【ACDC数据集】：预处理ACDC心脏3D MRI影像数据集到VOC数据集格式，nii转为jpg，label转为png

news2024/11/17 17:52:10

【Segment Anything Model】做分割的专栏链接，欢迎来学习。
【博主微信】cvxiaoyixiao
本专栏为公开数据集的预处理，持续更新中。

文章目录

  • 1️⃣ ACDC数据集介绍
  • 2️⃣ ACDC数据集样例
  • 3️⃣ 预处理ACDC目标
  • 4️⃣ 处理结果样图
  • 5️⃣ 代码
  • 6️⃣ 划分测试集和训练集

1️⃣ ACDC数据集介绍

他是一个多类别的心脏3D MRI影像数据集`，2017年ACDC挑战赛（Automated Cardiac Diagnosis
Challenge）。

原数据集获取，网盘永久有效：
链接：https://pan.baidu.com/s/1F4Xq1crtUSmFcSKxwO4Eaw?pwd=ejfa 提取码：ejfa
–来自百度网盘超级会员V6的分享

2️⃣ ACDC数据集样例

首先夸夸👍 ，ACDC数据集存放格式非常规律👍 ，数据质量非常高👍 清晰了分为3类别。
在这里插入图片描述
training里有100例患者，testing里有50例患者。每个nii的切片个数不同根据勾画的肿瘤。
在这里插入图片描述

Info是媒体信息
patient001_4d.nii.gz是全部的切片，我也不知道从医学上怎么描述，就是这个患者的立体影像，包括没有肿瘤的部分
patient001_frame01.nii.gz是一个时期nii影响的压缩包
patient001_frame01_gt.nii.gz对应patient001_frame01.nii.gz的肿瘤勾画的label的压缩包。用四种像素对应了四个类别包括背景。
patient001_frame12.nii.gz是统一患者另一时期的影像
patient001_frame12_gt.nii.gz是对应的label

总之每个患者都有一个整体影像，还有两个不同成像和对应label。以下是打开之后的影像图。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3️⃣ 预处理ACDC目标

目标：处理ACDC的nii.gz数据集到VOC格式的2d的png图片
VOC格式 这篇文章有讲直达
在这里插入图片描述

例如：将patient001_frame01.nii.gz处理成几张png作为网络image的输入。将patient001_frame01_gt.nii.gz处理成几张png作为label。只处理了training的100例患者，把training当成了整个集合划分了训练测试。并且只关心了frame01第一阶段，第二个阶段的未关心。只关心了留下的部分。够了。
在这里插入图片描述

4️⃣ 处理结果样图

处理结果样图:
img转为jpg label转为png 并且像素为0-3. 0代表背景，1-3代表分类。label图像素太小，这里看不出来，可以看第三张数组图
在这里插入图片描述在这里插入图片描述
在这里插入图片描述

5️⃣ 代码

事先准备好VOC文件夹在这里插入图片描述

"""
处理官网下载的ACDC到网络要求的VOC格式，按需调用
author: cvxiayixiao
Wechat: cvxiayixiao
"""
import os
from os.path import join
import nibabel as nib
import gzip
import shutil
import matplotlib.pyplot as plt
import numpy as np

ori_ACDC_train_path = './ACDC_challenge_20170617/training'


def niigz2nii():
    """
    解压每个患者的01阶段的nii.gz 和 gt.nii.gz 到输入文件夹"ACDC_nii"
    """

    input_path = ori_ACDC_train_path
    # 处理image
    # target='frame01.nii'
    # output_path = 'ACDC_nii/images'

    # 处理gt
    target = 'frame01_gt.nii'
    output_path = 'ACDC_nii/labels'

    for patient in os.listdir(input_path):
        # ACDC_challenge_20170617/training/patient001
        patient_path = join(input_path, patient)
        for niigz in os.listdir(patient_path):
            if target in niigz:
                niigzpath = join(patient_path, niigz)
                new_nii_path = join(output_path, niigz)
                shutil.copy(niigzpath, new_nii_path)


# niigz2nii()
def convert_nii_to_jpg():
    '''
    将ACDC_nii/images中的nii转到VOCjpg中
    :return:
    '''
    image_num = 0
    nii_path = "./ACDC_nii/images"
    output_dir = "./VOCdevkit/VOC2007/JPEGImages"
    for patient in os.listdir(nii_path):
        patient_path = join(nii_path, patient)
        for one in os.listdir(patient_path):
            one_patient_nii_path = join(patient_path, one)
            # 加载 .nii 文件
            nii_img = nib.load(one_patient_nii_path)
            data = nii_img.get_fdata()
            # 遍历数据的每个切片，并保存为 .png 文件
            for i in range(data.shape[2]):
                image_num += 1
                # 获取当前切片数据
                slice_data = data[:, :, i]
                # 创建输出文件路径
                num = f"{image_num}".zfill(6)
                output_path = os.path.join(output_dir, f'{patient}_{num}.jpg')
                # 以灰度图像格式保存切片数据为 .png 文件
                plt.imsave(output_path, slice_data, cmap='gray')


# convert_nii_to_jpg()

def convert_nii_to_png():
    '''
    将ACDC_nii/labels中的nii转到ACDC_nii/tmp_png_label中
    此时的像素是原label 中的像素，不是网络中的分类像素，还需要一部转换
    :return:
    '''
    image_num = 0
    nii_path = "./ACDC_nii/labels"
    output_dir = "./tmp"
    for patient in os.listdir(nii_path):
        patient_path = join(nii_path, patient)
        for one in os.listdir(patient_path):
            one_patient_nii_path = join(patient_path, one)
            # 加载 .nii 文件
            nii_img = nib.load(one_patient_nii_path)
            data = nii_img.get_fdata()
            # 遍历数据的每个切片，并保存为 .png 文件
            for i in range(data.shape[2]):
                image_num += 1
                # 获取当前切片数据
                slice_data = data[:, :, i]
                # 创建输出文件路径
                num = f"{image_num}".zfill(6)
                output_path = os.path.join(output_dir, f'{patient}_{num}.png')
                # 以灰度图像格式保存切片数据为 .png 文件
                plt.imsave(output_path, slice_data, cmap='gray')

from PIL import Image


def turnto255():
    from PIL import Image
    from PIL import Image
    for i in os.listdir("tmp"):
        output_path = os.path.join("./tmp1", i)
        png_path = join("tmp", i)
        # 读取图像
        image = plt.imread(png_path)

        # 取三个通道的平均值
        im_gray = np.mean(image, axis=2)
        im_gray = Image.fromarray((im_gray * 255).astype(np.uint8)).convert("L")
        # 保存输出图像
        im_gray.save(output_path)


def rename():
    """
    处理好的VOC2007 train和test名称不同，名称不对应不能训练
    转为对应的，之前的留作副本可以对应原图
    :return:
    """
    root = "VOCdevkit/VOC2007/SegmentationClass"
    for i in os.listdir(root):
        img_old_path = join(root, i)
        new_png_path = join(root, i[-10:])
        shutil.copy(img_old_path, new_png_path)


# rename()

def convert_Class():
Origin_SegmentationClass_path = "./tmp1"
Out_SegmentationClass_path = "./VOCdevkit/VOC2007/SegmentationClass"

# -----------------------------------------------------------------------------------#
#   Origin_Point_Value  原始标签对应的像素点值
#   Out_Point_Value     输出标签对应的像素点值
#                       Origin_Point_Value需要与Out_Point_Value一一对应。
#   举例如下，当：
#   Origin_Point_Value = np.array([0, 255])；Out_Point_Value = np.array([0, 1])
#   代表将原始标签中值为0的像素点，调整为0，将原始标签中值为255的像素点，调整为1。
#
#   示例中仅调整了两个像素点值，实际上可以更多个，如：
#   Origin_Point_Value = np.array([0, 128, 255])；Out_Point_Value = np.array([0, 1, 2])
#
#   也可以是数组（当标签值为RGB像素点时），如
#   Origin_Point_Value = np.array([[0, 0, 0], [1, 1, 1]])；Out_Point_Value = np.array([0, 1])
# -----------------------------------------------------------------------------------#
Origin_Point_Value = np.array([63, 127, 191, 255])
# Origin_Point_Value = np.array([0, 0.33333334, 0.6666667, 1])
Out_Point_Value = np.array([0, 1, 2, 3])

if not os.path.exists(Out_SegmentationClass_path):
    os.makedirs(Out_SegmentationClass_path)
png_names = os.listdir(Origin_SegmentationClass_path)
print("正在遍历全部标签。")
for png_name in tqdm(png_names):
    png = Image.open(os.path.join(Origin_SegmentationClass_path, png_name))
    w, h = png.size

    png = np.array(png)
    out_png = np.zeros([h, w])
    for i in range(len(Origin_Point_Value)):
        mask = png[:, :] == Origin_Point_Value[i]
        if len(np.shape(mask)) > 2:
            mask = mask.all(-1)
        out_png[mask] = Out_Point_Value[i]
    x=np.array(out_png, np.uint8)
    out_png = Image.fromarray(np.array(out_png, np.uint8))
    out_png.save(os.path.join(Out_SegmentationClass_path, png_name))

6️⃣ 划分测试集和训练集

import os
import random

import numpy as np
from PIL import Image
from tqdm import tqdm

#   修改train_percent用于改变验证集的比例 9:1
trainval_percent    = 1
train_percent       = 0.9
#-------------------------------------------------------#
#   指向VOC数据集所在的文件夹
#   默认指向根目录下的VOC数据集
#-------------------------------------------------------#
VOCdevkit_path      = 'VOCdevkit'

if __name__ == "__main__":
    random.seed(0)
    print("Generate txt in ImageSets.")
    segfilepath     = os.path.join(VOCdevkit_path, 'VOC2007/SegmentationClass')
    saveBasePath    = os.path.join(VOCdevkit_path, 'VOC2007/ImageSets/Segmentation')
    
    temp_seg = os.listdir(segfilepath)
    total_seg = []
    for seg in temp_seg:
        if seg.endswith(".png"):
            total_seg.append(seg)

    num     = len(total_seg)  
    list    = range(num)  
    tv      = int(num*trainval_percent)  
    tr      = int(tv*train_percent)  
    trainval= random.sample(list,tv)  
    train   = random.sample(trainval,tr)  
    
    print("train and val size",tv)
    print("traub suze",tr)
    ftrainval   = open(os.path.join(saveBasePath,'trainval.txt'), 'w')  
    ftest       = open(os.path.join(saveBasePath,'test.txt'), 'w')  
    ftrain      = open(os.path.join(saveBasePath,'train.txt'), 'w')  
    fval        = open(os.path.join(saveBasePath,'val.txt'), 'w')  
    
    for i in list:  
        name = total_seg[i][:-4]+'\n'  
        if i in trainval:  
            ftrainval.write(name)  
            if i in train:  
                ftrain.write(name)  
            else:  
                fval.write(name)  
        else:  
            ftest.write(name)  
    
    ftrainval.close()  
    ftrain.close()  
    fval.close()  
    ftest.close()

成功划分
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1036342.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

【算法挨揍日记】day08——30. 串联所有单词的子串、76. 最小覆盖子串

【算法挨揍日记】day08——30. 串联所有单词的子串、76. 最小覆盖子串

30. 串联所有单词的子串 30. 串联所有单词的子串 题目描述： 给定一个字符串 s 和一个字符串数组 words。 words 中所有字符串 长度相同。 s 中的 串联子串 是指一个包含 words 中所有字符串以任意顺序排列连接起来的子串。 例如，如果 words ["…
阅读更多...
SSM - Springboot - MyBatis-Plus 全栈体系（十一）

SSM - Springboot - MyBatis-Plus 全栈体系（十一）

第二章 SpringFramework 五、Spring AOP 面向切面编程 6. Spring AOP 基于 XML 方式实现（了解） 6.1 准备工作 加入依赖和基于注解的 AOP 时一样。准备代码把测试基于注解功能时的 Java 类复制到新 module 中，去除所有注解。 6.2 配置 Sp…
阅读更多...
SpringBoot项目（百度AI整合）——如何在Springboot中使用语音文件识别 ffmpeg的安装和使用

SpringBoot项目（百度AI整合）——如何在Springboot中使用语音文件识别 ffmpeg的安装和使用

前言 前言：在实际使用中，经常要参考官方的案例，但有时候因为工具的不一样，比如idea 和 eclipse，普通项目和spring项目等的差别；还有时候因为水平有限，难以在散布于官方的各个文档读懂&#xff…
阅读更多...
【广州华锐互动】VR虚拟党建云展馆：带你沉浸式领略红色文化

【广州华锐互动】VR虚拟党建云展馆：带你沉浸式领略红色文化

在新时代的背景下，科技与党建的结合已成为一种趋势。VR（Virtual Reality，虚拟现实）技术作为一种新兴的科技手段，为党建工作提供了全新的载体。VR虚拟党建云展馆，就是将VR技术应用于党建工作的一个典型例子&…
阅读更多...
招聘程序员（软件开发工程师），如何做岗位胜任力测评？

招聘程序员（软件开发工程师），如何做岗位胜任力测评？

一、 程序员的基本工作内容 1、 负责项目组内的代码维护和更新迭代，保证研发效率，对于运营产品提出的需求应积极沟通并实现。 2、 规范相关开发文档等相关资料，对于有变更的代码和功能需求，要对开发文档做出相应的变更。 3、 作为…
阅读更多...
三维重建_纹理重建与表面细化

三维重建_纹理重建与表面细化

目录 前言：为什么要重建纹理？ 1. 纹理图像的自动创建 1.1 基础知识 1.2 算法流程 1.2.1 视角选择 1.2.2 纹理坐标的计算 1.2.3 全局颜色调整 1.2.4 泊松图像编辑 1.2.5 OBJ文件 1.3 结果示例 2. 网格细化优化 2.1 基础知识与数学模型 2.2 优…
阅读更多...
【Python基础】对Python的深入认识以及各种情况的报错汇总

【Python基础】对Python的深入认识以及各种情况的报错汇总

📢：如果你也对机器人、人工智能感兴趣，看来我们志同道合✨ 📢：不妨浏览一下我的博客主页【https://blog.csdn.net/weixin_51244852】 📢：文章若有幸对你有帮助，可点赞 👍…
阅读更多...
在给应用ASO优化时要注意些什么

在给应用ASO优化时要注意些什么

应用名称是搜索引擎优化和转化率优化非常重要的元素。用户在搜索结果页面中看到我们的应用程序，这是他们决定是否想要更多地了解我们应用的地方。当用户已经在查看产品页面时，应用程序名称也会影响转化率，如果列表元数据有吸引力，…
阅读更多...
Django的设计模式及模板层

Django的设计模式及模板层

Django的设计模式及模板层 设计模式MVC和MVT MVC 代表 Model-View-Controller(模型-视图-控制器)模式。 M 模型层(Model),主要用于对数据库层的封装 V 视图层(View),用于向用户展示结果 (WHAT HOW) C 控制(Controller，用于处理请求、获取数据、返回结果(重要) 作…
阅读更多...
【数据集标注】上古软件LabelImg的保姆级使用教程

【数据集标注】上古软件LabelImg的保姆级使用教程

1：下载文件并解压 进入链接：mirrors / tzutalin / labelimg GitCode 点击绿色按钮【克隆】 ，再点击按钮【zip】，随后下载到本地 移动下载的压缩文件到合适的位置，此处我以桌面为例子 右键点击该zip压缩文件&#xff…
阅读更多...
WINDOWS 7-11 磁盘分区教程

WINDOWS 7-11 磁盘分区教程

前言： 现在很多新电脑，尤其是用固态硬盘的电脑，往往内存不是很大，默认系统就给1个c盘（系统）或者再加一个D盘（软件盘）。为了更好的管理自己电脑的文件，我们需要增加一个或…
阅读更多...
合约升级标准 ERC2535 的设计解析和不足

合约升级标准 ERC2535 的设计解析和不足

合约升级标准 ERC2535 的设计解析和不足 Safful最近审计了钻石标准的一份实现代码，这一标准是一种新的可升级合约模式。撰写标准是一项值得赞许的事业，但钻石标准及其实现有许多引人担忧的地方。这份代码是过度工程的产物，附带了许多不必要的…
阅读更多...
004 Linux 调试器gdb的使用

004 Linux 调试器gdb的使用

前言 本文将会向您介绍gdb的基础操作 引入 程序的发布方式有两种，debug模式和release模式 Linux gcc/g出来的二进制程序，默认是release模式 要使用gdb调试，必须在源代码生成二进制程序的时候, 加上 -g 选项 以下是本文要示范的Makefile文件…
阅读更多...
YOLOv5、YOLOv8改进：C3STR（Swin Transformer）

YOLOv5、YOLOv8改进：C3STR（Swin Transformer）

目录 1.介绍 2. YOLOv5、YOLOv8改进 2.1 common.py配置 2.2 yolo.py配置 2.3 yaml配置文件 1.介绍 视觉领域正在见证从 CNN 到 Transformers 的建模转变，纯 Transformer 架构在主要视频识别基准测试中达到了最高准确度。这些视频模型都建立在 Transformer 层之…
阅读更多...
Solidity 小白教程：22. Call

Solidity 小白教程：22. Call

Solidity 小白教程：22. Call 这一讲我们将介绍如何利用 Call 调用合约。 Call call 是address类型的低级成员函数，它用来与其他合约交互。它的返回值为**(bool, data)，分别对应call**是否成功以及目标函数的返回值。 call是solidity官方推…
阅读更多...
涛然自得周刊（第 10 期）：搬到海岛生活是一种什么体验

涛然自得周刊（第 10 期）：搬到海岛生活是一种什么体验

作者：何一涛 日期：2023 年 9 月 24 日 涛然自得周刊主要精选作者阅读过的书影音内容，周末发布。历史周刊内容可以看这里。 影音 《德雷尔一家》是一部根据书籍《希腊三部曲》改编的英剧，共 4 季，每一季豆瓣评分都超…
阅读更多...
[自然语言处理] 基于pycorrector实现文本纠错

[自然语言处理] 基于pycorrector实现文本纠错

文本纠错（Text Error Correction）技术旨在自动修正输入文本中的拼写、语法、标点符号等错误，以提高文本的准确性、通顺性和规范性。该技术可以通过自然语言处理技术实现，基于上下文和语言规则对文本进行分析和推断，发现…
阅读更多...
使用香橙派学习 嵌入式数据库---SQLite

使用香橙派学习 嵌入式数据库---SQLite

嵌入式数据库简介：SQLite & MySQL数据库 基于嵌入式的数据库主要有：SQLite，Firebird，Berkeley DB，eXtremeDB等 Firebird 是关系型数据库，功能强大，支持存储过程，SQL兼容等SQLi…
阅读更多...
XCTF之新手Web题目

XCTF之新手Web题目

新手第一题：Training-WWW-Robots 图片提示： 解题流程： 具体操作：打开菜单-->Web开发者-->查看器（或者快捷键ctrlshiftc） robots.txt文件被网络爬虫使用，以检查它们是否被允许抓取和索引…
阅读更多...
普通人也能秒变电子画册制作达人

普通人也能秒变电子画册制作达人

你是不是觉得制作电子画册很难？需要专业的设计知识和软件？今天，小编告诉你，制作电子画册并不难！只要掌握一些简单技巧，你也可以轻松制精美的电子画册。下面，让我们一起来看看，如何从…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023