Pyradiomics放射组学特征提取：环境搭建、掩膜对齐与参数设置实战

放射组学特征提取这件事真正上手做过一遍的人都会有一个共同感受难的不是理解公式而是把第一份能用的特征表跑出来。Pyradiomics 这个库把这些公式都封装好了它能把影像和勾画区域一起读进去吐出一张几百列的特征表覆盖一阶统计、形状、纹理等几个大类。但如果你只是照着某个示例敲几行代码大概率会在掩膜对齐、灰度离散化、重采样插值这几个地方反复卡壳。这篇内容面向的是手里已经有一批带勾画掩膜的影像、准备动手做第一批特征提取的读者无论你是刚接触这个方向的同学还是已经跑过几轮但结果总觉得不稳的同行上下两篇读完应该都能少走一些弯路。上篇聚焦在「把链路跑通、把参数讲清楚」从环境搭建一路讲到结果落盘与自检把每一步为什么这么做都摊开说。1. 先想明白特征提取在整个流程里处于什么位置1.1 一个容易被低估的体力活很多人第一次接触放射组学脑子里想的是「找几个特征、训个模型、出个结论」但真正落到操作层面最先撞上的是一堆纯体力问题DICOM 序列怎么读成三维体数据、勾画文件怎么变成和影像同一坐标系的掩膜、上千个病例怎么批量跑、跑完之后几百列数据里哪些是废的。这些问题没有一个属于高深算法却能把一个人卡住两三天。Pyradiomics 的价值就在于把中间那段最枯燥的计算部分接过去了。它做的事情可以概括为读入一张影像和一个掩膜按你给的参数把影像重采样、把灰度离散化然后在掩膜覆盖的区域内计算几十到上千个统计量最后返回一个字典或一行表格。你不需要自己推灰度共生矩阵也不需要手写表面积积分。但「它把计算接过去了」不等于「你什么都不用管」。恰恰相反这个库把大量决策权交给了使用者binWidth 设多少、要不要重采样、插值用哪种、形状特征按三维还是二维算。这些开关一旦设错代码不会报错结果照样输出只是那些数字失去了可比性。这是我认为最需要提前讲清楚的一点——特征提取的错误大多是沉默的。1.2 什么情况下值得用它什么情况下不值得先把适用边界说清楚省得后面白费功夫。值得用的场景很明确你有一批影像每张都配了感兴趣区域ROI的掩膜你想把这些区域里的灰度分布、纹理规律、几何形态量化成数字用于后续的统计分析、分型探索或者建模。这类任务的特点是样本量从几十到几千不等特征维度远大于样本量需要大量重复计算。不太值得用的情况也有几种。一是你的 ROI 只有几个像素点比如很小的病灶这种情况下形状特征基本没有意义纹理特征也会因为统计样本太少而剧烈波动。二是影像本身质量参差比如层厚从 1mm 到 5mm 混在一起不统一重采样就直接算那算出来的纹理特征反映的主要是扫描参数差异而不是生物学差异。三是你还没确定掩膜本身可靠——掩膜的勾画一致性如果你自己都没把握那后面所有特征都建立在流沙上。1.3 上篇要解决的三个具体问题把范围收窄一下。这一篇不涉及特征筛选、不涉及建模、不涉及稳定性分析那些留给下篇。这里只解决三件事环境能不能装干净依赖之间的版本咬合怎么处理单例能不能跑通跑通之后返回的东西到底是什么参数怎么设才不至于让结果变成一堆不可比的数字。这三件事做完你手里应该有一张结构清晰的 CSV列名能看懂每一列是怎么来的心里有数而不是一坨从示例里复制出来的黑箱输出。2. 环境这道坎版本咬合比安装命令重要得多2.1 依赖链条里最容易被忽略的两环装 Pyradiomics 的命令本身很短一行就够pip install pyradiomics但这一行背后牵出来一串依赖numpy、SimpleITK、PyWavelets还有打包工具相关的依赖。其中真正容易出问题的是后两个。SimpleITK 是负责影像读写和重采样的底层库Pyradiomics 的所有几何操作都走它。这个库的版本更新比较勤不同版本在图像方向direction、几何容差判定上的行为有过细微调整。如果你的环境里已经装了某个旧版本pip 有可能不升级它于是你用的是一套没经过验证的组合。PyWavelets 的问题更直接。它负责小波特征的计算如果你不装它主流程照样能跑但一旦你在参数文件里启用了 Wavelet 图像类型就会在运行时抛错或者拿到一堆空值。很多人第一次配置小波特征失败就是这么来的——不是因为参数写错了是因为少装了一个包。我的建议是老老实实建一个独立环境把版本钉死conda create -n radiomics python3.9 -y conda activate radiomics conda install -c conda-forge simpleitk pywavelets -y pip install pyradiomics用 conda 装 SimpleITK 和 PyWavelets 而不是 pip主要原因是这两个包在部分平台上的 pip 二进制轮子对系统库有依赖conda 渠道的构建通常更省心。Python 版本我倾向锁在 3.9 或 3.10太新的版本偶尔会遇到构建工具链的问题尤其是你在没有预编译轮子的平台上安装时。装完之后别急着写业务代码先做一次自检import pyradiomics import SimpleITK as sitk import pywt print(pyradiomics.__version__) print(sitk.Version_VersionString()) print(pywt.__version__)三行都能打出版本号说明依赖链条是通的。这一步花三十秒能省掉后面半小时的排查。2.2 编译失败与导入报错的两种典型处理如果pip install pyradiomics卡在编译阶段通常是因为缺 C 构建工具。这种情况下有两个方向一是装好对应平台的编译工具链再重试二是换用预编译好的二进制包。前者更彻底后者更快。我一般先试第二条路因为特征提取本身对编译优化并不敏感能跑就行。另一种更隐蔽的情况是装完了但导入报错报错信息里提到某个 C 扩展模块找不到。这多半是包和 Python 解释器的架构不匹配比如在 Apple Silicon 机器上装了 x86 版本的包或者在虚拟环境里混用了系统的解释器。处理方式很直接确认sys.executable指向的是当前激活环境里的解释器然后重装。注意不要在同一个环境里既装 conda 渠道的 SimpleITK 又装 pip 渠道的 SimpleITK两个来源的包可能互相覆盖导致行为诡异且难以定位。2.3 多线程设置一个不影响结果但影响体感的小开关SimpleITK 默认会吃掉所有可用核心来做重采样和滤波。单机跑单例的时候这是好事但如果你打算用多进程批量跑几千个病例每个进程内部又各自开满线程机器会直接卡死。这时候要在每个子进程的开头把全局线程数压下来import SimpleITK as sitk sitk.ProcessObject.SetGlobalDefaultNumberOfThreads(1)然后再用进程池去并发布任务让并行度由进程池控制而不是由底层库自己抢。这个设置不会改变任何一个特征值但能让批处理的整体耗时从「看起来死机」变成「稳定推进」。我第一次跑批量任务时不知道这一点机器风扇狂转、进度条半天不动还以为是算错了。3. 影像与掩膜的对齐整条链路的地基3.1 几何信息不一致到底意味着什么影像和掩膜是两份独立的文件或两组独立的数据它们各自带着自己的几何元信息体素尺寸spacing、原点坐标origin、方向矩阵direction、尺寸size。Pyradiomics 在做计算之前会检查这两份数据的几何信息是否一致如果不一致它会尝试校正校正不了就报错。这里有个常识需要先建立起来掩膜文件不一定天然和影像对齐。你可能遇到过这几种情况。一种是掩膜是从别的软件导出的导出过程里做了重采样spacing 被改成了各向同性而原影像还是 0.7×0.7×5。另一种是掩膜被当成了普通图片处理方向矩阵丢了或者被翻转。还有一种是 DICOM 序列读取时顺序搞错导致层序反转掩膜和影像在 Z 轴上镜像了。这几种情况的表现都一样代码报出几何不匹配的错或者更糟糕——不报错但提取出来的特征全是零或全是异常值。因为掩膜可能落在影像范围之外ROI 里一个有效体素都没有。3.2 用 SimpleITK 亲手核对一遍几何参数不要完全依赖库的自动校正。自己写几行代码把两边的几何参数打出来对比是排查这类问题最快的办法import SimpleITK as sitk img sitk.ReadImage(case_001_image.nii.gz) msk sitk.ReadImage(case_001_mask.nii.gz) for name, obj in [(image, img), (mask, msk)]: print(name, size, obj.GetSize(), spacing, obj.GetSpacing(), origin, obj.GetOrigin(), direction, obj.GetDirection())看什么先看 size两边必须完全一致。再看 spacing如果有任何一个维度对不上说明掩膜被重采样过。origin 和 direction 的差异更隐蔽但只要 origin 差了几毫米掩膜覆盖的区域就会整体偏移你算的就不是原来那个病灶了。如果确认是掩膜被重采样过正确的做法是把掩膜用最近邻插值重采样回影像的几何网格而不是把影像重采样到掩膜的网格上resampler sitk.ResampleImageFilter() resampler.SetReferenceImage(img) resampler.SetInterpolator(sitk.sitkNearestNeighbor) resampler.SetTransform(sitk.Transform()) resampler.SetDefaultPixelValue(0) msk_fixed resampler.Execute(msk)这里插值器必须选最近邻。掩膜里存的是标签值0 是背景1 是 ROI用线性或 B 样条插值会在边界上造出 0.37 这种小数标签后续按 label1 取 ROI 时就会漏掉一批本该在内的体素。提示影像重采样可以用 B 样条掩膜重采样只能用最近邻。这条规则在手写流程里要记牢在 Pyradiomics 内部它已经帮你区分好了但你如果自己做预处理就得自己守住。3.3 多标签掩膜该指定哪个标签如果掩膜里有多个标签比如同时勾了病灶和某个正常器官Pyradiomics 默认只取 label1。取错了标签不会报错只会安静地算出一堆你看不懂的数。所以在调用之前先把掩膜里的唯一值扫一遍import numpy as np arr sitk.GetArrayFromImage(msk) print(np.unique(arr))打出来是[0 1]就说明是单标签[0 1 2 3]就说明有多个需要显式指定label。这一步在批处理之前做一次抽样检查很值因为不同病例的掩膜可能是不同的人用不同软件导出的标签约定未必统一。我见过同一批数据里有的用 1 表示病灶、有的用 255 表示混在一起批量跑结果一半的病例提取出来是空的。3.4 几何容差一个不该随手调的参数Pyradiomics 有个geometryTolerance设置默认值是 1e-6。它的作用是当影像和掩膜的几何差异小于这个阈值时直接当作一致处理不做校正。这个默认值对于来自同一来源的数据一般够用。但如果你混用了不同软件导出的掩膜浮点误差可能到 1e-4 甚至 1e-3 这个量级这时候就会报几何不匹配。处理方式有两种把geometryTolerance放宽到 1e-3或者干脆在预处理阶段自己把掩膜重采样对齐。我更倾向于第二种。放宽容差是让库「假装看不见」差异但差异本身还在ROI 的边界体素归属可能已经变了。自己重采样一遍虽然多写几行代码但几何状态是确定的。4. 第一例跑通从 extractor 初始化到结果解析4.1 三行代码背后的默认行为最简版本长这样from radiomics import featureextractor extractor featureextractor.RadiomicsFeatureExtractor() result extractor.execute(case_001_image.nii.gz, case_001_mask.nii.gz)三行跑完result是一个字典。但如果你不知道默认值是什么这三行就是在赌博。默认状态下的行为是启用 Original 图像类型启用除 shape2D 之外的所有特征类binWidth 为 25不做重采样label 为 1几何容差 1e-6。也就是说默认状态下你会拿到一阶统计、三维形状、GLCM、GLRLM、GLSZM、GLDM、NGTDM 七类的全部特征累加大概一百多项再加上十几项诊断信息。如果你在参数文件里再加小波和 LoG列数会翻好几倍。先跑默认值有个好处能快速确认链路是通的。但不要拿默认结果去做分析原因后面几节会展开。4.2 返回字典里哪些是特征、哪些是元信息第一次看到result的内容很多人会被一堆diagnostics_开头的键搞晕。这里要分清楚两类内容一类是以特征类名开头的键比如original_firstorder_Mean、original_shape_VoxelVolume、original_glcm_Contrast这些是真正的特征值是可以进表格做分析的。另一类是以diagnostics_开头的键比如diagnostics_Versions_PyRadiomics、diagnostics_Image-original_Mean、diagnostics_Mask-original_VoxelNum这些是过程记录用来追溯这一行数据是在什么条件下算出来的。它们不该进模型但非常值得保留排查问题时是唯一的线索。把两类分开打印一眼就能看清features {k: v for k, v in result.items() if not k.startswith(diagnostics_)} diags {k: v for k, v in result.items() if k.startswith(diagnostics_)} print(特征数:, len(features)) for k, v in list(features.items())[:10]: print(k, float(v))diagnostics_Mask-original_VoxelNum这一项尤其要盯住。它记录的是掩膜里有效体素的个数。如果这个值是 0 或者只有个位数说明掩膜根本没落在影像上后面所有特征都没有意义。我在批处理脚本里会把它当成一道硬性校验关卡低于阈值的病例直接标记出来人工复核。4.3 execute 的返回值类型与类型转换的坑result里的值大部分是 numpy 的标量类型不是 Python 原生 float。这在单例调试时无所谓但在写 CSV 或做 JSON 序列化时会出问题。稳妥做法是统一转一次import numpy as np def to_python(v): if isinstance(v, (np.floating, np.integer)): return float(v) if isinstance(v, np.ndarray): return v.tolist() return v clean {k: to_python(v) for k, v in features.items()}另外execute还有一个可选参数label如果你前面已经确认掩膜里用的是非 1 的标签记得传进去。还有一个voxelBased参数设为 True 时会返回逐体素的特征图而不是汇总值那是另一个话题本篇不展开。4.4 一个最小的批量脚本骨架单例跑通之后批量就是套一层循环。但循环里要有三样东西异常捕获、结果落盘、进度反馈。import os, csv, traceback from radiomics import featureextractor import logging logging.getLogger(radiomics).setLevel(logging.ERROR) extractor featureextractor.RadiomicsFeatureExtractor(params.yaml) rows, failed [], [] for case_id in case_list: img_path os.path.join(img_dir, case_id .nii.gz) msk_path os.path.join(msk_dir, case_id .nii.gz) try: res extractor.execute(img_path, msk_path) row {case_id: case_id} row.update({k: to_python(v) for k, v in res.items()}) rows.append(row) except Exception as e: failed.append({case_id: case_id, error: repr(e)}) traceback.print_exc() keys sorted({k for r in rows for k in r}) with open(features.csv, w, newline, encodingutf-8) as f: w csv.DictWriter(f, fieldnameskeys) w.writeheader() w.writerows(rows)这里把radionics的日志级别调高是有意的。Pyradiomics 内部会打不少 INFO 级别的提示单例时有用批量跑几千例时会把终端刷满反而看不到真正的错误。把日志压到 ERROR然后用failed列表单独收集异常出问题的时候一查就知道是哪一例、错在哪。5. 七大特征类每一类到底在量化什么5.1 一阶统计与形状最朴素但最稳的两类一阶统计特征只看掩膜内体素的灰度分布不看它们的空间位置。均值、中位数、最大值、最小值、百分位数、能量、熵、偏度、峰度、方差大致就是这些。它的优势是稳定——同一个人隔一周重新勾画一阶特征的波动通常比其他类小。劣势是信息量有限它把三维结构压成了一个分布空间信息全丢了。形状特征只看掩膜的几何形态和影像灰度完全无关。体积、表面积、表面积体积比、球形度、紧致度、最大三维直径以及三个正交方向上的直径、长宽比、延伸率。这一类特征在临床上有直接的对应语义解释性强是我建议优先关注的一类。这里有个必须提的细节Pyradiomics 有两套形状特征shape和shape2D。前者按三维计算后者只对单层感兴趣用于二维场景。如果你处理的是厚层数据或者本来就只关心单层病灶用shape2D否则一定要用shape两个不要混用算出来的数值没法放在一起比较。还有一点形状特征受重采样影响极大。同一个病灶重采到 1×1×1 和 2×2×2算出来的表面积可能差百分之十几。所以做形状特征分析重采样策略必须在全数据集统一。5.2 纹理四兄弟的分工GLCM、GLRLM、GLSZM、GLDM、NGTDM 这五类常被称为纹理特征它们的共同思路是不只看灰度值是多少还要看灰度和灰度之间的空间关系。**GLCM灰度共生矩阵**关注的是「某一对灰度在特定方向和距离上同时出现的频率」。它刻画的是灰度的二阶统计关系。Pyradiomics 的 GLCM 默认对 13 个方向分别计算再取平均所以结果是各向平均的。它的特征包括对比度、相关性、能量、同质性、熵等二十多个。理解 GLCM 的一个生活化类比把图像想象成一张城市地图灰度是建筑高度GLCM 问的是「高矮相邻的搭配有多常见」。**GLRLM灰度游程矩阵**关注的是「同一灰度连续出现多长的片段」。它刻画的是纹理的粗细感连续同灰度的片段越长纹理越粗糙。特征包括短游程强调、长游程强调、灰度非均匀性、游程非均匀性等。**GLSZM灰度区域大小矩阵**和 GLRLM 思路相近但它是二维区域连通而不是一维线段。它统计的是同灰度连通区域的面积大小分布对斑块状纹理更敏感。**GLDM灰度依赖矩阵**看的是「某个体素的邻域里有多少个和它灰度接近的体素」衡量的是局部灰度一致性。**NGTDM邻域灰度差矩阵**看的是每个体素和它邻域的灰度差刻画的是对比度和粗糙度。这五类特征高度相关往往几十列里真正携带独立信息的不多。但在提取阶段不要急着删——删哪些、留哪些是下篇的事上篇只管把它们都算出来、算对。特征类核心问题对参数的敏感点典型用途firstorder灰度分布长什么样binWidth、是否归一化基线统计稳定shape / shape2D病灶几何形态resampledPixelSpacing语义直观解释性强glcm灰度对的共现关系binWidth、distances纹理规律最常用glrlm同灰度连续长度binWidth粗糙度描述glszm同灰度连通面积binWidth、连通定义斑块状纹理gldm邻域灰度一致性binWidth、distances局部均匀性ngtdm邻域灰度差binWidth对比度与粗细5.3 binWidth那个不说话但决定一切的数字所有纹理类特征在计算之前都要先把连续的灰度值离散化成有限个灰度级。这一步的参数就是binWidth默认 25。它的作用方式是这样的假设 ROI 内灰度范围是 0 到 1000binWidth 取 25那么灰度级数就是 1000/25 40 级。如果 binWidth 取 5级数就是 200 级取 100级数就是 10 级。这个数字的影响非常大。级数太少大量不同灰度被压成同一级纹理细节被抹平特征值趋向于常数级数太多每一级里只有零星几个体素矩阵变得极其稀疏特征值对噪声高度敏感同一病灶重复扫描两次可能就差出一大截。Pyradiomics 的文档里给过一个经验范围具体数值我记不准确了但核心结论是固定 binWidth绝对值离散化比固定 bin 数量相对值离散化对扫描参数变化的鲁棒性更好因为后者会让级数随灰度范围浮动。默认的 25 是一个在多数 CT 场景下比较平衡的起点但它不是普适的。MRI 的灰度值范围通常和 CT 差一个量级直接用 25 可能导致级数过多或过少。我的建议是先在几十个病例上做个小扫描把 binWidth 从 5 到 100 取几个值看纹理特征的变异系数怎么变。找到一个特征值既不过度集中、又不剧烈震荡的区间再定下来。这一步多花半小时能避免后面所有分析建立在错误的离散化上。5.4 图像类型为什么加了小波之后列数暴涨imageType决定了在哪些「派生图像」上计算特征。Original 是原图只算一遍。加上 Wavelet 之后会对图像做 8 个方向的小波分解LLL、LLH、LHL、LHH、HLL、HLH、HHL、HHH在每个分量上各算一遍特征列数直接乘 9。再加 LoG多个 sigma或者 Square、SquareRoot、Logarithm、Exponential、Gradient、LBP3D列数会到上千。列数多不等于信息多。小波特征在某些任务里确实有效因为它捕捉了不同频段的纹理信息但它的代价是特征空间维度爆炸、计算时间成倍增长、共线性严重。我的实际经验是如果样本量只有几十例上千列特征几乎没有希望做出稳健的模型上了几百例之后再考虑加入小波而且要有明确的筛选策略配合。在上篇这个阶段我的建议是先用 Original 跑通全流程确认所有环节无误再把小波作为第二阶段的增量。否则一旦出问题你分不清是流程本身的 bug 还是派生图像配置的问题。6. 参数文件把每一次实验的条件写死6.1 为什么必须用 YAML 而不是在代码里逐个设Pyradiomics 支持用代码逐个开关特征类但真正做项目时参数文件是必须的。原因很简单同一批数据你可能要试好几组参数如果没有一个可保存、可 diff、可复现的配置文件两周之后你根本说不清当初那版结果是拿什么参数跑出来的。一个可用的起点大概长这样imageType: Original: {} LoG: sigma: [1.0, 2.0, 3.0] Wavelet: {} featureClass: firstorder: shape: glcm: glrlm: glszm: gldm: ngtdm: setting: binWidth: 25 resampledPixelSpacing: [1, 1, 1] interpolator: sitkBSpline label: 1 normalize: false force2D: false geometryTolerance: 0.001 minimumROIDimensions: 2 correctMask: true每个键的取舍理由下面几节逐个说。6.2 resampledPixelSpacing 与插值器统一网格的代价resampledPixelSpacing设为[1, 1, 1]意味着把所有影像重采样到 1mm 各向同性体素。这一步的动机是让不同扫描参数下的数据具有可比性——层厚 5mm 和层厚 1mm 的数据如果不统一纹理特征反映的主要是层厚差异。但重采样不是免费的。上采样从 5mm 到 1mm会插值出原本不存在的信息纹理特征会被人为平滑高频细节丢失。下采样从 1mm 到 3mm会丢掉细节。所以这个值的选择要贴着数据本身来如果你的原始层厚主要在 1mm 左右用[1,1,1]是合理的如果原始层厚普遍是 3mm 到 5mm强行上采样到 1mm 只是在制造虚假精度反而不如统一到[2,2,2]或者干脆不重采样但保证集合内一致。interpolator选sitkBSpline是影像重采样的常规选择平滑性最好。但要注意这个设置只作用于影像掩膜在 Pyradiomics 内部始终用最近邻不需要你操心。如果你在参数里看到有人写sitkNearestNeighbor作为影像插值器那通常是为了保持原始灰度值不做插值——在计算一阶特征时这样更保守但纹理特征会更粗糙。两种都能用关键是要在同一个项目里保持一致。6.3 normalize 与 force2D两个容易误开的开关normalize打开后会对影像做 Z-score 标准化减均值除标准差然后再离散化。这在 MRI 场景下有时是必要的因为 MRI 的灰度值本身没有绝对物理意义不同设备之间的强度标度差异很大。但在 CT 场景下通常不该开——CT 的 HU 值是有物理意义的绝对值标准化反而破坏了这种语义。force2D打开后会强制把三维数据当成二维处理只计算单层内的纹理。这个开关的适用场景很窄主要是二维数据或者你确实只关心单层。误开的后果是所有三维空间关系全部丢失而且形状特征会退化成 shape2D和三维结果没法比。我在一个项目里见过有人为了「跑得快一点」把 force2D 打开了后面发现形状特征全对不上排查了半天才找到原因。6.4 correctMask 与 minimumROIDimensions 的兜底作用correctMask: true让库在几何不匹配时尝试自动校正掩膜。我建议保持开启它是个安全网。minimumROIDimensions默认是 2意思是 ROI 至少在两个维度上有厚度否则直接报错跳过。这个兜底很有必要——单层单像素的 ROI 算出来的纹理特征是无意义的让它报错总比让它安静输出一堆 0 好。你可以按需调高到 3强制要求三维形态代价是会损失一部分薄层小病灶的样本。7. 结果自检跑完之后先看什么7.1 三类可疑值的识别与处理特征表落盘之后不要直接扔进分析流程。先做三件事。第一看 NaN 和 inf 的比例。出现 NaN 通常意味着一阶特征里的方差为 0ROI 内灰度完全均匀或者形状特征的某个比值分母为 0。少量的 NaN 可以接受但如果超过 5% 的病例出现说明掩膜质量或者离散化参数有问题。第二看大量 0 值的列。如果某一列在整个数据集上全是 0那这列没有任何区分度。常见于某些纹理特征在灰度级数太少时退化为常数。第三看诊断列。diagnostics_Mask-original_VoxelNum的分布能直接告诉你 ROI 大小的分布。如果有几例的体素数只有几十那几例的特征基本不可信考虑剔除。import pandas as pd df pd.read_csv(features.csv) feat_cols [c for c in df.columns if c.startswith(original_)] print(NaN 比例:, df[feat_cols].isna().mean().mean()) print(全零列数:, (df[feat_cols].fillna(0) 0).all().sum()) print(df[diagnostics_Mask-original_VoxelNum].describe())7.2 同一例重复提取两次最便宜的复现性检查这是一个我很推荐的习惯拿同一个病例连续跑两次把两次结果逐列相减。如果两次结果不完全一致说明流程里有随机性来源——可能是多线程的浮点累加顺序差异可能是某个预处理步骤没固定随机种子。正常情况下同一份输入、同一份参数Pyradiomics 的结果应该是逐位一致的。如果不一致那这个不确定性会被带入后续所有分析。把线程数固定为 1 之后这种差异通常就消失了。7.3 换一台机器跑同一例暴露环境依赖再进一步把参数文件和输入数据拷到另一台装了同版本环境的机器上跑一遍比对结果。这一步能暴露出依赖版本不一致、浮点运算库差异之类的问题。如果两台机器的结果差在小数点后六位以内可以接受如果差在小数点后两位那说明某个环节的数值行为不稳定需要在论文或报告里说明。到这里一条能用的特征提取链路就算打通了环境干净、几何对齐、单例跑通、批量落盘、结果经过自检。下篇要处理的是另一个性质的问题——这上千列数字里哪些值得留下哪些只是噪声的另一种写法以及当参数换一组时你的结论会不会跟着翻盘。