4. 图像预处理与标准化
影像组学特征并不是直接从“原始 DICOM 像素”里长出来的，它依赖一条预处理链。同一病灶在不同扫描仪、不同层厚、不同重建核下，体素间距、灰度分布、噪声水平和低频亮度漂移都会变化；如果这些差异不先被压平，后续提取到的纹理、灰度共生矩阵、小波能量等特征就会把“设备差异”误当成“生物学差异”。因此，预处理与标准化不是可选的清洗步骤，而是决定特征可重复性的第一道关口。
重采样与插值：先把几何尺度对齐
重采样解决的是体素间距不一致的问题。例如 CT 常见层厚 1 mm、3 mm、5 mm，而层内像素间距可能是 0.6～0.9 mm；若直接提取三维纹理，邻域方向上的物理距离不同，灰度共生矩阵的“相邻”就失去统一含义。实践中通常把图像重采样到各向同性体素，如 1×1×1 mm³，使 x、y、z 三个方向的邻域步长一致。
插值方法的选择会直接影响特征。最近邻插值保留原始灰度值，适合掩膜（mask）和标签图，但会产生阶梯状边缘；线性插值在层间平滑过渡，计算快，适合常规 CT/MR 的灰度重采样；B 样条插值更平滑，但可能引入轻微过冲，对高对比小结构要谨慎。一个可复现的约定是：灰度图像用 B 样条或线性插值，掩膜一律用最近邻插值，且重采样后必须重新检查掩膜与图像的几何对齐。
灰度离散化：决定纹理特征的“分辨率”
灰度离散化把连续强度映射为有限灰阶，是纹理特征稳定性的核心参数。常用两种策略：固定 bin 数（如 32、64）和固定 bin 宽度（如 25 HU）。固定 bin 数会让不同对比度图像的 bin 宽度随强度范围变化，跨中心可比性差；固定 bin 宽度则保持物理强度尺度一致，更适合多中心研究。以 CT 为例，若设置 bin 宽度为 25 HU，强度范围 -1000～1000 HU 会被映射为 80 个灰阶；若改为 32 bins，则每个 bin 宽约 62.5 HU，纹理被明显粗化，熵和对比度都会下降。
离散化必须在重采样和强度归一化之后进行，且训练集与测试集使用同一组 bin 参数。若对每例图像单独做 min-max 归一化再固定 bin 数，等于把每例的强度范围强行拉平，会抹掉有意义的绝对灰度信息，对 CT 尤其危险。
强度归一化与偏置场校正：压平低频漂移
强度归一化处理的是“同一组织在不同图像中灰度不一致”。MR 没有 CT 那样的绝对 HU 标尺，常采用 Z-score 归一化：对掩膜内体素计算均值 μ 和标准差 σ，将强度变换为 (I−μ)/σ。这样可减少线圈增益和序列差异带来的整体偏移。但要注意，归一化范围应基于掩膜内或固定参考组织，而不是整幅图像，否则背景空气和脂肪会污染统计量。
偏置场是 MR 中常见的低频亮度渐变，表现为图像一侧亮、另一侧暗。它会让同一病灶内部灰度随位置缓慢变化，直接抬高一阶统计量方差并扭曲纹理。N4ITK 偏置场校正是常用方法：先估计平滑的偏置场，再用其除以原图。校正后应观察白质、灰质等同类组织的灰度是否更集中；若过度校正，可能把真实解剖对比也压掉。对 CT 而言，偏置场通常不是主要问题，但射束硬化等伪影仍需通过重建或预处理控制。
去噪：在抑制噪声与保留纹理之间取舍
噪声会放大高频纹理特征的不稳定性。常用去噪包括高斯滤波、中值滤波、非局部均值（NLM）和各向异性扩散。高斯滤波简单，但会模糊边缘；中值滤波对椒盐噪声有效，却可能改变小结构；NLM 在保留边缘的同时抑制噪声，但计算量大、参数敏感。一个实用原则是：去噪强度以不改变病灶边界和内部可辨纹理为准，并记录滤波类型、核大小和迭代次数，因为不同去噪参数会显著改变小波和 GLCM 特征。
参数选择如何影响特征稳定性
预处理链中每个参数都会改变特征值。以 GLCM 的“对比度”为例：重采样体素从 1 mm 变为 2 mm，邻域物理距离翻倍，灰度差异增大，对比度上升；bin 宽度从 25 HU 变为 50 HU，灰度被粗化，对比度下降；高斯去噪核从 1 mm 增至 3 mm，高频纹理被抹平，对比度进一步下降。因此，多中心研究必须固定整套预处理参数，并在报告中完整披露。
评估稳定性常用 ICC（组内相关系数）或 CCC（一致性相关系数）。做法是：对同一批病例，分别用两套预处理参数（如 bin 宽度 25 HU 与 50 HU）提取特征，计算每个特征的 ICC。通常 ICC > 0.75 视为良好，ICC > 0.9 视为优秀。若某特征 ICC 低于 0.5，说明它对预处理参数过于敏感，应剔除或改用更稳健的替代特征。
总结来看，预处理与标准化的目标不是让图像“更好看”，而是让特征在不同设备、不同参数、不同中心之间保持可比。重采样统一几何尺度，插值决定边界与灰度过渡，偏置场校正压平低频漂移，去噪抑制高频随机波动，归一化对齐强度分布，离散化控制纹理分辨率。六者共同构成特征稳定性的基础，任何一环参数漂移，都会在最终特征矩阵中留下可测量的偏差。