#41-影像组学研究中离散化方法选择
目前，尽管许多研究倾向于固定的bin数而非固定的bin宽度，但并没有硬性证据表明在所有情况下固定的bin宽度或固定的bin数更优。因此，PyRadiomics实现了设置固定的bin数（binCount）和固定的bin宽度（binWidth，默认值）两种选项。
之所以选择固定的bin宽度作为默认参数，部分原因在于PET研究表明，采用固定的bin宽度能更好地保证特征的可重复性。此外，以下示例最能说明我们的理由：假设有两幅图像和两个ROI，第一幅图像的灰度值范围为{0-100}，第二幅图像的灰度值范围为{0-10}。如果您使用固定的bin数，则1（离散化）灰度值差异的“意义”是不同的（在第一个ROI中，它表示10个灰度值的差异，在第二个ROI中只是1）。这意味着您所看到的基于纹理的对比度有很大不同。
这个例子假设两个图像的原始灰度值意义相同，在灰度值明确/绝对的图像（如CT的HU值、PET成像中的SUV值）中，这是成立的。但是，在任意/相对灰度值的图像中（例如MR中的信号强度），这不一定成立。在后一种情况下，我们仍然建议采用固定的bin宽度，但要进行额外的预处理（例如归一化），以确保更好的灰度值可比性。在这种情况下，使用固定的bin数也是可能的，但计算出的特征仍可能受到图像中灰度值范围的影响，以及由于原始灰度值不太可比而产生的噪声。此外，无论采用什么类型的灰度值离散化方法，都必须采取措施确保良好的可比性，因为一阶特征主要使用原始灰度值（无离散化）。
最后，有一个关于每个bin宽度该选择多少的问题。目前文献中并没有具体的指导建议，而我们尝试选择一个bin宽度，以便最终的bin数量在30到130之间，这在文献中针对固定的bin数显示了很好的可重复性和性能[2]。这允许ROI中强度的不同范围，同时仍然保持纹理特征的信息性（和病变之间的可比性）。
#42-PyRadiomics是否遵循IBSI特征定义？
在很大程度上，是的。
PyRadiomics开发也参与了IBSI团队的标准化工作。然而，PyRadiomics和IBSI文档中定义的特征提取之间还是存在一些差异。这些差异出现在存在几种同样有效的替代方案的地方。在其中一些情况下，PyRadiomics选择了一种替代方案，而IBSI标准推荐另一种。为了保持 PyRadiomics开发的一致性，我们选择不改变PyRadiomics的实现，而是记录差异。
最值得注意的是灰度离散化（仅针对固定bin大小类型）和重采样的差异。这些差异不能仅通过自定义设置进行修正，而需要使用自定义函数替换：
分箱：在使用固定bin宽度进行灰度离散化时（又称IBSI：FBS，固定bin大小），如果设置了重新分割（最明显的是情况A和C），IBSI会计算从重新分割范围的最小值（如果是绝对重新分割）或最小强度（如果是σ重新分割）开始的等间距bin边缘。
在PyRadiomics中，使用固定bin宽度的灰度离散化始终使用从0开始的等间距bin边缘，确保最低灰度级被离散化到第一个bin。无论重新分割等情况如何。
重采样：
网格对齐：在IBSI中，通过对齐图像的中心来对齐重采样网格，而在PyRadiomics中，我们对齐原点体素的角。这可能导致稍微不同的插值结果，甚至重采样图像和ROI的大小略有不同，从而导致提取的特征值之间的差异。灰度值舍入：在IBSI中，他们认为，如果原始强度值来自某些较低精度的数据类型，重采样值（通常是64位的浮点数）应该重新采样到类似的分辨率。在IBSI幻影的情况下，重采样到最近的整数。PyRadiomics没有实现这一点，因为差异可能很小，因此增加复杂性而非增加提取值的意义。特别是考虑到在计算大多数（除一阶外）特征之前，灰度值都是离散化的。如果进行了某种归一化，则灰度值的意义也会发生变化。这里的差异是因为小的舍入差异可能导致体素被分配到不同一个bin，这可能会导致特征值结果的显著变化，特别是在较小的ROI中。
掩膜重采样：在IBSI中，还可以为掩膜重采样选择不同的插值器，并附加阈值以检索二值掩膜。这仅在掩膜限于零和非零（即1）值时有效。PyRadiomics还支持具有不同值标签的掩膜，允许通过指示不同的标签值从同一掩膜文件中提取不同的ROI。为防止任何不正确的重新分配，PyRadiomics强制掩膜重采样为最近邻。
接下来，还有一些差异可以通过自定义设置解决，本例仅适用于配置E，即同时执行绝对和σ重新分割。在PyRadiomics中，两种类型都已实现，但一次只能选择一种。为了模拟应用两种类型，我计算了重新分割后的绝对范围，并将其用作绝对重新分割范围：[-718, 400]
最后，在PyRadiomics和IBSI中，
一阶特征：峰度的计算存在差异。IBSI计算的是超额峰度，即峰度减3。PyRadiomics计算的是峰度，比IBSI高3。这个差异的原因是高斯分布的峰度为3。
所以总结起来，PyRadiomics结果和IBSI基准之间的差异原因，分别对应各种情况：
配置C：由于灰度离散化和重采样的差异 配置D：由于重采样的差异 配置E：由于重采样和重新分割的差异
#43-PyRadiomics支持哪些模态？2D？3D？彩色？
PyRadiomics并不是为某一特定模态而开发的。PyRadiomics可以处理多种模态，尽管不同模态之间的最佳设置可能有所不同。然而，对输入有一些限制：
灰度图像：PyRadiomics目前不支持从彩色图像或具有复杂值的图像中提取特征。在这些情况下，每个像素/体素具有多个值，而PyRadiomics不知道您如何组合这些值。可以选择一个颜色通道并将其用作输入：
import SimpleITK as sitk
from radiomics import featureextractor
extractor = featureextractor.RadiomicsFeatureExtractor(r’path/to/params.yml’)
ma_path = ‘path/to/maskfile.nrrd’
label = 1 # 如果您的掩膜中的ROI由其他值标识，请更改此处
color_channel = 0
im = sitk.ReadImage(r’path/to/image.jpg’)
selector = sitk.VectorIndexSelectionCastImageFilter()
selector.SetIndex(color_channel)
im = selector.Execute(im)
results = extractor.execute(im, ma_path, label=label)
文件格式：目前，PyRadiomics要求图像和掩膜输入是一个指向包含图像/掩膜的单个文件的字符串，或者是一个SimpleITK.Image对象（仅在交互模式下可能）。当使用DICOM时，需要先将单独的文件合并成一个体积，然后提取特征，方法是将其转换为NRRD或NIFTII，或者在python脚本中读取DICOM并从该脚本调用PyRadiomics。另请参阅PyRadiomics支持哪些输入图像和掩膜的文件类型？。
维度：PyRadiomics支持2D和3D输入图像，但请注意，特征类形状仅提取3D形状描述符，而shape2D仅提取2D形状描述符。如果您有一个3D体积，但是一个单切片分割，并希望结果包括2D形状描述符，请启用shape2D并设置force2D=True。这允许您从具有单切片分割的3D体积中提取2D形状特征（但在分割表示多个切片的体积分割时失败）。