【影像组学】理论学习——特征类型

文献阅读的总结，供个人学习。

1、基于统计学

（1）直方图特征

最简单的统计描述符基于全局灰度直方图，包括灰度均值、最大值、最小值、方差和百分位数 ( 14 , 15 )。由于这些特征基于单像素或单体素分析，因此称为 一阶特征 。

更复杂的特征包括 偏度 和 峰度 ，它们描述了数据强度分布的形状：偏度反映了数据分布曲线向左（负偏，低于均值）或向右（正偏，高于均值）的不对称性；而峰度则反映了数据分布相对于高斯分布由于异常值而导致的拖尾。

其他特征包括直方图 熵 和 能量 （也称为均匀性）。要注意，它们与同名的共生矩阵对应物不同。

（2）纹理特征

• 绝对梯度（Absolute Gradient）
  反映了图像中灰度强度波动的程度或突然性。对于 2 个相邻像素或体素，如果一个是黑色，另一个是白色，则梯度最高，而如果两个像素都是黑色（或都是白色），则该定位处的梯度为零。灰度是从黑变白（正梯度）还是从白变黑（负梯度）与梯度大小无关。到直方图特征相似，梯度特征包括梯度平均值，方差，偏度和峰度。

• 灰度共生矩阵 (GLCM)
  灰度共生矩阵（Gray Level Co-occurence Matrix，简称GLCM）是二阶灰度直方图，GLCM 在不同方向（2D 分析的水平、垂直或对角线或 3D 分析的13 个方向）以及像素或体素之间的预定义距离，捕获具有预定义灰度强度的像素对或体素对的空间关系。
  GLCM 特征包括：熵，它是灰度级不均匀性或随机性的度量；角二阶矩（也称为均匀性或能量），反映灰度级的均匀性或有序性； 对比度 ，它强调属于像素或体素对（像素或体素之间灰度差）。

• 灰度游程矩阵 (GLRLM)
  灰度游程矩阵 (Gray Level Run-Length Matrix，简称GLRLM)提供了关于具有相同灰度级的连续像素在一个或多个方向上，2 维或 3 维的空间分布的信息。
  GLRLM 特征包括分数，它评估作为运行一部分的 ROI 内像素或体素的百分比，因此反映了颗粒度；长期强调 和 短期强调（逆）矩，分别针对长期和短期运行的数量进行加权；灰度级和游程长度的不均匀性。

• 灰度大小区域矩阵 (GLSZM)
  灰度大小区域矩阵（Gray Level Size Zone Matrix，简称GLSZM）基于与 GLRLM 类似的原理，但在这里，具有相同灰度级的互连相邻像素或体素的组（所谓的区域）的数量的计数构成了矩阵的基础。 更均匀的纹理将导致更宽更平坦的矩阵。GLSZM 不是针对不同方向计算的，而是可以针对定义邻域的不同像素或体素距离计算的。GLSZM 特征可以在 2 维（8 个相邻像素）或 3 维（26 个相邻体素）中计算。

• 邻域灰度差矩阵 (NGTDM)
  邻域灰度差矩阵（Neighbouring Gray Tone Difference Matrix，简称NGTDM）量化像素或体素的灰度级与其在预定义距离内的相邻像素或体素的平均灰度级之间的差异总和。
  主要特性包括 NGTDM 的粗糙性、繁忙度和复杂性。粗糙度反映中心像素或体素与其邻域之间的灰度差异，从而捕捉灰度强度变化的空间速率；也就是说，由具有相对均匀灰度级（即空间强度变化率较低）的较大区域组成的 ROI 将具有较高的粗糙度值。另一方面，忙碌反映了中心像素或体素与其相邻像素之间的快速灰度变化（即强度变化的高空间频率）。

• 灰度依赖矩阵 (GLDM)
  灰度依赖矩阵（Gray Level Dependence Matrix，简称GLDM）也是基于中心像素或体素与其邻域之间的灰度关系。如果在定义的灰度级差范围方面满足相关性标准，则将预定距离内的相邻像素或体素视为连接到中心像素或体素。然后分析 ROI 是否存在强度依赖于i和j的相邻像素或体素的中心像素或体素。同样，与 GLRLM 类似，GLDM 的特征包括反映异质性和同质性的大依赖性强调和小依赖性强调，以及反映整个 ROI 中灰度级相似性和灰度级依赖性的灰度级非均匀性和依赖性均匀性,。

2、基于模型

基于模型的分析旨在解释空间灰度信息以表征对象或形状。计算纹理生成的参数化模型并将其拟合到 ROI，并将其估计参数用作放射组学特征 ( 15 )。自回归模型是基于模型的方法的一个例子，它基于这样一个想法，即像素的灰度是 4 个相邻像素灰度的加权和：其左侧的像素 (θ-1)，顶部左 (θ-2)、上 (θ-3) 和右上 (θ-4)。此外，σ 携带有关最小预测误差方差的信息，测量纹理规律。

3、基于变换

• 傅立叶
  傅里叶变换分析无空间定位的频率，因此不经常使用；
• Gabor
  Gabor变换是引入高斯函数的傅里叶变换允许频率和空间定位棳但受单个滤波器分辨率的限制；
• 小波变换
  小波特征经小波分解计算获得原始图像的强度和纹理特征棳将特征集中在肿瘤体积内的不同频率范围；
• 拉普拉斯变换（LoG）
  高斯滤波器的拉普拉斯算子，是一种边缘增强滤波器，强调的是灰度变化的区域，sigma参数定义要强调的纹理粗糙度，该值较低则强调较细的纹理，该值较高则强调较粗糙的纹理。LoG特征从具有越来越粗糙纹理图案的区域中提取。

4、基于形状

基于形状的特征描述了 ROI 的几何特性。许多基于形状的特征在概念上比其他放射学特征简单得多，例如 2D 和 3D 直径、轴及其比率。基于使用网格（即三角形和四面体等小多边形）的基于表面和体积的方法更为复杂。
特征包括 紧凑性 和 球形度，它们描述了 ROI 的形状与圆形（对于 2D 分析）或球体（对于 3D 分析）的形状有何不同，以及依赖于最小定向边界框（或用于 2D 分析的矩形）包围 ROI。