大佬教程收集整理的这篇文章主要介绍了医学影像预处理之裁减,大佬教程大佬觉得挺不错的,现在分享给大家,也给大家做个参考。
在数据集训练之前,为了减小数据计算的工作量,提高训练的速度,通常会针对感兴趣的特征部分进行原图片的裁减,这样每张图片既保留了待提取的特征集,又缩小了整体的尺寸,可有效缩短模型训练耗费的时间。
DicOM坐标系是相对于病人的方向来确定的,如下图所示:
三视图三个截面,分别称为轴状位(Transverse/Axisplane)、冠状位(Coronal/Frontal plane)和矢状位(Sagittal plane),如下图所示:
我们把一个影像文件读到一个三维数组,shape为(x,y,z),分别沿着x、y和z三个坐标轴方向滑动读取每一个slice中的图像数据,从而获取期望的特征边界。沿X轴方向滑动得到的每一个切面为图二所示的失状位,同理,沿y轴滑动得到的每一个切面为图二所示的冠状位,沿z轴滑动得到的每一个切面为图二所示的轴状位。以沿x轴滑动为例,对应在读图软件上,就是在矢状位视图滚动鼠标的效果,这个视图中滚动的每一张切片就是沿X轴滑动得到的,此外,可以看到在另外两个视图中有一个竖线在沿X轴左右滑动,如下图,其它视图同理。
为了方便对照和理解,我把三视图与轴状位、冠状位和矢状位一一对应起来,如下图:
理解了这些之后也就理解了裁减的原理和方法,还是以沿X轴滑动为例,先沿X轴正向滑动,遍历每个slice,获取特征的边界对应的Xmin值,然后再沿X轴反向滑动,遍历每个slice,获取特征的边界对应的Xmax值,这样我们就获取了Xmin:Xmax之间的部分,同理我们可以获取ymin:ymax和Zmin:Zmax。
# encoding = utf-8
import nibabel as nib
import numpy as np
import os
DST_PATH = "filled with your data path"
def geT_Boundary(volumE):
for i in range(volume.shape[0]):
if np.max(volume[i]) != 0:
volume_Xmin = i
break
for i in range(volume.shape[0])[::-1]:
if np.max(volume[i]) != 0:
volume_Xmax = i
break
for i in range(volume.shape[1]):
if np.max(volume[:, i, :]) != 0:
volume_ymin = i
break
for i in range(volume.shape[1])[::-1]:
if np.max(volume[:, i, :]) != 0:
volume_ymax = i
break
for i in range(volume.shape[2]):
if np.max(volume[:, :, i]) != 0:
volume_Zmin = i
break
for i in range(volume.shape[2])[::-1]:
if np.max(volume[:, :, i]) != 0:
volume_Zmax = i
break
return (volume_Xmin, volume_Xmax,volume_ymin,volume_ymax,volume_Zmin,volume_ZmaX)
if __name__ == "__main__":
if not os.path.exists(DST_PATH):
os.mkdir(DST_PATH)
img_data = nib.load("./Zhangsan_Arterial_Data.nii.gz")
img_label = nib.load("./Zhangsan_Arterial_Label.nii.gz")
img_data_npy = img_data.get_fdata()
img_label_npy = img_label.get_fdata()
print("=======origin shape=======")
print(img_data_npy.shapE)
volume_Xmin, volume_Xmax,volume_ymin,volume_ymax,volume_Zmin,volume_Zmax = geT_Boundary(img_label_npy)
data_clip = img_data_npY[volume_Xmin:volume_Xmax, volume_ymin:volume_ymax, volume_Zmin:volume_Zmax]
label_clip = img_label_npY[volume_Xmin:volume_Xmax, volume_ymin:volume_ymax, volume_Zmin:volume_Zmax]
print("=======clip shape=========")
print(data_clip.shapE)
nib.save(nib.Nifti1Image(data_clip.astype('int16'), affine=img_data.affinE), os.path.join(DST_PATH, 'Clip_Data.nii.gz'))
nib.save(nib.Nifti1Image(label_clip.astype('uint8'), affine=img_label.affinE), os.path.join(DST_PATH, 'Clip_Label.nii.gz'))
裁减前:shape为(512, 512, 231)
裁减后:shape为(308, 98, 112)
以上是大佬教程为你收集整理的医学影像预处理之裁减全部内容,希望文章能够帮你解决医学影像预处理之裁减所遇到的程序开发问题。
如果觉得大佬教程网站内容还不错,欢迎将大佬教程推荐给程序员好友。
本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ:384754419,请注明来意。