3. 影像组学特征工程总体流程

影像组学特征工程不是“把图像丢进软件点一下提取”这么简单。它是一条从原始DICOM到可建模特征矩阵的完整数据加工链，任何一环的偏差都会沿着链路放大，最终表现为模型在外部验证集上失效。理解这条链路的端到端结构，是后续每一节具体技术的前提。本节按数据实际流动的顺序，把整条链路拆成六个阶段：图像获取、预处理、分割、特征提取、特征选择与建模接口，并说明每个阶段的输入、输出、关键参数与常见陷阱。

一、整条链路的输入输出关系

整条链路的起点是DICOM文件集合，终点是“样本×特征”的二维矩阵加上标签向量。中间每个阶段都改变数据的形态：DICOM是带元数据的像素容器，预处理后是统一体素间距和灰度分布的图像体，分割后是图像加掩膜（mask），特征提取后是每个样本一行特征向量，特征选择后是降维后的特征子集，建模接口则把矩阵与标签、交叉验证划分绑定成可训练对象。下图给出这条链路的整体数据流与各阶段产物。

二、图像获取：DICOM不只是像素

DICOM文件包含像素数据和大量元数据，其中与特征工程直接相关的是：像素间距（PixelSpacing）、层厚（SliceThickness）、层间距（SpacingBetweenSlices）、重采样间距、窗宽窗位（WindowCenter/WindowWidth）、以及图像方向与位置信息。这些参数决定了后续重采样的目标网格和灰度映射方式。例如，CT图像中不同设备的层厚可能从0.625 mm到5 mm不等，如果直接提取纹理特征，粗层厚图像会因部分容积效应导致纹理被平滑，与薄层图像不可比。因此获取阶段就要记录每例的采集参数，作为后续分层或协变量控制的依据。

实际操作中，建议在获取阶段就建立一份“采集参数清单”，至少包含：患者ID、序列号、层厚、像素间距、重建核、管电压、管电流、扫描日期。这份清单在后续批次效应校正和外部验证时非常关键。若使用公开数据集（如TCIA、LIDC-IDRI），需确认其DICOM是否已做去标识化，以及是否存在不同扫描协议混用的情况。

三、预处理：把不同来源的图像拉到同一坐标系

预处理的目标是让所有样本在空间分辨率和灰度分布上可比。核心步骤包括：

• 重采样：将各向异性体素统一为各向同性，常用目标间距为1×1×1 mm³或2×2×2 mm³。插值方法上，图像用三线性或B样条插值，掩膜必须用最近邻插值，否则会引入非整数标签。
• 灰度归一化：CT常用窗宽窗位截断后归一化到[0,1]；MRI因无绝对灰度标准，常用Z-score（减均值除标准差）或直方图匹配。注意Z-score应在ROI内还是全图内计算，需全文统一。
• 去噪与偏置场校正：MRI常用N4偏置场校正，CT可选用高斯滤波或非局部均值去噪，但滤波核大小会直接影响纹理特征，必须在方法中明确。
• 重采样与插值的顺序：先重采样再归一化，还是先归一化再重采样，会影响灰度统计量。推荐先重采样到统一网格，再在ROI内做归一化。

四、分割：ROI掩膜的质量决定特征上限

分割产生感兴趣区（ROI）掩膜，是特征提取的空间约束。分割方式分为手工、半自动和自动三类。手工分割一致性高但耗时，且存在观察者间差异；自动分割（如U-Net、nnU-Net）可复现但需验证其与手工金标准的重叠度（Dice系数通常要求>0.8）。无论哪种方式，都需要关注：是否包含坏死区、是否包含瘤周区域、层间是否连续、掩膜是否与图像严格对齐。

一个常见错误是掩膜与图像在重采样后未同步更新，导致ROI偏移。正确做法是：图像和掩膜使用同一变换矩阵，掩膜插值用最近邻，并在重采样后检查掩膜体积与原始体积的偏差（一般应小于5%）。若偏差过大，说明插值或配准有问题。

五、特征提取：从掩膜内体素计算特征向量

特征提取在ROI内进行，输出每个样本一行特征向量。以PyRadiomics为例，可提取的形状特征（14个）、一阶统计特征（18个）、灰度共生矩阵（GLCM，24个）、灰度游程矩阵（GLRLM，16个）、灰度大小区域矩阵（GLSZM，16个）、邻域灰度差矩阵（NGTDM，5个）、灰度依赖矩阵（GLDM，14个），加上小波和拉普拉斯滤波后，总数可达1000以上。提取时需固定以下参数：bin宽度（CT常用25 HU）、是否归一化、是否启用滤波、距离阈值等。

# PyRadiomics 提取示例（参数为教学示例，非实测结果）
from radiomics import featureextractor
params = {
  'binWidth': 25,
  'resampledPixelSpacing': [1,1,1],
  'interpolator': 'sitkBSpline',
  'normalize': False,
  'geometryTolerance': 1e-4
}
extractor = featureextractor.RadiomicsFeatureExtractor(**params)
result = extractor.execute(image_path, mask_path)
# result 为字典，包含 original_shape_*, original_firstorder_* 等键

提取完成后应检查：特征是否有缺失值、是否有常数列、是否有极端异常值。建议保存原始特征矩阵和提取日志，便于回溯。

六、特征选择与建模接口

高维特征矩阵直接建模容易过拟合，需要特征选择。常用策略包括：去除方差近零特征、去除高度相关特征（|r|>0.9）、单变量筛选（如Mann-Whitney U检验）、LASSO回归、递归特征消除（RFE）。关键原则是：特征选择必须嵌套在交叉验证的训练折内，不能在全数据上先选特征再交叉验证，否则会高估性能。

建模接口负责把特征矩阵、标签和交叉验证划分绑定。典型做法是使用scikit-learn的Pipeline，把标准化、特征选择、分类器串成一条流水线，在GridSearchCV中整体调参。这样能保证每一步都只在训练折上拟合，避免泄漏。

# 建模接口示例（教学示例）
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.feature_selection import SelectKBest, f_classif
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV, StratifiedKFold

pipe = Pipeline([
  ('scaler', StandardScaler()),
  ('select', SelectKBest(f_classif)),
  ('clf', LogisticRegression(max_iter=1000))
])
param_grid = {'select__k': [5, 10, 20], 'clf__C': [0.1, 1, 10]}
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
grid = GridSearchCV(pipe, param_grid, cv=cv, scoring='roc_auc')
grid.fit(X, y)

七、端到端检查清单

把上述链路串起来，可以用一份检查清单确保每一步可追溯：

这条链路的核心思想是：每一步的输出都是下一步的输入，任何一步的参数变化都会改变最终特征矩阵的数值。因此，影像组学研究的可复现性依赖于对整条链路的完整记录。建议在项目开始时就把上述参数写入配置文件，并在论文或报告中以流程图加参数表的形式呈现，而不是只写“使用PyRadiomics提取了特征”。