首页 > 其他分享 >LiTS 数据集预处理(二) 肝脏肿瘤图像分割

LiTS 数据集预处理(二) 肝脏肿瘤图像分割

时间:2024-11-12 18:43:50浏览次数:3  
标签:掩膜 处理 标签 LiTS 区域 肝脏 肿瘤 预处理

继续上次要完成的目标:肝脏肿瘤分离

在上次的工作LiTS 数据集预处理(一) 肝脏肿瘤图像分割,我们对CT图像进行了切片处理,并生成了相应的标签(Label)。需要注意的是,CT图像和标签之间是一一对应的,数量自然也是相同的。

掩膜处理

在原本的代码中,有两行用于处理掩膜的代码被注释掉了:

# mask_array[mask_array == 1] = 0  
# mask_array[mask_array == 2] = 1

在我们的数据集中,标签的定义如下:

  • 正常肝脏区域的标签为 1
  • 肿瘤区域的标签为 2
  • 背景区域的标签为 0

如果取消这两行代码的注释,掩膜的处理将会如下:

  • 正常肝脏区域(值为1)将被设置为 0,因此在最终的掩膜中不再存在。
  • 肿瘤区域(值为2)将被设置为 1,因此在掩膜中只会保留肿瘤区域的信息。
  • 背景区域(值为0)将保持不变。

最终的掩膜数组将会是:

  • 正常肝脏区域:0
  • 肿瘤区域:1
  • 背景区域:0

这样处理后,掩膜中所有的正常肝脏区域都将被视为背景,而肿瘤区域将被标记为1。这种处理方式使得我们在后续的分割任务中能够专注于肿瘤区域。

保存处理后的数据

在处理完掩膜后,我们可以将处理后的CT图像和掩膜保存为 .npy 文件。

np.save(imagepath, ctImageArray)  # (448, 448, 3) np.float dtype('float64')
np.save(maskpath, maskImg)  # (448,448) dtype('uint8') 值为0 1 2

注意之前是包含所有肝脏的路径,需要给新的保存路径比如

outputImg_path = "F:\datesate\datasetnii\date-npy\\tumor_image"
outputMask_path = "F:\datesate\datasetnii\date-npy\\tumor_label"

在这里插入图片描述
注意个别几个病人是没有肿瘤的
给出对应编号

32 
34 
38 
41 
47 
87 
89 
91 
105 
106
114
115 

总结

通过以上步骤,我们成功地将肝脏和肿瘤区域进行了分离,并为后续的分析和模型训练做好了准备。接下来,我们可以利用这些处理后的数据进行肝脏肿瘤的分割任务。

标签:掩膜,处理,标签,LiTS,区域,肝脏,肿瘤,预处理
From: https://blog.csdn.net/qq_63860529/article/details/143719611

相关文章

  • LiTS 数据集预处理(一) 肝脏肿瘤图像分割
    前言最近在学习Unet等家族做肝脏肿瘤分割,肝脏肿瘤公开数据集有出名的(全球人都在研究的)LITS数据集,从网上下载下来的时候,格式是nii文件。因为我是学习的2D模型训练,所以我需要对nii格式文件进行切片,经过研究学习网上几份代码,发现其中还有有点讲究的,所以想写篇文章分享介绍一......
  • 【C Language Program】预处理指令
    学习目标:掌握C语言的预处理指令以及使用学习步骤:预处理指令的概括预处理指令的使用总结主要内容:预处理指令的概括含义指令导入模块#include宏定义#define#undef条件编译#if#else#elif#endif条件定义#ifdef#ifndef预处理指令的使用#include#include用于在......
  • 医学图像分割综述(肝脏等器官与肿瘤的分割)——组会必备
    制作了一个思维脑图,下面的MakeDown格式的,脑图会截图发在下面,也可以找我要源文件。医学图像分割综述参考论文MedicalImageSegmentationUsingDeepLearning:ASurveySubmittedon28Sep2020(v1),lastrevised22Dec2021(thisversion,v3)]对基于深度学习......
  • (21-3)基于深度强化学习的量化交易策略(OpenAI Baselines +FinRL+DRL+PyPortfolioOpt):数据
    21.6 数据预处理数据预处理是训练高质量机器学习模型的关键步骤,在这一步需要检查缺失数据并进行特征工程,以将数据转换为适合模型训练的状态。本项目的数据预处理江湾城以下工作:添加技术指标:在实际交易中,需要考虑各种信息,例如历史股价、当前持仓股票、技术指标等。本文演示......
  • LitServe 服务多worker启动简单说明
    LitServe是一个基于fastapi包装的快速推理api服务,以下只简单说明下关于server启动部分的处理参考使用我们可以通过配置devices以及每个device对应的worker数执行以那种模式进行server的启动(多线程还是多进程)参考使用if__name__=="__main__":#EnabletheOp......
  • 虚假新闻检测:CSV格式数据集的预处理与模型选择
    ✅作者简介:2022年博客新星第八。热爱国学的Java后端开发者,修心和技术同步精进。......
  • LitServe 快速部署类openai 接口服务
    以前简单说明过LitServe支持openai接口格式的服务api,以下是一个简单试用参考代码app.pyimportlitserveaslsclassSimpleLitAPI(ls.LitAPI):defsetup(self,device):self.model=Nonedefpredict(self,prompt):#`prompt`isalisto......
  • opencv保姆级讲解——图像预处理(3)
    图像滤波所为图像滤波通过滤波器得到另一个图像什么是滤波器在深度学习中,滤波器又称为卷积核,滤波的过程成为卷积卷积核概念卷积核大小,一般为奇数,如3*35*57*7为什么卷积核大小是奇数?原因是:保证锚点在中间,防止位置发生偏移的原因卷积核大小的影响在深度学习中,卷积......
  • 基于Open-CV的多四边形检测方案(一):图像预处理与霍夫变换
    目录一、设计目标二、工作流程三、图像预处理与霍夫变换一、设计目标对于一个含有多个相邻四边形的图片,可以定位出其中每一个四边形的顶点。典型的案例如一个围棋棋盘,可以定位出所有的格子的点。软件工具:Python==3.9opencv-python==4.10.0.84numpy==1.22.4二......
  • opencv 图像预处理(一) python笔记
    图像预处理​在计算机视觉和图像处理领域,图像预处理是一个重要的步骤,它能够提高后续处理(如特征提取、目标检测等)的准确性和效率。OpenCV提供了许多图像预处理的函数和方法,以下是一些常见的图像预处理操作:图像空间转换图像大小调整图像仿射变换图像翻转图像裁剪图像二值......