📚 课程目录第4章肿瘤区域分割与特征提取工程

4. 肿瘤区域分割与特征提取工程

在影像组学建模中，分割与特征提取是决定后续生存分析上限的关键环节。分割定义了“从哪里取数”，特征提取器定义了“取什么数”，批量流程则决定了“能否稳定地重复取数”。三者中任何一环失控，都会让后续的统计模型建立在不可复现的输入之上。本节围绕工程实现展开，重点说明工具选择、可重复分割策略、提取器配置以及批量处理流程的具体做法。

一、分割工具的选择与适用边界

肿瘤区域分割按自动化程度可分为手工、半自动与全自动三类。手工分割以 ITK-SNAP、3D Slicer 为代表，适合边界模糊、需要专家经验判断的病例，但耗时且一致性依赖操作者。半自动工具如 3D Slicer 中的 GrowCut、区域生长、水平集，以及 MITK 的交互式分割，能在少量种子点或初始轮廓基础上快速收敛，适合批量处理中“机器初筛 + 人工修正”的模式。全自动方法以 nnU-Net、U-Net 变体为主，适合数据量充足、目标器官或病灶形态相对稳定的场景，其优势是速度快、可完全复现，但需要独立验证集评估 Dice 与 HD95。

工具选择的核心不是“越自动越好”，而是与数据规模、标注资源、目标结构复杂度匹配。对于多中心、多扫描仪数据，建议优先采用全自动或半自动方案，并在流程中保留人工复核环节，避免系统性偏差被批量放大。

二、可重复分割策略

可重复分割的核心是控制变异来源。变异主要来自三方面：操作者内变异、操作者间变异、以及扫描参数与重建差异。工程上可采取以下策略：

固定分割协议：明确窗宽窗位、层厚、插值方式、是否包含瘤周区域、是否包含坏死区，并写入 SOP。
双人独立分割 + 仲裁：由两名有经验医师独立勾画，计算 Dice 一致性；对差异较大的病例由第三名高年资医师仲裁。
重复分割评估：随机抽取 10%～15% 病例进行二次分割，计算 ICC（组内相关系数）与 Dice，作为流程稳定性的量化指标。
版本化管理：每次分割结果保存为带版本号的掩膜文件，记录工具版本、操作者、日期与参数，便于回溯。

示例：某研究对 120 例肺癌 CT 进行分割，随机抽取 18 例由同一医师间隔两周重复勾画，得到平均 Dice 为 0.91，ICC 为 0.89；另抽取 15 例由两位医师独立勾画，平均 Dice 为 0.86。该结果说明流程整体稳定，但医师间差异仍需通过仲裁与共识训练进一步压缩。

三、特征提取器配置

特征提取器决定了从分割区域中能获得哪些定量描述。常用工具包括 PyRadiomics、IBEX、MaZda 与 CERR。以 PyRadiomics 为例，其配置通过 YAML 文件控制，关键参数包括：

imageType:
  Original: {}
  Wavelet: {}
  LoG:
    sigma: [1.0, 2.0, 3.0]
featureClass:
  firstorder:
  shape:
  glcm:
  glrlm:
  glszm:
  gldm:
  ngtdm:
setting:
  binWidth: 25
  resampledPixelSpacing: [1, 1, 1]
  interpolator: 'sitkBSpline'
  normalize: true
  force2D: false

其中 binWidth 影响灰度离散化粒度，resampledPixelSpacing 统一体素尺寸，normalize 控制强度归一化。若不做重采样，不同层厚与像素间距会直接改变纹理矩阵，导致特征不可比。建议在提取前统一重采样至 1×1×1 mm，并固定 binWidth，例如 25 HU。对于 CT，通常保留 Original、Wavelet、LoG 三类图像类型；对于 MRI，需额外考虑偏置场校正与强度归一化。

特征提取前应检查掩膜与图像的几何一致性：方向、原点、间距必须匹配。若掩膜与图像未对齐，提取出的形状与纹理特征将失去物理意义。

四、批量处理流程

批量处理的目标是“一次配置、全量执行、结果可追溯”。典型流程如下：

整理数据目录：图像与掩膜按病例 ID 配对，命名规则统一，例如 case_001_img.nii.gz 与 case_001_mask.nii.gz。
读取病例清单：生成 CSV，包含病例 ID、图像路径、掩膜路径、分组标签（如训练/验证）。
逐例提取：调用 PyRadiomics，加载图像与掩膜，执行重采样、归一化与特征计算。
结果汇总：将每例特征写入一行，列名为特征名，行索引为病例 ID，输出为 CSV。
质量检查：统计缺失值、常数特征、异常值，并记录提取日志。

以下为批量提取的核心代码骨架：

import pandas as pd
from radiomics import featureextractor

extractor = featureextractor.RadiomicsFeatureExtractor('params.yaml')
cases = pd.read_csv('cases.csv')

rows = []
for _, r in cases.iterrows():
    result = extractor.execute(r['image'], r['mask'])
    row = {'case_id': r['case_id']}
    row.update({k: v for k, v in result.items() if not k.startswith('diagnostics')})
    rows.append(row)

pd.DataFrame(rows).to_csv('features.csv', index=False)

执行后应检查 features.csv 的行数是否与病例数一致，列数是否与预期特征数一致。若某例提取失败，日志中会记录原因，常见问题包括掩膜为空、图像与掩膜尺寸不匹配、重采样后掩膜消失等。

五、结果核对与常见问题

批量提取完成后，建议先做三项核对：第一，检查 features.csv 的行数是否等于病例数，若少于病例数，说明有病例提取失败；第二，检查是否存在全为 NaN 或全为常数的列，这类特征在后续建模中无区分度，应剔除；第三，随机抽取 2～3 例，用单例脚本重新提取并与批量结果比对，确认流程一致。

常见问题包括：掩膜与图像方向不一致导致形状特征异常；重采样后小病灶掩膜消失，需调整插值方式或保留原始间距；binWidth 设置过小导致纹理矩阵稀疏，过大则丢失细节。对于 CT，binWidth 常取 25 HU；对于 MRI，因强度无绝对单位，建议先归一化再离散化。

若分割掩膜包含多个不连通区域，PyRadiomics 默认只保留最大连通域。若研究需要分析全部病灶，应在配置中关闭该选项或提前合并掩膜，否则特征将只反映最大病灶。

分割与特征提取不是一次性任务，而是需要版本化、可追溯的工程环节。把工具选择、重复性评估、提取器参数与批量流程固定下来，后续的生存分析才有稳定的输入基础。建议在项目初期就建立分割 SOP、参数快照与特征矩阵核对清单，避免在建模阶段才发现输入不可复现。