医学nii图像 预处理——图像裁剪 重采样 灰度区域 归一化 修改图像尺寸

鄙人主要研究方向为医学图像配准，在使用CT数据集之前需要对数据进行预处理。
常规预处理步骤：(*代表本代码有)
1.裁剪出ROI区域。
目的：减小图像尺寸，减小内存消耗，减小无关信息，可提高实验精度
2.重采样。
一般会重采样到各向同性，例如，将图像重采样到每体素代表111mm实际体积
3.CT转HU，斜率，截距.[CT图像专有，本文代码没写这个]
*4.截取ROI灰度区域。
当处理的图像为肺部图像时，也称为截取肺窗，即肺所在灰度范围，常见肺窗[窗宽：900，窗位：-550]，宽肺窗[窗宽：1600，窗位：-600]
*5.归一化
目的：防止梯度防炸
6.resize图像尺寸。
由算法（有些算法要求输入图片尺寸统一，有些算法则需要保证原图）或电脑性能（显存小，只能缩小图片咯~）决定

直接上代码

import nibabel as nib
import numpy as np
import torchdef get_gray_range(image):'获取图像信息：最大最小值'image = np.reshape(image, (1, image.shape[0] * image.shape[1] * image.shape[2]))image_gray_list = image.tolist()[0]image_gray_list.sort()  # 默认升序排列灰度值point_num = len(image_gray_list)min_num = round(point_num * 0.05)max_num = round(point_num * 0.95)min_gray_value = image_gray_list[min_num]max_gray_value = image_gray_list[max_num - 1]return min_gray_value, max_gray_valuedef resampling_isotropic(data,voxel,spacing=[1, 1, 1]):"""利用上下采样原理，恢复到各向同性:param data: 输入图像:param spacing: 各向同行或异性，默认为1*1*1:return:"""# 获取图像信息：长宽高;height, weight, deepth = data.shape# 输出图的sizesize_X = int(height*voxel[0]/spacing[0])size_Y = int(weight*voxel[1]/spacing[1])size_Z = int(deepth*voxel[2]/spacing[2])# ndarray转torch;增加两维，目的是可以在"上下采样"中使用三线性插值法data = torch.tensor(data).unsqueeze(0).unsqueeze(0)# torch转.float32data = data.to(torch.float32)"""函数说明：torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None)input (Tensor) – the input tensorsize (int or Tuple[int] or Tuple[int, int] or Tuple[int, int, int]) – output spatial size.scale_factor (float or Tuple[float]) – 空间大小的乘数。如果scale_factor是一个tuple,它的长度必须匹配input.dim()。mode (str) – algorithm used for upsampling: nearest(Default), linear (3D-only), bilinear, bicubic (4D-only), trilinear (5D-only), areaalign_corners (bool, optional):几何上，我们把输入和输出的像素看作正方形而不是点。默认值:False如果设置为True，输入和输出张量将由它们的角像素中心点对齐，并保留角像素的值。如果设置为False，则输入和输出张量由它们的角像素的角点对齐，并且插值对边界外值使用边值填充，使得在scale_factor保持不变的情况下，该操作与输入大小无关。这只在mode is 'linear', 'bilinear', 'bicubic' or 'trilinear'时才有效果。recompute_scale_factor (bool, optional) :重新计算用于插值计算的scale_factor。如果为True，则必须传入scale_factor，并使用scale_factor计算输出大小。计算出的输出大小将用于为插值推断新的尺度。注意，当scale_factor是浮点数时，由于舍入和精度问题，它可能与重新计算的scale_factor不同。如果为False，那么size或scale_factor将直接用于插值。"""data = torch.nn.functional.interpolate(data,size=[size_X,size_Y,size_Z],mode='trilinear',align_corners=False)return data[0, 0, :, :, :]if __name__ == "__main__":"""预处理主程序需修改的参数：img_name：图片名称old_path：数据集旧路径new_path：数据集新路径"""img_path = old_path + img_name# 打开nii格式img = nib.load(img_path)img_data = np.asarray(img.dataobj)# 把仿射矩阵和头文件都存下来img_affine = img.affineimg_hdr = img.header# 获取图像信息：最大最小值img_min, img_max = get_gray_range(img_data)# 获取图像信息：长宽高;height, weight, deepth = img_data.shape# 获取图像信息：voxel spacing，voxel = [img_hdr['pixdim'][1]]voxel.append(img_hdr['pixdim'][2])voxel.append(img_hdr['pixdim'][3])# 1.裁剪出感兴趣ROI区域,自定义裁剪范围数据ROIrange_XYZ=[40,440,20,240,10,130] xmin=ROIrange_XYZ[0]xmax=ROIrange_XYZ[1]ymin=ROIrange_XYZ[2]ymax=ROIrange_XYZ[3]zmin=ROIrange_XYZ[4]zmax=ROIrange_XYZ[5]img_crop = img_data[xmin:xmax,ymin:ymax,zmin:zmax]# 2.重采样。可以恢复到各向同性[1,1,1]resample_spacing=[1,1,1]img_isotropic = resampling_isotropic(data=img_crop,voxel=voxel,spacing=resample_spacing)# 修改NIfTI affinesscaling_affine = np.diag([resample_spacing[0], resample_spacing[1], resample_spacing[2], 1])# 3.裁剪出肺窗TonalRange=[-1000,-100]clamp_min = TonalRange[0] if img_min <= TonalRange[0] else img_minclamp_max = TonalRange[1] if img_max >= TonalRange[1] else img_maxintrange = clamp_max - clamp_minimg_clamp = torch.clamp(img_isotropic,min=clamp_min,max=clamp_max)# 4 归一化处理,灰度范围-》[0,1]img_normalize = (img_clamp-clamp_min) / intrange# 5 保存为nii格式# NiBabel网址 https://nipy.org/nibabel/manual.htmlimg_new = nib.Nifti1Image(img_normalize, scaling_affine, img_hdr)img_new_path = new_path + img_namenib.save(img_new, img_new_path)

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！