Supongamos que el tamaño de los datos 3D leídos es (75, 512,512) y el espaciado es (0,703125, 0,703125, 5,0) (x, y, z). Necesitamos ajustar el espaciado del eje z a 1 mm , por lo que necesitamos para calcular primero el tamaño de los datos 3D reales: (75*5, 512*0,703125, 512*0,706125) = (375, 360, 360) mm El espaciado de los ejes x, y y z se ajusta a 1 mm, que es, el tamaño de datos 3D actual = (375 / 1, 360 / 1, 360 / 1) = (375, 360, 360) En otras palabras, el espaciado es (0.703125, 0.703125, 5.0) y el tamaño de datos 3D leídos es (75, 512,512). Cuando el espaciado es (1, 1, 1), lea El tamaño de los datos 3D es (375, 360, 360) y el tamaño de los datos 3D reales permanece sin cambios, que es (375, 360 , 360) mm Si reducimos la resolución de los datos 3D leídos, por ejemplo, después de la reducción de resolución El tamaño es (375, 256, 256) , entonces el espaciado debe ser (375 / 375, 360 / 256, 360 / 256) a (1.40625 , 1.40625, 1) Lo anterior está en el nivel de cálculo, y no tenemos nivel de código. Es muy engorroso: remuestreamos y remuestreamos los datos 3D, y solo necesitamos una oración para completarlo. Supongamos que el tamaño (no el tamaño real) de la imagen de entrada ct es (75, 512, 512), y el espaciado es (0.703125, 0.703125, 5.0) que necesita que desea Ajuste el espaciado del eje z a 1 mm y reduzca la resolución de la imagen a 256 * 256 Necesita, 1. Obtenga el espaciado de ct, ÷ el espaciado que desee, ct.GetSpaing()[-1] / 1 2. Obtenga la tasa de reducción de muestreo, down_scale = 512 / 256 ejecute ct_array = ndimage.zoom(ct_array, (ct.GetSpaing ()[-1] / 1, down_scale, down_scale)) ejecute el tamaño de la oración anterior se convertirá en (75 * 5 / 1, 256, 256) = (375, 256, 256) en este momento el tamaño es el que desea Sí , y el espaciado del eje z se ha convertido en 1 mm, el espaciado es (375/375, 360/256,360/256) = (1,40625, 1,40625, 1) A continuación, realizará otras operaciones de preprocesamiento en la imagen, como cortar , etc. Espera a new_ct_array = slice (ct_array) new_ct = sitk.GetArrayFromImage(new_ct_array) Ejecuta sitk.GetArrayFromImage, tu espaciado será predeterminado a (1,1,1) (no sé por qué todavía), por lo que el agotamiento de new_ct debe establecerse en ( 1.40625, 1.40625, 1) new_ct.SetSpacing((1.40625, 1.40625, 1))
Esto completa el preprocesamiento
El código de preprocesamiento del desafío lits se adjunta a continuación para ayudar a comprender
"""
获取可用于训练网络的训练数据集
需要四十分钟左右,产生的训练数据大小3G左右
"""
import os
import sys
sys.path.append(os.path.split(sys.path[0])[0])
import shutil
from time import time
import numpy as np
from tqdm import tqdm
import SimpleITK as sitk
import scipy.ndimage as ndimage
import lits_para as para
if os.path.exists(para.training_set_path):
shutil.rmtree(para.training_set_path)
new_ct_path = os.path.join(para.training_set_path, 'imgae')
new_seg_dir = os.path.join(para.training_set_path, 'label')
# os.mkdir(para.training_set_path)
# os.mkdir(new_ct_path)
# os.mkdir(new_seg_dir)
start = time()
os.listdir()
patients = os.listdir(para.train_ct_path)
patients.sort(key=lambda x:int(x.split('.')[0].split('-')[-1]))
for i in tqdm(range(len(patients))):
# 将CT和金标准入读内存
ct = sitk.ReadImage(os.path.join(para.train_ct_path, patients[i]), sitk.sitkInt16)
ct_array = sitk.GetArrayFromImage(ct)
seg = sitk.ReadImage(os.path.join(para.train_seg_path, patients[i].replace('volume', 'segmentation')), sitk.sitkUInt8)
seg_array = sitk.GetArrayFromImage(seg)
# 将金标准中肝脏和肝肿瘤的标签融合为一个
seg_array[seg_array > 0] = 1
# 将灰度值在阈值之外的截断掉
# print(ct_array.max())
# print(ct_array.min())
# ct_array[ct_array > para.upper] = para.upper
# ct_array[ct_array < para.lower] = para.lower
# 对CT数据在横断面上进行降采样,并进行重采样,将所有数据的z轴的spacing调整到1mm
print(ct.GetSpacing())
# ct(0.703125, 0.703125, 5.0)
print(ct.GetSpacing()[-1] / para.slice_thickness, para.down_scale, para.down_scale)
# 5.0 0.5 0.5
ct_array = ndimage.zoom(ct_array, (ct.GetSpacing()[-1] / para.slice_thickness, para.down_scale, para.down_scale), order=3)
seg_array = ndimage.zoom(seg_array, (ct.GetSpacing()[-1] / para.slice_thickness, para.down_scale, para.down_scale), order=0)
# ct_array size从(75,512,512)->(375,256,256)
# 其他操作
# 找到肝脏区域开始和结束的slice,并各向外扩张slice
z = np.any(seg_array, axis=(1, 2))
start_slice, end_slice = np.where(z)[0][[0, -1]]
# 两个方向上各扩张slice
start_slice = max(0, start_slice - para.expand_slice)
end_slice = min(seg_array.shape[0] - 1, end_slice + para.expand_slice)
# 如果这时候剩下的slice数量不足size,直接放弃该数据,这样的数据很少,所以不用担心
if end_slice - start_slice + 1 < para.size:
print('!!!!!!!!!!!!!!!!')
print(patients[i], 'have too little slice', ct_array.shape[0])
print('!!!!!!!!!!!!!!!!')
continue
ct_array = ct_array[start_slice:end_slice + 1, :, :]
seg_array = seg_array[start_slice:end_slice + 1, :, :]
# 最终将数据保存为nii.gz
new_ct = sitk.GetImageFromArray(ct_array)
new_ct.SetDirection(ct.GetDirection())
new_ct.SetOrigin(ct.GetOrigin())
print((ct.GetSpacing()[0] * int(1 / para.down_scale), ct.GetSpacing()[1] * int(1 / para.down_scale), para.slice_thickness))
# (1.40625, 1.40625, 1)
# 最后调整好spacing
new_ct.SetSpacing((ct.GetSpacing()[0] * int(1 / para.down_scale), ct.GetSpacing()[1] * int(1 / para.down_scale), para.slice_thickness))
new_seg = sitk.GetImageFromArray(seg_array)
new_seg.SetDirection(ct.GetDirection())
new_seg.SetOrigin(ct.GetOrigin())
new_seg.SetSpacing((ct.GetSpacing()[0], ct.GetSpacing()[1], para.slice_thickness))
sitk.WriteImage(new_ct, os.path.join(new_ct_path, 'volume-' + str(i) + '.nii.gz'))
sitk.WriteImage(new_seg, os.path.join(new_seg_dir, 'segmentation-' + str(i) + '.nii.gz'))