1 DICOM特徵提取手藝概述

所有智能診斷系統的起點。就是在醫學影像的世界裏，DICOM文件，就像一種通用語言，每一份文件中都封裝了病人的具體信息和影像切片，而AI要想讀懂這些影像就必須先從這些文件裏提煉出關鍵的特徵，這幾乎
繼而目前的現狀是提取特徵的方法也一直在進化，早期靠工程師一點點手動設計，現在則更多地依賴深度學習模型去自動發現，由此也衍生出五花八門的工具和方法，當然沒有哪種方法是萬能的，在不同的醫療場景裏它們各有長短，怎麼選會直接影響到AI診斷的精準度，模型能否適應更多未知情況最終取決於它在臨牀上到底好不好用。
這項技巧扮演的角色大概可以進行一下分析：
頭一個作用，就是降維，因為醫學影像的數據量實在太大，維度太高，直接處理會給計算帶來不小的壓力，談到這裏，要讓模型更敏鋭些，自己就能揪出病灶的關鍵信息，也不能總指望全部依靠人工標註，畢竟想找到高質量的數據太難了，這成了一個不大不小的坎，尤其是在看那些CT和MRI影像的時候，屏幕上黑白光影閃過，特徵提取得好不好，直接決定了後面的診斷和治療方案靠不靠譜。
自主學習，效果更好。就是目前主要的路子有兩條，主要一條是靠着專家經驗的人工方法，另一條是讓機器自己學的深度學習。老辦法算得快，道理也説明白，而深度學習能看到人眼看不到的深層模式，就是特別吃標註信息，不過最近風向變了，這兩者的界限越來越模糊，開始有人把它們捏合在一起用，比如先用傳統方式處理一下圖像，再餵給深度網絡，或者用AI來優化老方法，再有就是在使用AI不斷進行自學習迭代也就

2 主流方法與設備分析

2.1 傳統特徵工程方法

傳統特徵提取方法依靠領域專家知識和圖像處理科技，從DICOM影像中提取結構化特徵描述子。這些方法不需要大規模訓練數據，具有計算效率高、可解釋性強的優勢，在特定醫療場景中仍具有重要價值。其核心類別包括：

• 統計特徵：從像素強度分佈中提取均值、方差、偏度、峯度等統計量，可描述組織密度或紋理的全局特性。此類特徵計算簡單高效，對基礎病變檢測有一定價值，但表徵能力有限。
• 頻域特徵：通過傅里葉變換、小波變換等將圖像轉換到頻率域，提取頻域能量分佈特徵。特別適用於分析週期性紋理和局部結構模式，在腦電時序信號分析中表現優異。例如在EEG鑑別阿爾茨海默病研究中，SVD熵等頻域特徵對腦電信號節律異常檢測效果顯著。
• 紋理特徵：使用灰度共生矩陣(GLCM)、局部二值模式(LBP)等方法量化組織結構的空間異質性，對腫瘤異質性和組織微結構變化敏感。這些特徵在腫瘤良惡性判別中具有重要價值。
• 形態學特徵：提取區域形狀、邊界曲率、表面粗糙度等幾何屬性，獨特適用於骨折碎片分析和器官形態學研究。在Pilon骨折碎片測量中，形態學特徵幫助AI體系實現與傳統人工測量相當的精度。

表：傳統特徵提取方法對比