LIDC資料集肺區分割
阿新 • • 發佈:2019-02-18
在使用LIDC資料集做肺結節檢測時對肺區進行分割後效果會好很多,主要是減少肺區以外的組織對檢測的干擾。
方法比較簡單:
首先是閾值分割,設定CT值為480HU作為閾值對CT影象進行分割,得到二值影象,然後使用flood fill填充方法對肺區以外的部分進行填充,接下來使用形態學方法腐蝕掉肺區中的殘餘部分,最終將得到的結果作為掩模與原影象疊加得到肺區影象。 MATLAB程式碼:def img_segmentation(dicom_file): threshold = -480 / dicom_file.RescaleSlope - dicom_file.RescaleIntercept mask=dicom_file.pixel_array mask=(mask>threshold).astype(np.float32) element = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (10, 10)) mask = cv2.erode(mask, element) cols,rows=mask.shape[:2] #cv2.imshow('mask', mask) #cv2.waitKey() mask_back=mask.copy() flood_mask=np.zeros([cols+2,rows+2],dtype=np.uint8) cv2.floodFill(mask,flood_mask,(0,0),255) element = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (4, 4)) mask = cv2.dilate(mask, element) #cv2.imshow('mask', mask) #cv2.waitKey() #mask=(mask.astype(np.uint8))*255 #mask=255-mask #return mask #seg=mask*(dicom_file.pixel_array) mask=1.0-mask/255 mask=mask-mask_back mask=mask*(mask>0) #mask=(mask.astype(np.uint8))* print mask.max(), mask.min() flood_mask = np.zeros([cols + 2, rows + 2], dtype=np.uint8) cv2.floodFill(mask, flood_mask, (0, 0), 255) print mask.max(), mask.min() mask=mask.astype(np.uint8) mask=(mask<128).astype(np.float32) #cv2.imshow('mask',mask) #cv2.waitKey() return mask