文献综述（或调研报告）：
影像组学技术通过从大量医学图像中提取定量的高通量特征，以获得具有预测能力的可挖掘模型。近年来，这一技术被广泛应用于医学图像处理，并在预后评估，治疗选择等方面获得了比较好的效果。同时，图像采集，标准化和图像分析方面的最新进展也促进了影像组学技术的发展。然而，虽然影像组学技术在医学领域获得了较好的成果，但其在特征提取，特征选择和分类等关键步骤仍存在不小的挑战。其中包括且不局限于基于灰度共生矩阵（GLCM）和基于灰度级游程长度矩阵（GLRLM）的纹理特征表示特定方向的相邻像素集合之间的统计关系，但不考虑不同方向上的多个相邻像素之间的关系; 即忽略了在随后的分类中起关键作用的局部图像结构；提取的高通量特征存在大量冗余，增加了过拟合的风险；忽略了特征之间的内在联系等。
近年来，利用稀疏表示进行数据分析和模式识别等问题受到越来越多的研究关注。在这些应用中，稀疏表示具有以下优点：首先，稀疏表示通常利用自适应学习词典而不是传统的分析设计的具有固定基础的词典（例如，离散余弦变换，小波）来表示图像，因此它提供了提取或表示各种小纹理和细节的能力。此外，图像中的这些特殊特征通常在图像分类中起决定性作用。其次，稀疏表示将自然信号视为来自超完备字典的几个原子的线性组合。因此，基于有效的稀疏编码算法，稀疏表示可以准确有效地选择用于表达数据和删除冗余信息的最基本特征。第三，关于开放数据集的大量实验结果表明，基于稀疏表示的分类（SRC）不仅优于传统的支持向量机（SVM）方法，而且还具有处理图像损坏导致的错误的一些优点。更重要的是，SRC中样本特征的稀疏表示导致从样本中提取的不同类型特征的表示系数共享一些内在关系。
鉴于稀疏表示的相关优势，一种基于稀疏表示的影像组学系统（SRR）【1】被提出，该系统提出一种基于字典的稀疏表示方法，更有效地反映了图像之间的纹理差异，并通过迭代稀疏表示进行特征选择，同时设计了一种新颖的多特征协作稀疏表示分类框架，引入了一个新的系数正则化项来组合多模态图像特征。
在特征提取方面，现阶段流行的影像组学技术主要包括基于灰度共生矩阵（GLCM）和基于灰度级游程长度矩阵（GLRLM）提取二阶纹理统计特征【2】【3】，通过计算不同特定方向的统计关系来获得相邻像素间的统计关系。此外，小波特征【4】等也可以作为相关特征被提取。同时相关实验表明，在影像组学中，3d特征往往能使用更少的特征数达到比2d特征更好的效果【5】。近期，一种新的delta特征被提出【6】，并发现可以改善机器学习模型的性能，类似引入了时间这一维度
在特征选择方面，一种基于SRC和mRMR的方法mRMRMSRC被提出【7】，并结合了这三种特征选择方法的优点，获得了较好的效果。近期，Zhiguo Zhou等人提出了一种新的基于多目标的特征选择（MO-FS）算法【8】，该算法在特征选择期间同时将灵敏度和特异性视为目标函数。由于多目标模型只能处理二元问题，一种新的MO-radiomics模型【9】被提出，可以预测正常，可疑和异常三类，加入了新的目标函数，并在求最优解时使用AUC值来进行求解。
近期深度学习和神经网络在医学图像处理中也引起了关注，通过神经网络提取出图像的局部特征，能够很好地对影像组学提取的全局特征进行补充【10】。一种利用池化策略将深度局部特征与全局特征组合的算法【11】被提出，并获得了较好的效果。
参考文献：
