RSNA 2023 腹部创伤检测 分割数据集预处理部分

腹部创伤检测数据集简介

该数据集共有460G大小，目录如下：

segmentation

官方提供的一些患者的器官分割标签，其中的id是系列id。为了方便，下载别人制作的分割数据集。

每个分割标签用”患者id_系列id“分开，里面是.nii(NIFTI)文件。

我们只需要左上角的切片，因为模型的输入只有这个角度的。我们去该患者id的系列id原数据集下即可看到相应的CT文件夹。

由于nii文件有多个方向的切片，而我们只要x方向的，所以通过SimpleITK库进行切片处理，得到z方向的png图片。

处理分割标签nii文件为png图片

import numpy as np
import os
import imageio
import nibabel as nib
import SimpleITK as sitk
import pydicom
if __name__ == '__main__':
    filepath = 'segregate_data/'
    filename = os.listdir(filepath)
    slice_trans = []
    for f in filename:
        img_path = os.path.join(filepath, f)
        img = nib.load(img_path)
        #加载nii文件的相关信息
        img_data = sitk.ReadImage(img_path)
        #读取nii文件为Image格式
        img_fdata = sitk.GetArrayFromImage(img_data)
        #将Image文件转化为np矩阵，size为（）
        fname = f.replace('.nii', "")
        #nii文件名去除后缀即新建文件夹的名字
        imgfile = "./segregate_data_png"
        img_f_path = os.path.join(imgfile, fname)
        os.mkdir(img_f_path)
        #建立同名文件夹

        (x, y, z) = img.shape
        print(z)
        #nii文件会有xyz三轴，这里主要取z轴切片
        for i in range(z):
            silce = img_fdata[i, :, :]
            #读取该轴切片
            imageio.imwrite(os.path.join(img_f_path, '{}.png'.format(i + 1)), silce)
            #写入该同名文件夹下

上述代码，将分割数据集下的每一个nii文件转为一整个文件夹下的png图片。图片上不同像素值对应着不同的器官，后续更新会解析相应的像素值对应何种器官。

注：有些分割标签图像看起来黑乎乎一片什么都没有，但其实只是标签很暗，可以通过拉高曝光，对比度等方式来查看。

读取每个dcm为张量作为分割网络的输入

png图像是8位图像，而dcm图像是12位图像。

png取值范围是0-255，dcm是0-4096。如果强行将dcm转化为png，则会有很大信息损失。如果后续需要进行多种图像增强的手段进行处理，不如不进行转化，直接读取一整个12位图像。

下图是读取一个dcm图像为矩阵，并以图像形式输出。

下图是该dcm图像以专业CT软件查看的结果，会发现细节和亮度都有很大差别，上图明显更加模糊，不利于网络进行器官区域分割。如果直接读取dcm为矩阵，这样每一个元素都是无损失地存储在矩阵中，最后对每一个元素除以4096来归一化，从而得到一个2d的tensor作为分割网络的输入。