3. 感兴趣区域分割
在影像组学流程中，感兴趣区域（Region of Interest, ROI）分割是承上启下的关键环节：它把原始影像中“与临床问题相关的解剖或病灶区域”从背景中剥离出来，后续所有特征提取、筛选与建模都建立在这一区域之上。分割边界哪怕只偏移几个体素，也可能改变纹理、形状与一阶统计特征的数值，因此分割既是技术操作，也是影响模型可重复性的核心变量。
一、三类分割方法：手动、半自动与自动
手动分割由有经验的影像科医师在逐层图像上勾画病灶边界，是传统上被视作“参考标准”的方法。它的优势是能结合解剖知识、临床经验与多序列信息处理复杂病灶，例如边界模糊的磨玻璃结节、与胸膜粘连的肺结节或术后改变区域。但手动分割耗时、主观性强，不同医师之间、同一医师不同时间之间都可能出现差异，且在大规模队列中难以承受。
半自动分割以算法提供初始轮廓，再由人工修正。常见策略包括：基于阈值的区域生长、基于边缘的主动轮廓（Snake）、基于图割（Graph Cut）以及基于水平集的方法。以区域生长为例，操作者只需在病灶内部点选种子点并设定灰度容差，算法便从种子点向邻域扩展，直到灰度差异超过阈值。半自动方法显著减少勾画时间，同时保留人工对边界争议区域的最终裁决权，适合边界相对清晰、对比度较好的实性病灶。
自动分割则完全由算法输出ROI，常见技术包括基于图谱配准的分割、基于随机森林或深度卷积神经网络（如U-Net及其变体）的端到端分割。自动方法可批量处理、重复性高，但依赖训练数据的分布，对扫描参数、层厚、重建核和病灶类型的变化敏感。若训练集与目标数据存在域偏移，自动分割可能系统性偏移边界，进而影响组学特征。
二、常用分割工具介绍
实际工作中，分割工具的选择取决于数据类型、样本规模与团队条件。3D Slicer是开源医学影像处理平台，内置Editor、Segment Editor与Grow from Seeds等模块，支持手动勾画、阈值分割、区域生长和水平集，并可通过插件扩展深度学习分割，适合科研场景下的精细操作与算法验证。ITK-SNAP以半自动分割见长，提供主动轮廓与区域生长工具，界面直观，适合勾画肝脏、肾脏等腹部器官及病灶，支持DICOM与NIfTI格式。MITK提供多模态影像融合与交互式分割，适合需要PET/CT或MRI多序列联合勾画的场景。
在深度学习方向，nnU-Net是当前医学图像分割中广泛使用的自配置框架，能根据数据自动确定预处理、网络结构与训练策略，适合有标注数据时的批量自动分割；MONAI则提供基于PyTorch的医学影像分割组件，便于研究者自定义网络与损失函数。若使用商业平台，常见工具还提供基于图谱或AI的器官自动分割，但需注意其训练域与本地数据的匹配程度。
三、分割一致性评估
一致性评估回答两个问题：不同分割结果在空间上有多接近，以及这种差异是否传导到组学特征。空间重叠常用Dice相似系数（DSC）与Jaccard系数衡量，DSC = 2|A∩B|/(|A|+|B|)，取值0到1，越接近1越一致；通常DSC大于0.8可认为重叠良好，但不同器官与病灶的接受标准不同。边界偏差可用Hausdorff距离或平均表面距离描述，前者对离群边界点敏感，后者更稳健。
特征层面的一致性则用组内相关系数（ICC）评估：对同一批病例分别用两种分割结果提取特征，计算每个特征的ICC，通常ICC大于0.75视为一致性良好，大于0.9为优秀。若某特征ICC偏低，说明该特征对分割边界不稳定，建模时应谨慎纳入或直接剔除。此外，Bland-Altman图可用于观察特征差值的均值与分布范围，判断是否存在系统偏移。
四、分割差异如何影响组学特征
分割边界变化对不同特征的影响并不相同。形状特征如体积、表面积、球形度直接由ROI几何决定，边界外扩或内缩会成比例改变体积，因此对分割最敏感。纹理特征如GLCM的对比度、相关性、熵，以及GLRLM的游程长度，依赖ROI内像素灰度的空间排列；若边界包含了周围正常组织或漏掉了病灶边缘的高密度成分，纹理分布会明显改变。一阶特征如均值、方差、偏度、峰度，受ROI内灰度直方图影响，边界偏移会引入或排除部分灰度值，从而改变统计量。
为降低分割差异对特征的影响，实践中可采取以下措施：统一层厚与重建核，减少因扫描参数不同带来的灰度差异；在特征提取前对图像重采样到各向同性体素（如1×1×1 mm³），使纹理计算不受层厚影响；对灰度进行离散化时固定bin宽度或bin数量，避免不同ROI灰度范围导致纹理矩阵不可比；优先保留ICC高的特征，或在建模时把分割方法作为协变量纳入分析。若使用自动分割，应报告其与手动参考的DSC及特征ICC，而不是仅声明“自动分割已通过验证”。
综上，ROI分割不是建模前的“准备工作”，而是决定特征质量与模型可重复性的关键步骤。理解手动、半自动与自动方法的适用边界，选择合适的工具，并用DSC、Hausdorff距离与ICC量化一致性，才能让后续的影像组学特征真正承载临床信息，而不是被分割噪声所淹没。