影像組學在醫學影像的運用（上）
Quick look
Radiomics（放射組學/影像組學）是一種醫學影像分析技術，利用電腦從醫學影像（例如 X 光、電腦斷層掃描 CT、核磁共振成像 MRI、正子造影PET等）中提取大量定量特徵，這些特徵包含腫瘤的形狀、大小、紋理、密度等。這些特徵能夠展現器官或疾病內部的異質性，以及肉眼無法察覺的細微變化。簡單來說，Radiomics 就是通過數位化的方式，把醫學影像轉化為數位特徵，幫助醫師診斷、治療和評估疾病。以下簡述一下影像組學特徵的標準化和分類，詳細的規範可以參考最新版的IBSI（Image Biomarker Standardization Initiative）文獻。
影像前處理步驟
而在提取這些特徵之前，首先要用手動或自動的方法來識別並標記出感興趣(欲分析)的區域 (Region of Interest, ROI)。接著，影像的強度需要進行一系列的標準化，以便消除不同掃描設備或者不同掃描參數產生的變異，增加可比較性。常見的方式包括重採樣(Resampling)、歸一化(Normaliztaion)和離散化（Discretization）。
Resampling: 重採樣的目的在於確保所有影像的體素（voxel）具有相同的實體大小。在實際操作中，重採樣通常牽涉到插值（Interpolation）算法，用於在轉換影像分辨率時保留影像質量和細節。在這種情況下，影像被重採樣到等方體素大小，即每個體素在三個維度上（長度、寬度、和深度）的大小都是1 mm，這樣就確保了所有影像有相同的實體分辨率。Normaliztaion:Z-score強度歸一化是一種常用的方法，它將每一個像素或體素的強度值轉換為標準分數（Z-score），即原始強度值減去整個影像的平均強度值，然後除以影像強度值的標準差。Z將所有影像轉換到同一強度範圍，從而使不同影像的影像組學特徵之間更有可比較性。Discretization: 離散化的具體步驟包括將影像的強度值（例如CT值）映射到一個固定範圍（例如-1000到1000 HU），然後將這個範圍劃分為固定數目的「bins」（例如32個）。這個過程能夠使影像強度變為有限的離散值，進而降低一些放射學特徵的計算複雜度，並且使得特徵值更為穩定，不易受到不同掃描參數的影響。
影像組學特徵的提取
以上步驟可以統稱為影像前處理，完成後我們就可以開始提取數據化的影像組學特徵（例如形狀、大小、紋理、密度等），這些特徵是基於數學公式和統計方法對醫學影像進行計算得來的。通常分為幾大類，並有具體的定義和計算方法，以下是針對常見的影像組學特徵的名詞解釋：
形狀特徵（Shape Features）：描述腫瘤或感興趣區域 (ROI) 的幾何形狀，是直接基於 ROI 的邊界資訊進行計算的。
常見形狀特徵：
體積：ROI 中包含的體素 (voxel) 總數乘以每個體素的體積。表面積：腫瘤表面的體素構成的邊界面積。表面積與體積比（Surface Area to Volume Ratio, SA:V）：衡量腫瘤是否更球形（比值小）或更不規則（比值大）。長寬比（Major Axis to Minor Axis）：腫瘤最大長度與最小長度的比值。
一階特徵（First-order Features, Histogram Features）：描述 ROI 中影像強度（如 CT 值或灰階值）的統計分佈特徵。通過計算 ROI 中每個體素的影像強度，生成一個統計直方圖。
常見一階特徵：
平均值（Mean）：所有體素灰階值的平均數。中位數（Median）：灰階值的中間值。標準差（Standard Deviation）：衡量灰階值的離散程度。偏態（Skewness）：分佈是否偏向某一方向。峰度（Kurtosis）：分佈是否有尖峰。
紋理特徵（Texture Features）:描述影像中灰階值之間的空間分佈與關聯，用於揭示ROI內部的異質性。基於數學矩陣（例如灰階共現矩陣 GLCM、灰階游程矩陣 GLRLM 等）進行計算。
常見紋理特徵：
灰階共現矩陣 (Gray-Level Co-occurrence Matrix, GLCM)：能量（Energy）：灰階值分佈是否集中。
對比度（Contrast）：灰階值差異的大小。
同質性（Homogeneity）：灰階值分佈的均勻性。
灰階游程矩陣 (Gray-Level Run-Length Matrix, GLRLM)：短游程強度（Short Run Emphasis, SRE）：是否存在許多短灰階游程。=>高 SRE 值表示影像紋理細膩、變化多。
長游程強度（Long Run Emphasis, LRE）：是否存在許多長灰階游程。=>高 LRE 值表示影像紋理平滑或均勻。
游程(run length)是指影像中某一方向（通常是水平、垂直、對角線等方向）上，具有相同灰階值的連續像素數量。一段游程就是影像中一列像素中具有相同灰階值的連續部分。
局部二值模式 (Local Binary Patterns, LBP)：測量灰階值的局部變化。
高階特徵（Wavelet Features）：通過小波變換將影像分解為不同的頻率成分，提取特定空間頻率中的紋理或強度特徵。對原始影像的三個軸進行小波濾波處理，生成 8 組影像（LLL, LLH, LHL, LHH, HLL, HLH, HHL, 和 HHH），並對每組影像計算一階和紋理特徵。 這八個小波集代表了濾波器在三個維度（例如，長度、寬度、和高度）上的不同組合。例如，LLL代表在所有三個維度上都使用了低通濾波器，而HHL代表在前兩個維度上使用了高通濾波器，最後一個維度則使用了低通濾波器。
低通（Low-pass）濾波器：它能夠讓低頻率的訊號通過，而阻擋高頻率的訊號。在影像中，低通濾波器能夠模糊並移除細節和噪聲，讓影像變得更平滑。高通（High-pass）濾波器：與低通濾波器相反，它允許高頻率的訊號通過，而阻擋低頻率的訊號。在影像中，高通濾波器能夠強調影像的邊緣和細節。
Radiomics 在醫學中的應用
隨著人工智慧（AI）和機器學習技術的發展，結合多模態影像（例如 CT / MRI / PET）、基因及臨床數據，Radiomics 已成為醫學研究的重要工具。Radiomics也被廣泛地應用於不同疾病的診斷與治療，例如心血管疾病、神經疾病、癌症等。然而，由於從醫學影像中提取的定量特徵輕易就會超過數百個；相對地，當樣本數不夠大時，容易產生維度詛咒的問題（Curse of Dimensionality）。因此下個主題我們將會著重在解決這個問題的一些方式。
