次要轴长度。

1. original_shape_Sphericity 0.299229

• 球形度，描述ROI接近球形的程度。

1. original_shape_SurfaceArea 7485.48

• 表面积。

1. original_shape_SurfaceVolumeRatio 0.750951

• 表面积与体积的比值。

1. original_shape_Volume 9968

• 体积。

Original First Order Features（原始一阶特征）

1. original_firstorder_10Percentile 91

• 10百分位数，表示10%的体素强度值低于该值。

1. original_firstorder_90Percentile 130

• 90百分位数，表示90%的体素强度值低于该值。

1. original_firstorder_Energy 1.22392e+08

• 能量，所有体素强度值平方和的总和。

1. original_firstorder_Entropy 1.46757

• 熵，描述图像灰度值分布的随机性。

1. original_firstorder_InterquartileRange 21

• 四分位距，表示中间50%数据的范围（75百分位数减去25百分位数）。

通过上面的步骤，影像组学帮助图像分割的具体过程如下：

1. 获取图像数据：em_image_vol 和 em_thresh_vol 是包含显微镜图像和阈值处理后图像的数据数组。

2. 图像预处理：代码片段中对图像进行了裁剪和下采样（[:10, ::4, ::4]），以减小计算量和加快处理速度。

3. 特征提取：使用 PyRadiomics 工具箱，通过 texture_extractor.execute 方法从图像中提取纹理特征。

• GetImageFromArray(em_image_vol[:10, ::4, ::4])：从裁剪和下采样后的显微镜图像数据创建一个用于特征提取的影像对象。

• GetImageFromArray(em_thresh_vol.clip(0,1).astype(np.uint8)[:10, ::4, ::4])：从裁剪和下采样后的阈值处理图像数据创建一个用于特征提取的掩码对象。

1. 特征计算：PyRadiomics 工具箱根据输入的图像和掩码，计算各种纹理特征。这些特征包括一阶统计量、形状特征、纹理矩阵特征等。

2. 结果分析：计算得到的特征可以用于分析和理解图像中的结构和模式，从而辅助图像分割。