标签分离原因说明

最近在用Unet做肝脏肿瘤分割，手中得到的数据集有LITS数据集，从网上下载下来的时候，格式是nii文件，因为我用的是2D Unet，所以要先把nii文件转为png格式。获取到的标签里面，肝脏和肿瘤是在一块的，所以想着把肝脏和肿瘤的标签分离出来再单独进行训练和预测，于是就有了这篇文章。

简单原理说明

在标签中，肝脏被标记为1，肿瘤被标记为2，所以，在加载图像后，对每一个图像中的不为1的像素置为0，以此得到只包含肝脏的标签。同理，把不为2的其他像素置为0，以此得到只包含肿瘤的标签。

代码实现

import os
import cv2
from medpy.io import load,save
import numpy as npdef label_seg(nii_path,save_folder):data_nii_path = nii_path + '/data'label_nii_path = nii_path+'/label'file_list = os.listdir(label_nii_path)    #批量处理for nii_label in file_list:liver_tumor_label, header = load(os.path.join(label_nii_path, nii_label))   # 加载nii文件liver_tumor_data, header1 = load(os.path.join(data_nii_path, nii_label.replace('segmentation', 'volume')))   # 加载nii文件liver_tumor_data[liver_tumor_data > 250] = 250    #加窗处理，过滤掉过于的组织liver_tumor_data[liver_tumor_data < -250] = -250liver = np.zeros(liver_tumor_label.shape)  # 创建一个全为0的矩阵，形状与加载的nii文件大小一样tumor = np.zeros(liver_tumor_label.shape)index = np.where(liver_tumor_label == 1)   # 肝脏标签为1，返回索引位置liver[index] = 1    # 将得到的肝脏坐标在新的矩阵中置为1，得到只包含肝脏的标签index1 = np.where(liver_tumor_label == 2)  # 肿瘤标签为2，返回索引位置tumor[index1] = 1   # 将得到的肿瘤坐标在新的矩阵中置为1，得到只包含肿瘤的标签slice_num = liver_tumor_label.shape[2]     # 获取切片数量tumor_path = save_folder+'/tumor_label'     # 分离的标签设置保存路径liver_path = save_folder+'/liver_label'train_tumor_path = save_folder+'/train_tumor'     # 训练数据保存路径train_liver_path = save_folder+'/train_liver'if not os.path.exists(tumor_path):      # 判断文件目录是否存在，不存在则创建os.mkdir(tumor_path)if not os.path.exists(liver_path):os.mkdir(liver_path)if not os.path.exists(train_tumor_path):      # 判断文件目录是否存在，不存在则创建os.mkdir(train_tumor_path)if not os.path.exists(train_liver_path):os.mkdir(train_liver_path)img_name = os.path.split(nii_label)     # 分离文件名，用以保存时的文件名前缀img_name = img_name[-1]img_name = img_name.split('.')img_name = img_name[0]for i in range(0, slice_num):if liver[:, :, i].max() > 0:    # 肝脏标签图片label_liver = liver[:, :, i] * 122liver_train_data = (liver_tumor_data[:, :, i] - liver_tumor_data[:, :, i].min()) / (liver_tumor_data[:, :, i].max() - liver_tumor_data[:, :, i].min()) * 255print(cv2.imwrite("%s/%s-%d.png" % (liver_path, "liver-"+img_name, i), label_liver)) print(cv2.imwrite("%s/%s-%d.png" % (train_liver_path, img_name.replace('segmentation', 'volume'), i), liver_train_data))  #保持分割出来的标签与数据的序号对应，因为肿瘤的标签量比较少if tumor[:, :, i].max() > 0:    # 肿瘤标签图片label_tumor = tumor[:, :, i] * 122tumor_train_data = (liver_tumor_data[:, :, i] - liver_tumor_data[:, :, i].min()) / (liver_tumor_data[:, :, i].max() - liver_tumor_data[:, :, i].min()) * 255print(cv2.imwrite("%s/%s-%d.png" % (tumor_path, "tumor-"+img_name, i), label_tumor))print(cv2.imwrite("%s/%s-%d.png" % (train_tumor_path, img_name.replace('segmentation', 'volume'), i),tumor_train_data))  #保持分割出来的标签与数据的序号对应，因为肿瘤的标签量比较少# save(liver, os.path.join(save_folder,"liver.nii"))# save(tumor, os.path.join(save_folder, "tumor.nii"))if __name__ == "__main__":label_nii_path = r'nii 文件保存路径'save_path = 'png图像数据保存位置'label_seg(label_nii_path,save_path)

分离效果

结束语

本人水平有限，如有不当之处望请指正。

LITS 数据集肝脏和肿瘤标签分离相关推荐

R语言图形用户界面数据挖掘包Rattle：加载UCI糖尿病数据集、并启动Rattle图形用户界面、数据集变量重命名，为数据集结果变量添加标签、数据划分（训练集、测试集、验证集）、随机数设置
R语言图形用户界面数据挖掘包Rattle:加载UCI糖尿病数据集.并启动Rattle图形用户界面.数据集变量重命名,为数据集结果变量添加标签.数据划分(训练集.测试集.验证集).随机数设置目录
AI 模型性能上不去？这真的不怪我，ImageNet 等数据集每 100 个标签就错 3 个！...
标签错误会破坏基准的稳定性,然而,令人没想到的是,大多数机器学习中使用的10个主流基准测试集普遍存在标签错误.比如,把"狮子"标记成"猴子",把"青蛙 ...
电气仪表、电表检测、表计检测图像数据集（含VOC标签，3000多张图像，网盘下载链接）
数据集图像示例: 下载地址:电气仪表.电表检测.表计检测图像数据集(含VOC标签,3000多张图像)
输电线路杆塔、导线分割图像数据集（含分割标签，1242张图像），输电线路巡检图像数据
图像数据集概况: 分割标签: 下载地址:输电线路杆塔.导线分割图像数据集
LITS数据集总切片和单张Nii切片数目统计
文章目录 LITS数据集切片统计简单原理说明代码实现运行结果总结 LITS数据集切片统计我的数据集长这样,手中得到的数据集有LITS数据集,从网上下载下来的时候,格式是nii文件,因为我用的 ...
【Python】SimpleITK 针对于 LiTS 数据集，获取最大肝脏面积的切片
效果图文章目录 1. window_transform 2. extract_max_slice 3. extract_max_slice_with_seg 1. window_transform ...
Tensorflow生成自己的图片数据集TFrecords(支持多标签label)
Tensorflow生成自己的图片数据集TFrecords 尊重原创,转载请注明出处:https://blog.csdn.net/guyuealian/article/details/80857228 ...
【学习笔记】使用Tensorflow版ENet训练自己的数据集labelme生成灰度标签图片问题
使用的代码:kwotsin所写的Tensorflow版,180星记录一下训练的过程,方便以后翻阅. 首先是数据集的准备,数据集的文件夹结构为: ├── test ├── testannot ├── ...
根据文件夹中的图片数据集生成.txt文件标签
文章目录前言数据集格式 Python实现注意事项前言深度学习中的与图片有关的任务,如图像识别,图像分类,目标检测,图像分割等,在准备图片数据集时,图片的序号和标签往往是由.txt文件获取的. ...

LITS 数据集肝脏和肿瘤标签分离

LITS 数据集标签分离

标签分离原因说明

简单原理说明

代码实现

分离效果

结束语

LITS 数据集肝脏和肿瘤标签分离相关推荐

最新文章

热门文章

LITS 数据集 肝脏和肿瘤标签分离

LITS 数据集 标签分离

标签分离原因说明

简单原理说明

代码实现

分离效果

结束语

LITS 数据集 肝脏和肿瘤标签分离相关推荐

最新文章

热门文章

LITS 数据集肝脏和肿瘤标签分离

LITS 数据集标签分离

LITS 数据集肝脏和肿瘤标签分离相关推荐