1.LUNA 2016 数据集详解

LUNA16数据集的由来
LUNA 2016 数据集来自2016年LUng Nodule Analysis比赛，这里是其官方网站。
LUNA16数据集是最大公用肺结节数据集LIDC-IDRI的子集，LIDC-IDRI它包括1018个低剂量的肺部CT影像。LIDC-IDRI删除了切片厚度大于3mm和肺结节小于3mm的CT影像，剩下的就是LUNA16数据集了。
其数据集的文件内容如下：

subset0.zip~subset9.zip 包含所有CT图像的10个zip文件，数据格式为“.mhd”,“.raw”
CSVFILES文件夹，包括3文件：annotations.csv，candidates.csv，sampleSubmission.csv
annotations.csv：1186个肺结节信息，字段有seriesuid,coordX,coordY,coordZ,diameter_mm
candidates.csv：一共551065条数据。其中，正例（class：1）：1351条，其余都是负例（class：0）
sampleSubmission.csv：正确格式的提交文件示例，我们不提交，暂时没用。

2.mdh数据格式详解

这里有一篇很好的文章，关于医疗影像的mhd和dcm格式图像的读取和坐标转换
每个病例的数据的存储都是由一个.mhd和一个.raw格式的文件组成。.mdh是说明文件，具体数据在.raw文件中，
mdh样例：

ObjectType = Image
NDims = 3          #三维数据
BinaryData = True              #二进制数据
BinaryDataByteOrderMSB = False
CompressedData = False
TransformMatrix = 1 0 0 0 1 0 0 0 1        #100,010,001 分别代表x,y,z
Offset = -195 -195 -378       #原点坐标
CenterOfRotation = 0 0 0
AnatomicalOrientation = RAI
ElementSpacing = 0.7617189884185791 0.7617189884185791 2.5     #像素间隔 x,y,z
DimSize = 512 512 141        #数据的大小 x,y,z
ElementType = MET_SHORT
ElementDataFile = 1.3.6.1.4.1.14519.5.2.1.6279.6001.173106154739244262091404659845.raw      #数据存储的文件名

3.python读取mdh的方法

mhd已经交代了图像数据的信息，接下来对图像数据进行读取，这里主要用的Python中的SimpleITK库

import SimpleITK as sitk
import matplotlib.pyplot as plt
case_path = './1.3.6.1.4.1.14519.5.2.1.6279.6001.126264578931778258890371755354.mhd'
itkimage = sitk.ReadImage(case_path)   #这部分给出了关于图像的信息,可以打印处理查看，这里就不在显示了
#print(itkimage)
image = sitk.GetArrayFromImage(itkimage)     #z,y,x
#查看第100张图像
plt.figure()
plt.imshow(image[100,:,:])

4.annotations.csv坐标转换

annotations.csv中提供了医生标注肺结节位置信息
seriesuid：表示每个病例图像对应的文件名
coordX，coordX，coordX，diameter_mm:表示医生标注的结节位置信息和直径

在使coordX用卷积网络对肺结节进行检测时，我们需要根据医生提供的标注信息，在图像中找到相应的肺结节位置，接下来说医生标注的坐标与图像中的坐标的关系。
mhd中给定了图像中的原点坐标为（-195 ，-195 ，-378） #x,y,z
像素间隔为（0.7617189884185791，0.7617189884185791，2.5） #x,y,z
通过以上信息可以计算结节相对原点的坐标，然后用这个坐标除以像素间隔，即为在图像中对应的结节位置
#世界坐标转换到图像中的坐标

def worldToVoxelCoord(worldCoord, origin, spacing):stretchedVoxelCoord = np.absolute(worldCoord - origin)voxelCoord = stretchedVoxelCoord / spacingreturn voxelCoord

#图像上的坐标转换为世界坐标

def VoxelToWorldCoord(voxelCoord, origin, spacing):strechedVocelCoord = voxelCoord * spacingworldCoord = strechedVocelCoord + originreturn worldCoord

5.LUNA16数据集肺结节显示

LUNA16数据集肺结节显示代码如下：

import SimpleITK as sitk
import matplotlib.pyplot as plt
import numpy as np
filename='data\\1.3.6.1.4.1.14519.5.2.1.6279.6001.173106154739244262091404659845.mhd'
itkimage = sitk.ReadImage(filename)#读取.mhd文件
OR=itkimage.GetOrigin()
print(OR)
SP=itkimage.GetSpacing()
print(SP)
numpyImage = sitk.GetArrayFromImage(itkimage)#获取数据，自动从同名的.raw文件读取def show_nodules(ct_scan, nodules,Origin,Spacing,radius=20, pad=2, max_show_num=4): # radius是正方形边长一半，pad是边的宽度,max_show_num最大展示数show_index = []for idx in range(nodules.shape[0]): # lable是一个nx4维的数组，n是肺结节数目，4代表x,y,z,以及直径if idx < max_show_num:if abs(nodules[idx, 0]) + abs(nodules[idx, 1]) + abs(nodules[idx, 2]) + abs(nodules[idx, 3]) == 0:continuex, y, z = int((nodules[idx, 0]-Origin[0])/SP[0]), int((nodules[idx, 1]-Origin[1])/SP[1]), int((nodules[idx, 2]-Origin[2])/SP[2])print(x, y, z)data = ct_scan[z]radius=int(nodules[idx, 3]/SP[0]/2)#pad = 2*radius# 注意 y代表纵轴，x代表横轴data[max(0, y - radius):min(data.shape[0], y + radius),max(0, x - radius - pad):max(0, x - radius)] = 3000 # 竖线data[max(0, y - radius):min(data.shape[0], y + radius),min(data.shape[1], x + radius):min(data.shape[1], x + radius + pad)] = 3000 # 竖线data[max(0, y - radius - pad):max(0, y - radius),max(0, x - radius):min(data.shape[1], x + radius)] = 3000 # 横线data[min(data.shape[0], y + radius):min(data.shape[0], y + radius + pad),max(0, x - radius):min(data.shape[1], x + radius)] = 3000 # 横线if z in show_index: # 检查是否有结节在同一张切片，如果有，只显示一张continueshow_index.append(z)plt.figure(idx)plt.imshow(data, cmap='gray')plt.show()b = np.array([[-116.2874457,21.16102581,-124.619925,10.88839157],[-111.1930507,-1.264504521,-138.6984478,17.39699158],[73.77454834,37.27831567,-118.3077904,8.648347161]])
show_nodules(numpyImage,b,OR,SP)

结果图像，三张图，其中一张如下：

全卷积神经网路【U-net项目实战】LUNA 2016 数据集详解相关推荐

全卷积神经网路【U-net项目实战】U-Net源码上实现自己数据集的分割任务
文章目录环境: 数据集准备: 主要代码: 接下来是训练,此处将训练和测试分开在两个.py文件中,好调用! 接下来就是愉快的测试了:main_test.py 测试结果部分展示:(裂缝检测) 问题 : ...
全卷积神经网路【U-net项目实战】语义分割之U-Net详解
文章目录 1.简介 2.U-net典型应用 3. U-net详解 4.参考文献 1.简介语义分割(Semantic Segmentation)是图像处理和机器视觉一个重要分支.与分类任务不同,语义分 ...
全卷积神经网路【U-net项目实战】Unet++
文章目录前言概述细节部分 1.一张结构图 & 解释: 2.loss:binary cross-entropy和dice coefficient两部分的组合.以下的loss应用到每一个不同 ...
全卷积神经网路【U-net项目实战】U-Net网络练习题： Kaggle - 2018 Data Science Bowl
因为Kaggle有该比赛,而且code写的很简单易懂,于是乎拿来玩一下. https://www.kaggle.com/keegil/keras-u-net-starter-lb-0-277?scri ...
全卷积神经网路【U-net项目实战】论文中U-Net网络实现
文章目录设计神经网络的一般步骤 Unet网络设计的步骤 Unet网络最重要的特征示例代码设计神经网络的一般步骤设计框架设计骨干网络 Unet网络设计的步骤设计Unet网络工厂模式设计编解 ...
全卷积神经网路【U-net项目实战】ISBI 挑战数据集图像分割-keras实现
文章目录 1.数据准备 2.程序准备 3.运行网络 4.测试结果 5.参考 1.数据准备原始数据:首先准备数据,参考数据来自于 ISBI 挑战的数据集.数据可以在(https://github.co ...
全卷积神经网路【U-net项目实战】肺结节分割案例分析：DSB3Tutorial
文章目录本文要分析的代码作者是jonrmulholland 数据集: 重要文件介绍: 第一步:运行LUNA_mask_extraction.py,生产images_#.npy,masks_#.npy ...
全卷积神经网路【U-net项目实战】U-net网络结构为什么在医学影像分割上表现不错
文章目录前言个人的理解: 1.医学图像边界模糊.梯度复杂,需要较多的高分辨率信息,深度学习可以做到这一点,比如上采样下采样以及skip connection和concatenation 2.待分割 ...
Go语言从入门到精通 -【web项目实战篇】- Json详解
本节核心内容介绍GoLang自带的json包的核心功能方法介绍如何利用Tag对Json结构体实现更多的控制介绍Json的编码器和解码器介绍如何解决复合结构体的数据读取问题介绍了开发中一些常见 ...

全卷积神经网路【U-net项目实战】LUNA 2016 数据集详解

文章目录