基于深度学习的CT图像肺结节自动检测技术三

开发环境 jupyter notebook/pycharm

# 肺有效区域提取
import SimpleITK
from scipy import ndimage as ndi
from skimage.segmentation import clear_border
from skimage.measure import label, regionprops
from skimage.morphology import disk, dilation, binary_erosion, binary_closing
from skimage.filters import roberts, sobel
import cv2def get_pixels_hu_by_simpleitk(dicom_dir):'''读取某文件夹内的所有dicom文件,并提取像素值(-4000 ~ 4000):param src_dir: dicom文件夹路径:return: image array'''reader = SimpleITK.ImageSeriesReader()dicom_names = reader.GetGDCMSeriesFileNames(dicom_dir)reader.SetFileNames(dicom_names)image = reader.Execute()img_array = SimpleITK.GetArrayFromImage(image)img_array[img_array == -2000] = 0return img_arraydef normalize_hu(image):'''将输入图像的像素值(-4000 ~ 4000)归一化到0~1之间:param image 输入的图像数组:return: 归一化处理后的图像数组'''MIN_BOUND = -1000.0MAX_BOUND = 400.0image = (image - MIN_BOUND) / (MAX_BOUND - MIN_BOUND)image[image > 1] = 1.image[image < 0] = 0.return imagedef get_segmented_lungs(im):'''对输入的图像进行肺部区域分割，提取有效的肺部区域，用于模型训练:param 输入的图像:return: 返回分割结果'''binary = im < -400                      # Step 1: 转换为二值化图像cleared = clear_border(binary)          # Step 2: 清除图像边界的小块区域label_image = label(cleared)            # Step 3: 分割图像areas = [r.area for r in regionprops(label_image)]  # Step 4: 保留2个最大的连通区域areas.sort()if len(areas) > 2:for region in regionprops(label_image):if region.area < areas[-2]:for coordinates in region.coords:label_image[coordinates[0], coordinates[1]] = 0binary = label_image > 0selem = disk(2)                         # Step 5: 图像腐蚀操作,将结节与血管剥离binary = binary_erosion(binary, selem)selem = disk(10)                        # Step 6: 图像闭环操作,保留贴近肺壁的结节binary = binary_closing(binary, selem)edges = roberts(binary)                 # Step 7: 进一步将肺区残余小孔区域填充binary = ndi.binary_fill_holes(edges)get_high_vals = binary == 0             # Step 8: 将二值化图像叠加到输入图像上im[get_high_vals] = -2000print('lung segmentation complete.')return im, binaryif __name__ == '__main__':dicom_dir = './data/dicom_demo/'# 提取dicom文件中的像素值image = get_pixels_hu_by_simpleitk(dicom_dir)      #图片像素提取im, binary = get_segmented_lungs(image[133])       #肺部区域分割org_img = normalize_hu(image[133])                 #【0,1】归一化cv2.imwrite('./temp_dir/chapter3_segmentation_im.png', org_img*255)cv2.imwrite('./temp_dir/chapter3_segmentation_binary.png', binary*255)

基于深度学习的CT图像肺结节自动检测技术三—肺有效区域提取相关推荐

基于深度学习的CT图像肺结节自动检测（系列放在一起）
PS 为了方便查找,将SongpingWang的肺结节系列博客放在一起.(刚好公司要我开始接手这一块)感谢大神具体链接: 0 :https://blog.csdn.net/wsp_113888611 ...
目标检测YOLO实战应用案例100讲-基于深度学习的航拍图像YOLOv5目标检测研究及应用(论文篇)
目录基于深度学习的航拍图像目标检测研究航拍图像目标检测评价指标与数据集
无人驾驶汽车系统入门（二十六）——基于深度学习的实时激光雷达点云目标检测及ROS实现
无人驾驶汽车系统入门(二十六)--基于深度学习的实时激光雷达点云目标检测及ROS实现在前两篇文章中,我们使用PCL实现了在点云中对地面的过滤和点云的分割聚类,通常来说,在这两步以后我们将对分割出来的 ...
高精度肺结节自动检测方案 | 算法解析
随着经济的发展,以及人口老龄化.环境污染的加剧,肺癌已经成为全球发病率和死亡率最高的癌症之一[1]. 肺癌没有明显的早期症状.虽然肺癌的早期切除可以有效提高患者的生存率,但多数自然就诊的患者发现肺癌时 ...
基于深度学习的自然图像和医学图像分割：网络结构设计
来源:知乎.极市平台.深度学习爱好者作者丨李慕清@知乎 https://zhuanlan.zhihu.com/p/104854615 本文约5100字,建议阅读10分钟本文首先介绍一些经典的语义分割 ...
基于深度学习的2D图像目标检测
参见第一部分网址1,第二部分网址2 目前学术和工业界出现的目标检测算法分成3类:(参见一文读懂目标检测:R-CNN.Fast R-CNN.Faster R-CNN.YOLO.SSD) 1. 传统的目标 ...
基于深度学习的指针式仪表图像智能读数方法
针对传统图像处理的仪表识别方法鲁棒性较差,难以满足复杂环境下的指针式仪表图像读数,而深度学习的方法通过样本的训练能够适应更多的复杂场景,越来越多的仪表读数解决方案更偏向于使用深度学习的方法.而现在的基 ...
无人驾驶汽车系统入门：基于深度学习的实时激光雷达点云目标检测及ROS实现...
参加 2018 AI开发者大会,请点击 ↑↑↑ 作者:申泽邦(Adam Shan),兰州大学在读硕士研究生,主要研究方向无人驾驶,深度学习:兰大未来计算研究院无人车团队负责人,自动驾驶全栈工程师. 近 ...
基于深度学习的高精地图的自动生成与标注
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达文章:Automatic Building and Labeling of HD Maps with ...

基于深度学习的CT图像肺结节自动检测技术三—肺有效区域提取

基于深度学习的CT图像肺结节自动检测技术三—肺有效区域提取相关推荐

最新文章

热门文章