【pyradiomics学习】——影像组学特征

目录

1、形状特征(14个)

2、一阶特征(18个) 

灰度共生矩阵特征(24个)  

灰度区域大小矩阵特征(16个)    

灰度行程矩阵特征(16个)    

邻域灰度差矩阵特征(5个)    

灰度相关矩阵(14个)    


参考文献:https://blog.csdn.net/JianJuly/article/details/79118753icon-default.png?t=LBL2https://blog.csdn.net/JianJuly/article/details/79118753

每个类别具体的影像组学特征可参照Radiomic Features — pyradiomics v3.0.1.post11+g03d23f7 documentationicon-default.png?t=LBL2https://pyradiomics.readthedocs.io/en/latest/features.html


1、形状特征(14个)

    
Mesh Volume(网格体积)
Voxel Volume(体素体积)
Surface Area(表面积)
Surface Area to Volume ratio(表面积体积比)
Sphericity(球度)
Maximum 3D diameter(最大3D直径)
Maximum 2D diameter (Slice)(最大2D直径(切片))
Maximum 2D diameter (Column)(最大2D直径(列))
Maximum 2D diameter (Row)(最大2D直径(行))
Major Axis Length(最大轴长度)
Minor Axis Length(第二大轴长度)
Least Axis Length(最短轴长度)
Elongation(伸长率)
Flatness(平面度)


2、一阶特征(18个) 

   
Energy(能量)
Total Energy(总能量)
Entropy(熵)
Minimum(最小值)
10th percentile(第十百分位)
90th percentile(第九十百分位)
Maximum(最大值)
Mean(均值)
Median(中值)
Interquartile Range(四分位范围)
Range(极差)
Mean Absolute Deviation (MAD)(平均绝对偏差)
Robust Mean Absolute Deviation(rMAD,鲁棒平均绝对偏差)
Root Mean Squared(RMS,均方根)
Skewness(偏度)
Kurtosis(峰度)
Variance(方差)
Uniformity(均匀性)


灰度共生矩阵特征(24个)  

 
Autocorrelation(自相关)
Joint Average(联合平均)
Cluster Prominence(集群突出)
Cluster Shade(集群阴影)
Cluster Tendency(集群趋势)
Contrast(对比度)
Correlation(相关性)
Difference Average(差平均)
Difference Entropy(差熵)
Difference Variance(差方差)
Joint Energy(联合能量)
Joint Entropy(联合熵)
Informational Measure of Correlation 1(IMC 1,相关信息测度1)
Informational Measure of Correlation 2(IMC 2,相关信息测度2)
Inverse Difference Moment(IDM,逆差矩)
Maximal Correlation Coefficient(MCC,最大相关系数)
Inverse Difference Moment Normalized(IDMN,归一化逆差矩)
Inverse Difference(ID,逆差)
Inverse Difference Normalized(IDN,归一化逆差)
Inverse Variance(逆方差)
Maximum Probability(最大概率)
Sum Average(和平均)
Sum Entropy(和熵)
Sum of Squares(和方差)


灰度区域大小矩阵特征(16个)    


Small Area Emphasis(SAE,小面积强调)
Large Area Emphasis(LAE,大面积强调)
Gray Level Non-Uniformity(GLN,灰度不均匀性)
Gray Level Non-Uniformity Normalized(GLNN,归一化灰度不均匀性)
Size-Zone Non-Uniformity(SZN,区域大小不均匀性)
Size-Zone Non-Uniformity Normalized(SZNN,归一化区域大小不均匀性)
Zone Percentage(ZP,区域百分比)
Gray Level Variance(GLV,灰度方差)
Zone Variance(ZV,区域方差)
Zone Entropy(ZE,区域熵)
Low Gray Level Zone Emphasis(LGLZE,低灰度区域强调)
High Gray Level Zone Emphasis(HGLZE,高灰度区域强调)
Small Area Low Gray Level Emphasis(SALGLE,小区域低灰度强调)
Small Area High Gray Level Emphasis(SAHGLE,小区域高灰度强调)
Large Area Low Gray Level Emphasis(LALGLE,大区域低灰度强调)
Large Area High Gray Level Emphasis(LAHGLE,大区域高灰度强调)


灰度行程矩阵特征(16个)    


Short Run Emphasis(SRE,短行程强调)
Long Run Emphasis(LRE,长行程强调)
Gray Level Non-Uniformity(GLN,灰度不均匀性)
Gray Level Non-Uniformity Normalized(GLNN,归一化灰度不均匀性)
Run Length Non-Uniformity(RLN,行程不均匀性)
Run Length Non-Uniformity Normalized(RLNN,归一化行程不均匀性)
Run Percentage(RP,行程百分比)
Gray Level Variance(GLV,灰度方差)
Run Variance(RV,行程方差)
Run Entropy(RE,行程熵)
Low Gray Level Run Emphasis(LGLRE,低灰度行程强调)
High Gray Level Run Emphasis(HGLRE,高灰度行程强调)
Short Run Low Gray Level Emphasis(SRLGLE,短行程低灰度强调)
Short Run High Gray Level Emphasis(SRHGLE,短行程高灰度强调)
Long Run Low Gray Level Emphasis(LRLGLE,长行程低灰度强调)
Long Run High Gray Level Emphasis(LRHGLE,长行程高灰度强调)


邻域灰度差矩阵特征(5个)    


Coarseness(粗糙度)
Contrast(对比度)
Busyness(繁忙度)
Complexity(复杂度)
Strength(强度)


灰度相关矩阵(14个)    


Small Dependence Emphasis(SDE,小依赖强调)
Large Dependence Emphasis(LDE,大依赖强调)
Gray Level Non-Uniformity(GLN,灰度不均匀性)
Dependence Non-Uniformity(DN,依赖不均匀性)
Dependence Non-Uniformity Normalized(DNN,归一化依赖不均匀性)
Gray Level Variance(GLV,灰度方差)
Dependence Variance(DV,依赖方差)
Dependence Entropy(DE,依赖熵)
Low Gray Level Emphasis(LGLE,低灰度强调)
High Gray Level Emphasis(HGLE,高灰度强调)
Small Dependence Low Gray Level Emphasis(SDLGLE,小依赖低灰度强调)
Small Dependence High Gray Level Emphasis(SDHGLE,小依赖高灰度强调)
Large Dependence Low Gray Level Emphasis(LDLGLE,大依赖低灰度强调)
Large Dependence High Gray Level Emphasis(LDHGLE,大依赖高灰度强调)


小波特征

(744个)    待补充
 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/255567.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

NLP系列学习:前向算法和后向算法

在上一篇文章里,我们简单的概述了隐马尔科夫模型的简单定义在<CRF-tutorial>这一篇文章里,我们可以看到HMM经过发展之后是CRF产生的条件,因此我们需要学好隐马尔科夫模型.在这一部分,我比较推荐阅读宗成庆老师的<自然语言处理>这本书,这一部分宗老师写的很不错,相关…

Java日期处理 开始时间-结束时间查询

//开始时间 timeBegin " 00:00:00"; //结束时间 timeEnd " 23:59:59"; //时间转换 SimpleDateFormat format new SimpleDateFormat("yyyy-MM-dd HH:mm:ss"); //Java时间类型转换成Long类型(可封装成工具类) public static Long stringToLong(St…

angular路由操作中'#'字符的解决办法

var appangular.module("myapp",["ngRoute"]);app.controller("ctr",function($scope){});//angular1.6.0以上版本需要配置app.config(["$locationProvider",function($locationProvider){ $locationProvider.hashPrefix(""…

【TypeError: float() argument must be a string or a number, not ‘map’】

初始 相关系数过滤法调用函数 from sklearn.feature_selection import SelectKBest from scipy.stats import pearsonr SelectKBest(lambda X,Y:np.array(map(lambda x:pearsonr(x,Y),X.T)).T,k2) .fit_transform(X_test,y_test) TypeError: float() argument must be a strin…

CvScalar

CvScalar定义可存放1—4个数值的数值&#xff0c;其结构如下。 typedef struct CvScalar { doubleval[4]; } CvScalar; CvScalar pt&#xff1b; 如果使用的图像是1通道的&#xff0c;则pt.val[0]中存储数据 如果使用的图像是3通道的&#xff0c;则pt.val[0]&#xff0c;pt…

UVA1493 - Draw a Mess(并查集)

UVA1493 - Draw a Mess(并查集) 题目链接 题目大意:一个N * M 的矩阵&#xff0c;每次你在上面将某个范围上色&#xff0c;不论上面有什么颜色都会被最新的颜色覆盖&#xff0c;颜色是1-9&#xff0c;初始的颜色是0.最后输出这个矩形中。每一个颜色有多少个。某个范围这个分为了…

Hyper-v Server 2012 Release Candidate 部署体验

很多人知道&#xff0c;Microsoft Hyper-V分为两种类型&#xff1a;一种是作为Windows Server的一个组件&#xff0c;另一种是作为虚拟化产品的单独服务器。虽然两者都是技术上的Hyper-V&#xff0c;每个版本的特性和用例各不相同。 Hyper-V Server直接在物理机器硬件上运行&am…

Unity 读取资源(图片)

方法一&#xff1a; 采用Resource.Load方法读取&#xff0c;读取在Unity中Assets下Resources目录下的资源名&#xff08;不采用后缀&#xff09;。 //图片放在Asset/Resources/ Texture2D tex (Texture2D)Resources.Load("图片名称"); 方法二&#xff1a; 采用WWW类…

【Python3 SelectKBest 调用personer出现的错误】

初始 相关系数过滤法调用函数 from sklearn.feature_selection import SelectKBest from scipy.stats import pearsonr SelectKBest(lambda X,Y:np.array(map(lambda x:pearsonr(x,Y),X.T)).T,k2) .fit_transform(X_test,y_test) TypeError: float() argument must be a strin…

ABB机器人的错误处理

ABB机器人的错误处理 errnum 数据类型 errnum用于描述在执行过程中&#xff0c;发生的所有可恢复的错误。例如程序执行时&#xff0c;被零除。 如果机器人程序执行过程中检测到一个错误&#xff0c;错误非致命&#xff0c;可以被错误处理程序处理。 这类错误的典型例子是…

面向对象的七大原则

总脉络图&#xff1a; 一&#xff1a;单一职责原则(全称&#xff1a;“Single-Responsibility Principle”)又称 单一功能原则 核心&#xff1a;解耦和增强内聚性&#xff08;高内聚&#xff0c;低耦合&#xff09; 说明&#xff1a; 就一个类而言&#xff0c;应该只专注于做一…

福建工程学院寒假作业G题

涨姿势题就是所谓的优化题&#xff0c;在组队赛中&#xff0c;队伍发现了一题水题&#xff0c;那么应该交给谁去处理&#xff1f;作为处理水题的代码手&#xff0c;应该具备什么样的素养&#xff1f;1&#xff0c;要快&#xff0c;水题拼的就是速度&#xff01;2&#xff0c;不…

excel 多列匹配相等后 引用值

2019独角兽企业重金招聘Python工程师标准>>> 场景 如图下&#xff0c;当A、B列与E、F列皮配上&#xff0c;C列则引用G列的值 原理 VLOOKUP只能查找单列值。我们可以把多列值拼接后形成一个虚拟列&#xff0c;然后VLOOKUP函数查找这个虚拟列进行匹配。 在C1处输入下…

【BUG调试】——OSError: Caught OSError in DataLoader worker process 0

目录 问题描述&#xff1a; 参考链接 问题分析 解决方案 出现情况 问题描述&#xff1a; 在使用pytorch搭建了VGG从头开始训练时出现了以下问题&#xff1a; OSError: Caught OSError in DataLoader worker process 0 参考链接 参考up主视频&#xff1a;4.2 使用pytor…

cvAdd()和 cvAddS()函数的使用

函数原型如下&#xff1a; voidcvAdd( const CvArr* src1, const CvArr* src2, CvArr* dst, const CvArr* maskNULL ); src1 第一个原数组 src2 第二个原数组 dst 输出数组 mask 操作的复盖面, 8-bit单通道数组; 只有复盖面指定的输出数组被修改。 函数 cvAdd 加一个数…

设计模式之接口隔离原则

这个原则想必大家从字面就可以猜出大体的含义&#xff0c;其实这个原则可以说是依赖倒置原则的一种进化补充&#xff0c;因为依赖倒置原则告诉我们实现类的各种依赖关系应该尽量隔离在抽象里面&#xff0c;同时底层的接口协议不应该依赖上层协议的变更而变更&#xff0c;所以我…

iOS 图解多线程

转载于:https://www.cnblogs.com/OnNineMonkey/p/5385963.html

Egret之位图字体

1 , 关于位图字体的制作 2 , egret官方提供的资源 看看cartoon-font.fnt的内容 {"file":"cartoon-font.png","frames":{ "A":{"x":1,"y":54,"w":21,"h":24,"offX":2,"offY&qu…

【机器视觉】——平面测量实际尺寸(像素尺寸转物理尺寸)

目录 方法一:比例尺法 方法:二:三角法 方法三:相机标定 以下方法均在平面的前提下进行 方法一:比例尺法 在一张纸上绘制一个带刻度的直线,将纸张放在摄像头下,抓取任意两点的像素坐标,计算像素距离pd,再根据刻度读取实际距离ad,根据两者可以求出缩放比例,即地图上…

图像处理基本算法-滤波

线性滤波器的向量表示&#xff1a; W是一个大小为m*n的滤波器的系数&#xff0c;Z为由滤波器覆盖的相应图像的灰度值。 线性滤波器所能是实现的就是乘积求和操作。 几种常见的滤波器&#xff1a; 平滑空间滤波器如均值滤波 统计排序滤波器如中值滤波 锐化空间滤波器如锐化…