1. 利用 3Dslicer 软件提取影像组学特征

1. 安装插件：SlicerRadiomics
2. 导入影像文件：breast1_label.nrrd（mask 文件） 和 breast1_image.nrrd（个人影像文件）。
   
3. 切换插件：Welcome to Slicer → Informatics → Radiomics
   
4. 设置参数（如图）：
   ◆ Select Input Volume and Segmentation
   input image Volume: breast1_image（个人影像文件）
   input regions 感兴趣区：breast1_label（mask 文件）
   ◆ Extraction Customization：Manual Custimization
   Featrue Classes 选择提取哪些类特征，如 firstorder 和 gldm
   Resampling and Filtering 重采样 → Resampled voxel size：3,3,3（体素与体素间的距离都是 3mm，建议每个方向上的体素间隔一致）→ LoG kernel sizes: 3,4 （如果使用高斯拉布拉斯滤波器，需要设置一下，可以设置多个 size)。勾选 Wavelet-based features（是否提取小波滤波器的特征）
   其他默认
   ◆ output
   output table: Table1 （修改输出表格名），设置表格名称后 Apply。
   
5. Apply 后窗口右下角产生一个表格：
   Image type：原始图像还是某种滤波器上产生的图片，前面 diagnostics 是影像的基本信息，从 log-sigma-3-0-mm-3D 开始是对特征提取有用的信息（log 滤波器，sigma size 3.0）。
   Feature class：特征分类
   
6. 导出表格：格式选择 csv。
   
7. 做影像组学研究时通常把病例作为行，特征作为列，所以需要把 csv 表格转置一下用于后续研究：全选数据 → 到新表粘贴时选择转置。
   
   

2. 利用 python 提取影像组学特征

• 基础版：提取一个病例的特征
  需要先安装pyradiomics
  参考：【影像组学】windows系统安装pyradiomics包的问题

  # pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyradiomics
  from radiomics import featureextractor 
  
  
  imageFile = 'file5/breast1/breast1_image.nrrd'
  maskFile = 'file5/breast1/breast1_label.nrrd'
  
  extractor = featureextractor.RadiomicsFeatureExtractor() # 初始化，给这一长串起个简写的名字
  featureVector = extractor.execute(imageFile, maskFile) # 
  # print(featureVector.items()) 结果太多太杂乱
  # for循环遍历提取所需的信息 featureName
  for featureName in featureVector.keys():
      print("%s: %s" % (featureName, featureName[featureName]))
  

  

● 常用参数设置

• 按待提取特征选择

  extractor.disableAllFeatures()  # 禁用所有特征
  extractor.enableFeaturesByName(firstorder=['Mean', 'Skewness']) # 只选几个特征提取
  
  featureVector = extractor.execute(imageFile, maskFile)
  for featureName in featureVector.keys():
      print("%s: %s" % (featureName, featureVector[featureName]))
  

  

• 按待提取特征类型选择

  extractor.disableAllFeatures()  # 禁用所有特征
  extractor.enableFeatureClassByName('glcm') # 输出想要类型的特征，如 glcm
  
  featureVector = extractor.execute(imageFile, maskFile)
  for featureName in featureVector.keys():
      print("%s: %s" % (featureName, featureVector[featureName]))
  

• 滤波器设置：在加滤波器（对图像做修整）的图像上提取特征。

  extractor.enableImageTypes(Original={}, LoG={}, Wavelet={}) 
  # Original原始图像 LoG滤波器 Wavelet小波滤波器
  
  featureVector = extractor.execute(imageFile, maskFile)
  for featureName in featureVector.keys():
      print("%s: %s" % (featureName, featureVector[featureName]))
  

  

• 批处理提取影像组学特征

  import os
  import pandas as pd
  
  basePath = 'data/featureExtraction'
  folders = os.listdir(basePath) # 读取featureExtraction文件夹下所有文件名
  print(folders)
  
  df = pd.DataFrame() 
  for folder in folders:  # 遍历文件夹
      files = os.listdir(os.path.join(basePath,folder)) # 拼接文件夹下的文件路径
  #     print(files) 区分影像文件和 mask 文件
      for file in files:
          if file.endswith('image.nrrd'):  
              imageFile = os.path.join(basePath,folder,file) # 影像文件路径
          if file.endswith('label.nrrd'):
              maskFile = os.path.join(basePath,folder,file) # mask文件路径
  #     print(imageFile, maskFile) 特征提取
      extractor = featureextractor.RadiomicsFeatureExtractor()
      featureVector = extractor.execute(imageFile, maskFile)  # 得到结果是字典 dict
      # 从featureVector字典中提取数据转换成数据框，并 .T 转置（特征作为列）
      df_new = pd.DataFrame.from_dict(featureVector.values()).T  
      df_new.columns = featureVector.keys() # 列名
      df = pd.concat([df,df_new])  # 合并之前的数据框
  df.to_excel(os.path.join(basePath,'results.xlsx'))