LiTS 数据集预处理（二） 肝脏肿瘤图像分割

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"

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。