影像组学，被定义为从感兴趣区中提取高通量的定量特征以及对这些特征的数据挖掘，也通常被简单地理解为是基于特征工程与经典的机器学习方法进行辅助诊断、疗效评价、或预后的一种技术方案。其中，坊间传闻，特征工程决定了机器学习的上限。医学图像的处理从定性分析（人工视觉分析）转到定量分析（计算机辅助分析）时必然需要定量特征如形态、纹理等。很多时候，单一地使用形状或大小等形态特征表达病灶可能存在困难，如肿瘤的形状与大小基本上是随机的，几乎不可能只使用形状、边界、或者大小等形态特征来鉴定肿瘤良恶性。相比之下，纹理是一种通过数学方法提取的定量描述符：一方面，病理组织学特性与病体机理改变是紧密关联的；另一方面，CT、MR等图像又是基于对不同组织结构（即不同介质、不同密度等）的反应不同而形成信号。可以推断，病体机理改变与这些基于断层扫描的医学图像的灰度模式之间存在某种关联。因此，纹理是一种优秀的定量特征，具有不可替代的优势。

 统计分析法

统计分析[1-2]是纹理分析中非常重要的分析手段，是在各个领域中得到了有效应用的成熟方法，特别是在医学图像的处理中。统计分析方法早在20世纪70年代 就应用于  自然图像的纹理特征提取中，最原始的统计是对像素灰度的统计，计算其均值、方差、二阶矩、三阶矩、直至多阶矩等统计量，并以统计量表达纹理特征，后来发展到考虑空间位置的共生矩阵以及游程长度矩阵等。统计分析法按照统计的复杂程度分可以为一阶统计分析、二阶统计分析、以及高阶统计分析。一阶统计分析如局部二值模式、直方图等等，二阶统计分析如灰度共生矩阵、灰度游程长度矩阵等，高阶统计分析如三维共生矩阵等，这些统计分析方法所计算的纹理特征通常都代表了一定的含义的“模式”。

在医学图像辅助诊断应用中，病变的不规则性和复杂性，使得结构分析方法在该领域的应用非常有限。然而，在特定的临床问题中，基于结构分析方法有其特定的作用。

模型分析法

频谱分析法

频谱法主要借助频率特性来分析纹理特征。频谱法是建立在多尺度分析（又称为多分辨率分析）基础上的纹理分析方法，因此有必要对频谱分析理论作一个介绍，对信号的频谱分析理论大致经历了6个阶段[14]：

⑴1822年，自从Fourier发表“热传导理论”以来，傅里叶变换（Fourier Transform）便成为最完美的数学分析工具之一，同时也是广泛应用的信号分析方法之一。

⑵为了解决傅里叶变换中的局部性问题，Dennis Gabor在1946年提出了“窗口傅里叶变换”的概念，该变换更多地称为伽柏变换（Gabor Transform）；伽柏变换基于滤波器思想把图像不同的频率范围分别过滤出来，具有一定的多分辨率分析思想。

⑶1987年，为了解决Gabor变换中突变信号和非平稳信号得不到满意结果等问题，S.Mallat又建立了小波变换（Wavelet Transform）的概念，小波变换是一种多分辨率分析（Multi-resolution Analysis）方法，即多尺度分析方法，它是建立在函数空间概念的理论，该方法是在研究图像处理问题时建立的。特别地，因多分辨率分析中的基本思想与多抽样率滤波器组相一致，由此建立了小波变换与数字滤波器之间的联系。

⑷1998年，为了补充在高维情况下，小波分析并不能够充分利用数据本身特有的几何特征问题，Emmanuel J Candès提出脊波变换（Ridgelet Transform），称为多尺度几何分析方法。

⑸脊波变换提出之后，在此后的得到若干年内陆续扩展，又出现了如曲波变换（Curvelet Transform）、条带波变换（Bandelet Transform）、楔波变换（Wedgelet Transform）、以及小线变换（Beamlet Transform）等多尺度集合分析方法。

⑹在2002年，MN Do以及Martin Vetterli等提出了轮廓波变换（Contourlet Transform）的概念，该变换是一种“真正”的图像二维表示方法，也称塔型方向滤波器组，该变换是利用拉普拉斯塔形分解与方向滤波器组实现的另一种多分辨的、局域的、方向的图像表示方法。

总之，多分辨分析（包括小波变换与其他几类多尺度几何分析方法），是一种新的、高维函数的最优表示法，对于数据的某些重要特征集中体现于信号的低维子集中（如曲线、面等）的分量，多分辨率分析方法能够较好地进行检测、表示、与处理某些高维空间数据。比如在二维图像中，某些部位的主要特征可以由轮廓（包括内部与外部的边缘或突变细节）所刻画，而在三维图像中，有些重要特征又体现为丝状物（filaments）和管状物（tubes）。

伽柏变换、小波变换、以及轮廓波变换被常用于基于纹理分析的医学图像辅助诊断中[15-20]。

总结