醫學影像預處理之裁減

TomYoung發表於2021-06-26

背景

在資料集訓練之前，為了減小資料計算的工作量，提高訓練的速度，通常會針對感興趣的特徵部分進行原圖片的裁減，這樣每張圖片既保留了待提取的特徵集，又縮小了整體的尺寸，可有效縮短模型訓練耗費的時間。

理解三維影像

DICOM座標系是相對於病人的方向來確定的，如下圖所示：

三檢視三個截面，分別稱為軸狀位（Transverse/Axisplane）、冠狀位（Coronal/Frontal plane）和矢狀位（Sagittal plane），如下圖所示：

裁減原理

我們把一個影像檔案讀到一個三維陣列，shape為（x，y，z），分別沿著x、y和z三個座標軸方向滑動讀取每一個slice中的影像資料，從而獲取期望的特徵邊界。沿X軸方向滑動得到的每一個切面為圖二所示的失狀位，同理，沿y軸滑動得到的每一個切面為圖二所示的冠狀位，沿z軸滑動得到的每一個切面為圖二所示的軸狀位。以沿x軸滑動為例，對應在讀圖軟體上，就是在矢狀位檢視滾動滑鼠的效果，這個檢視中滾動的每一張切片就是沿X軸滑動得到的，此外，可以看到在另外兩個檢視中有一個豎線在沿X軸左右滑動，如下圖，其它檢視同理。

為了方便對照和理解，我把三檢視與軸狀位、冠狀位和矢狀位一一對應起來，如下圖：

理解了這些之後也就理解了裁減的原理和方法，還是以沿X軸滑動為例，先沿X軸正向滑動，遍歷每個slice，獲取特徵的邊界對應的Xmin值，然後再沿X軸反向滑動，遍歷每個slice，獲取特徵的邊界對應的Xmax值，這樣我們就獲取了Xmin:Xmax之間的部分，同理我們可以獲取Ymin:Ymax和Zmin:Zmax。

程式碼實現

# 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'))

裁減效果

裁減前：shape為(512, 512, 231)

裁減後：shape為(308, 98, 112)

相關文章