毕业设计一深度学习之MRI数据集预处理（合并，裁剪以及重命名等操作）

笔墨苍炎

目录
一，MRI简介
二，MRI数据集获取
三，MRI数据集预处理
四，实现用Keras来构建基于MRI的网络结构

---

一，MRI简介

核磁共振成像（英语：Nuclear Magnetic Resonance Imaging，简称NMRI），又称自旋成像（英语：spin imaging），也称磁共振成像（Magnetic Resonance Imaging，简称MRI），台湾又称磁振造影，香港又称磁力共振扫描，是利用核磁共振（nuclear magnetic resonance，简称NMR）原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成物体内部的结构图像。
具体关于MRI影像更多方面的介绍，可以查看维基百科上面的具体介绍：核磁共振影像MRI
二，MRI数据集获取

方法一：

MRI数据集的获取可以从网络公开数据库ADNI上获取，但是需要进行注册账号，并申请下载，且周期比较长，所以想要获得该数据集的伙伴可以提前注册该账号，并进行下载。具体方法百度即可。
方法二：

我免费分享自己下载的MRI数据集，链接：https://pan.baidu.com/s/1EvYmJGuMA3HHetTMEJvJxw密码：71f9
三，MRI数据集预处理（主要部分）

1，介绍：

MRI数据集的获取得的原始MRI数据集分为Image和Label两部分，分别对各自进行预处理操作。即标签的合并及重命名（原始数据中的Label部分分为左脑R和右脑L，分别是标记的脑部左右海马体，需要将其进行合并成同一个数据并进行第一次整体重命名）、数据的裁剪、数据增广等操作。得的原始MRI数据集分为Image和Label两部分，分别对各自进行预处理操作。即标签的合并及重命名（原始数据中的Label部分分为左脑R和右脑L，分别是标记的脑部左右海马体，需要将其进行合并成同一个数据并进行第一次整体重命名）、数据的裁剪、数据增广等操作。
2，如图所示：

 

3，预处理代码（Python实现）

1. #!/usr/bin/env python
2. #-*- coding:utf-8 -*-
3. # author:HuaCode
4. # datetime:19-3-28 下午6:31
5. # software: PyCharm
7. import numpy as np
8. import os
9. import nibabel as nib
10. import shutil#该模块用于拷贝文件
12. path_label = "./test/label/"#原始label目录
13. path_img = "./test/image/"#原始image目录
14. label_path = "./test/combine_label/"#合并标签目录
15. target_path = "./test/rename_image/"#重命名image目录
16. target_img_path = "./test/data_croped/image/"#裁剪后的image保存目录
17. target_label_path = "./test/data_croped/label/"#裁剪后的label保存目录
18. croped_img_path = "./test/data/image/"#裁剪后并重命名的image目录
19. croped_label_path = "./test/data/label/"#裁剪后并重命名的label目录
21. #将标签文件的左脑和右脑进行合并，并保存
22. def Combine_Label():
23.     if not os.path.exists(label_path):
24.         os.mkdir(label_path)
25.     list = os.listdir(path_label)#os.listdir()方法用于返回指定的文件夹包含的文件或文件夹的名字的列表，这个列表以字母顺序，它不包括'.'和'..'，即使它在文件夹中
26.     #print(list)
27.     list.sort()#list.sort()用于对列表进行排序，如果指定参数，则使用比较函数指定的比较函数
28.     #print(list)
29.     #因为前面用list.srot(),所以列表中的文件名会按照从小到大的顺序并按照LR的顺序来依次间隔排列
30.     #这里的合并原理是：先找到左脑L，赋值给file_L，然后跳出本次循环，再找下一个右脑R，找到之后，再次赋值给file_R，然后通过路径加载该文件，并得到数据部分
31.     file_L = ""
32.     n1 = 0
33.     n2 = 0
34.     for file in list:#从列表中获得单个图像的名字
35.         #print(file)
36.         if file[:file.rfind("_")] not in file_L:#temp_file用于存储左边文件名，并用于后面load调用。
37.             file_L = file#当文件为左边的文件时，将文件名赋值给file_L
38.             continue
39.         else:
40.             file_R = file#当文件名为右边的文件时，将文件名赋值给file_R
41.         #加载右脑标签
42.         rimg = nib.load(path_label + file_R)#加载标签
43.         #print rimg
44.         n1 = n1 + 1
45.         print"加载第" + str(n1) + "个右脑标签"
46.         img_R = rimg.get_data()  # 获取数据部分
47.         #print img_R.dtype
48.         # 加载左脑标签
49.         limg = nib.load(path_label + file_L)  # 加载标签
50.         n2 = n2 + 1
51.         print"加载第" + str(n2) + "个左脑标签"
52.         img_L = limg.get_data()  # 获取数据部分
53.         # 两个标签进行合并
54.         combine_img = img_R + img_L * 2
55.         combine_img.astype(np.int32)
56.         nib.save(nib.Nifti1Image(combine_img, rimg.affine), label_path + file[:file.rfind("_")] + ".nii")
57.     print "合并完成！"
59. #将源文件按照对应的标签来进行命名，使标签文件和对应的源文件的名称相同
60. def Rename_Image():
61.     if not os.path.exists(target_path):
62.         os.mkdir(target_path)
63.     list = os.listdir(path_img)#获得源文件的名称
64.     list.sort()#将源文件的名称进行排序，默认按照升序规则排序
65.     label_list = os.listdir(label_path)
66.     label_list.sort()#将标签名称进行排序
67.     combine_list = zip(list, label_list)#将源文件名和标签名打包成一个元组，并以列表的形式返回
68.     for (img_name, label_name) in combine_list:#解析每一个元组中的源文件名称和标签名称，从而进行对应重命名
69.         if label_name[:label_name.rfind("_")] in img_name:#如果发现标签名称存在该源文件名称中，则进行拷贝名称
70.             #shutil.copyfile(file1,file2)将文件2中的内容用文件1中的内容覆盖，新文件的名称为file2
71.             shutil.copyfile(path_img+img_name, target_path+label_name)#将img_name中的内容覆盖到重新以label_name命名的新文件中，这就是修改名称后的源文件
72.             print "done" + img_name
73.     print "the first rename well！"
76. #将源文件和标签文件裁剪为(64,64,96)大小后保存
77. def Croped():
78.     wrong_list = ["002_S_0938","007_S_1304","016_S_4121","029_S_4279","136_S_0429"]
79.     if not os.path.exists(target_img_path):
80.         os.makedirs(target_img_path)#递归的建立输入的路径，即使是上层的路径不存在，它也会建立这个路径
81.     if not os.path.exists(target_label_path):
82.         os.makedirs(target_label_path)
83.     img_list = os.listdir(target_path)#获得重命名标签的源文件
84.     for i, img in enumerate(img_list):#将源文件名称组合成一个索引序列，同时列出名称和对应的下标，一般用在for循环中
85.         timg = nib.load(target_path + img)#加载源文件
86.         image = timg.get_data()#获取源文件的数据部分
87.         image = image.transpose(2,1,0)#原始数组为三维数组(x,y,z),则原始axis排列为(0,1,2),则transpose()的默认参数为(2,1,0)，
88.                                     # 得到转置后的数组视图，不影响原数组的内容以及大小，这里实际上是x轴和z轴进行了交换
89.         image = image[::-1,::-1,:]#进行了一个左右翻转
90.         tlabel = nib.load(label_path + img)#加载标签文件
91.         label = tlabel.get_data()#获取标签的数据部分
92.         label = label.transpose(2,1,0)
93.         label = label[::-1,::-1,:]#此时的label为uint8类型的，需要转换为bool类型再进行操作
94.         bool_label = label.astype(np.bool)#将label转换成bool类型
95.         img_shape = label.shape#获得文件的大小
96.         axis_list = np.where(bool_label)#输出满足条件（即非0）元素的坐标，这里的坐标以元组的形式给出，原数组有三维，所以tuple中有三个数组
97.         #print axis_list#输出元组,元组中有三个数组，数组用arry数组存储
99.         center_x = (axis_list[0].max() + axis_list[0].min()) / 2#获得x轴的中间值
100.         #print center_x
101.         center_y = (axis_list[1].max() + axis_list[1].min()) / 2#获得y轴的中间值
102.         #print center_y
103.         center_z = (axis_list[2].max() + axis_list[2].min()) / 2#获得z轴的中间值
104.         #print center_z
105.         centerpoint = [np.array(center_x, np.int32), np.array(center_y, np.int32), np.array(center_z, np.int32)]#用列表来存储三个arry数组，arry数组中有两个参数第一个为x轴的坐标，第二个参数为数据类型dtype
106.         #print centerpoint
107.         label_block = label[centerpoint[0] - 32:centerpoint[0] + 32, centerpoint[1] - 32:centerpoint[1] + 32,
108.                             centerpoint[2] - 48:centerpoint[2] + 48]
109.         #将标签文件裁剪为(64,64,96)大小
110.         #print label_block.shape
111.         image_block = image[centerpoint[0]-32:centerpoint[0]+32,centerpoint[1]-32:centerpoint[1]+32,
112.                             centerpoint[2]-48:centerpoint[2]+48]
113.         #将源文件裁剪为(64,64,96)大小
114.         #print image_block.shape
115.         block_sum = np.sum(label_block.astype(np.bool))#裁剪后标签中的label中bool值为真的像素个数
116.         #print "block_sum"
117.         #print block_sum
118.         all_sum = np.sum(bool_label)#裁剪前标签中的label中bool值为真的像素个数
119.         #print "all_sum"
120.         #print all_sum
121.         if img[img.find("_") + 1:img.rfind("_")] not in wrong_list:
122.             if block_sum == all_sum:
123.                 print img + str(" croped")
124.                 nib.save(nib.Nifti1Image(image_block, timg.affine), target_img_path+img)
125.                 nib.save(nib.Nifti1Image(label_block, tlabel.affine), target_label_path+img)
126.             else:
127.                 print "bad croped********************"
128.     print "all croped！"
131. def Rename_All_Image():
132.     if not os.path.exists(croped_img_path):
133.         os.makedirs(croped_img_path)
134.     if not os.path.exists(croped_label_path):
135.         os.makedirs(croped_label_path)
136.     list_img = os.listdir(target_img_path)
137.     list_label = os.listdir(target_label_path)
138.     list_img.sort()
139.     list_label.sort()
140.     combine_list = zip(list_img, list_label)#将源文件和标签文件打包成一个元组，并以列表的形式返回
141.     for i, (img, label) in enumerate(combine_list):#将源文件名称组合成一个索引序列，同时列出名称和对应的下标，一般用在for
142.         if label == img:
143.             print str(i) + img + label
144.             image = nib.load(target_img_path + img).get_data()
145.             label = nib.load(target_label_path + label).get_data()
146.             nib.save(nib.Nifti1Image(image, np.eye(4)), croped_img_path + str(i) + ".nii")
147.             nib.save(nib.Nifti1Image(label, np.eye(4)), croped_label_path + str(i) + ".nii")
148.             print str(i) + "rename well"
149.         else:
150.             print "bad rename**************************"
151.             print "label:" + label
152.             print "img:" + img
153.     print "all rename well！"
156. def Verify_Image():
157.     if not os.path.exists(target_path):
158.         os.makedirs(target_path)
159.     if not os.path.exists(target_img_path):
160.         os.makedirs(target_img_path)
161.     data = os.listdir(target_path)
162.     croped_data = os.listdir(target_img_path)
163.     data.sort()
164.     croped_data.sort()
165.     combine_list = zip(data, croped_data)
166.     for data1,data2 in combine_list:
167.         data = nib.load(target_path + data1).get_data()
168.         croped_data = nib.load(target_img_path + data2).get_data()
169.         center_x = (data.shape[0]) / 2
170.         center_y = (data.shape[1]) / 2
171.         center_z = (data.shape[2]) / 2
172.         centerpoint = [np.array(center_x, np.int32), np.array(center_y, np.int32), np.array(center_z, np.int32)]
173.         block_data = data[centerpoint[0] - 32:centerpoint[0] + 32, centerpoint[1] - 32:centerpoint[1] + 32,
174.                       centerpoint[2] - 48:centerpoint[2] + 48]
175.         assert(np.any(block_data.shape == croped_data.shape))
176.     print "asserted successfully！"
179. if __name__ == '__main__':
180.     Combine_Label();#合并
181.     Rename_Image()#重命名
182.     Croped()#裁剪
183.     Rename_All_Image()#再次重命名
184.     Verify_Image()#验证

复制代码

四，实现用Keras来构建基于MRI的网络结构

基于MRI网络的构建，这个目前我正在进行，后续会更新基于U-net，Densenet以及二者融合的改版网络结构以及训练的模型，敬请期待……

PS：毕业设计，多多关照！有需要交流的，留下QQ：404125822，可以一起交流^_^


来源：https://blog.csdn.net/HuaCode/article/details/89222573
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！