总之，目前大部分算法均无法满足分割效果的要求，不能解决科研工作者的难题。因此高精度、全自动特定肿瘤分割算法将是未来的发展趋势。

3.特征提取与量化：从影像处理狭义概念来讲，分割算法将ROI分割完成后，就可以对其进行特征提取。目前文献常提到的特征包括肿瘤直方图强度（tumor intensity histogram），如高或低对照；肿瘤形状特征（shape-based features），如圆形或毛刺状；纹理特征（texture-based features），如同质性或异质性；小波特征等（wavelet features）。为了便于分析，我们从广义上进行特征选择和提取，要将特征降维。

基于以上考虑，可以采用机器学习或者统计学方法来实现；也可以通过最大相关最小冗余（maximum relevance and minimum redundancy，mRMR）或主成分分析法（principal component analysis，PCA）得到更具有代表性的特征。除此之外，特征的高度可重复性在临床生物标记发展的过程中同样重要。为了最大化收集各个层次和方面的信息，我们可以对患者临床特征和基因信息等进行提取，将影像组学特征和临床特征结合，为分类和预测提供更准确的信息。

虽然影像组学是目前一种比较前沿的方法，可从影像中挖掘到很多特征来进行分析，但这只是影像中的一部分信息。因此，更科学、更准确和更标准的特征提取方法和挖掘各层信息的手段是我们今后的突破难点。

4.数据库的建立：Gillies等认为影像不仅仅是图片，而是更重要的数据，数据库的建立是影像组学进一步发展的重要工作。一个高精度的预测模型必须要有庞大的数据库支持，所以多中心，标准化的数据库也是影像组学应用到临床的保证。文献中还指出，在二进制分类器中，每个特征需要10个样本来支持。此外，最佳的模型可以很好地包含临床和基因的变量，这样就需要依赖更大的数据样本。未来获取影像和其他数据资源时要有意识地把质量和标准化作为要求，可以避免数据的损失，有效提高影像组学流程的处理效率。

5.分类和预测：分类和预测是影像组学方法最终要实现的结果。大数据分类主要通过利用不同特征的相关性对已有数据进行分类。首先将数据分为训练集和验证集，使用训练集建立描述预先定义的数据类或概念集的分类器。这一步也可以看作是通过训练样本学习一个映射或者函数，建立起相应的分类模型后就可以应用该模型对新数据进行分类。