今天要实现的任务还是提取肿瘤的感兴趣区域。

有两个文件，一个是nii的原始图像文件，一个是nii的标签文件。我们要实现的是：在标签文件上选出最大层面，然后把最大层面的ROI映射到原始图像区域，在原始图像上提裁剪出ROI区域，这次裁剪的方法和上期的不同，上次是将ROI的整个边界区域提取出来，插值到224*224。这次是在标签上找到勾画ROI的最多的那一层，找到这个ROI区域的中心点在整个图像的坐标，然后根据这个坐标在映射到原始图像上，向四周延申出224*224大小的图像。这就不能保证勾画的边界。

import os
import SimpleITK as sitk
import numpy as np'''
这个脚本是根据ROI的中心坐标来映射到原图像上，裁剪出大小为224*224的图像，超出区域用0填充
如果需要保存上下共三个层面，中心点还是使用的最大层面ROI的中心坐标，因为往上往下一层可能没有勾画，就会报错
'''label_path= r"C:\Users\Administrator\Desktop\Breast\benign_label\AN_YU_MEI-label.nii"
image_path = r"C:\Users\Administrator\Desktop\Breast\benign\DCE\AN_YU_MEI.nii"# 找出勾画ROI数值最多的那一层
def max_index(label_array):# 遍历每张图片max_nonzero_pixels = 0max_nonzero_index = Nonefor i in range(label_array.shape[0]):# 计算当前图片中非零像素的数量nonzero_pixels = np.count_nonzero(label_array[i])# 如果当前图片的非零像素数量比之前的最大值大，则更新最大值和对应的索引if nonzero_pixels > max_nonzero_pixels:max_nonzero_pixels = nonzero_pixelsmax_nonzero_index = ireturn max_nonzero_index# 根据勾画的ROI，找到其中心坐标
def find_roi_center(max_label):# 找到所有 ROI 区域的索引indices = np.where(max_label == 1)# 计算中心点坐标center_x = int(np.round(np.mean(indices[0])))center_y = int(np.round(np.mean(indices[1])))return (center_x, center_y)# 根据找到的中心点坐标，以此为中心，映射到原图上，向四周延申到224*224
def crop_roi(max_image, roi_center):# 计算裁剪区域的边界坐标x_min = max(0, roi_center[0] - 112)x_max = min(max_image.shape[0], roi_center[0] + 112)y_min = max(0, roi_center[1] - 112)y_max = min(max_image.shape[1], roi_center[1] + 112)# 创建一个空的224x224大小的数组，并用0填充cropped_image = np.zeros((224, 224))# 计算裁剪区域在目标数组中的位置cropped_x_min = max(0, 112 - (roi_center[0] - x_min))cropped_x_max = cropped_x_min + min(x_max - x_min, 224)cropped_y_min = max(0, 112 - (roi_center[1] - y_min))cropped_y_max = cropped_y_min + min(y_max - y_min, 224)# 将ROI区域复制到裁剪图像中cropped_image[cropped_x_min:cropped_x_max, cropped_y_min:cropped_y_max] = max_image[x_min:x_max, y_min:y_max]return cropped_image
# 读取标签和原始图像
image_label = sitk.ReadImage(label_path)
# 读取原始NII文件
image_origin = sitk.ReadImage(image_path)# 转换为NumPy数组
origin_array = sitk.GetArrayFromImage(image_origin)
label_array = sitk.GetArrayFromImage(image_label)# 提取像素值
origin_array = np.array([origin_array[i] for i in range(origin_array.shape[0])])
label_array = np.array([label_array[i] for i in range(label_array.shape[0])])
# 找到最大值的索引
max_index = max_index(label_array)
# 找出标签中勾画ROI最多的那张图像
max_image = origin_array[max_index]
max_label =label_array[max_index]
#找到ROI的中心点
roi_center = find_roi_center(max_label)
# 根据中心点坐标向四周延伸裁剪出224*224
cropped_image = crop_roi(max_image, roi_center)print("裁剪后的图像：\n", cropped_image.shape)
print("ROI 中心点坐标：", roi_center)

如果需要保存三个层面则运行以下函数

def three_image(max_index):max_label0 = label_array[max_index-1]max_label1 = label_array[max_index]max_label2 = label_array[max_index+1]max_image0 = origin_array[max_index-1]max_image1 = origin_array[max_index]max_image2 = origin_array[max_index+1]# 找到ROI的中心点#roi_center0 = find_roi_center(max_label0)roi_center1 = find_roi_center(max_label1)#roi_center2 = find_roi_center(max_label2)# 根据中心点坐标向四周延伸裁剪出224*224cropped_image0 = crop_roi(max_image0, roi_center1)cropped_image1 = crop_roi(max_image1, roi_center1)cropped_image2 = crop_roi(max_image2, roi_center1)# 将三个图像数组堆叠成一个新的数组stacked_images = np.stack((cropped_image0, cropped_image1, cropped_image2))return stacked_imagesimages = three_image(max_index)
print("保存了三个层面的图像：", images.shape )

全部代码

import os
import SimpleITK as sitk
import numpy as np'''
这个脚本是根据ROI的中心坐标来映射到原图像上，裁剪出大小为224*224的图像，超出区域用0填充
如果需要保存上下共三个层面，中心点还是使用的最大层面ROI的中心坐标，因为往上往下一层可能没有勾画，就会报错
'''label_path= r"C:\Users\Administrator\Desktop\Breast\benign_label\AN_YU_MEI-label.nii"
image_path = r"C:\Users\Administrator\Desktop\Breast\benign\DCE\AN_YU_MEI.nii"# 找出勾画ROI数值最多的那一层
def max_index(label_array):# 遍历每张图片max_nonzero_pixels = 0max_nonzero_index = Nonefor i in range(label_array.shape[0]):# 计算当前图片中非零像素的数量nonzero_pixels = np.count_nonzero(label_array[i])# 如果当前图片的非零像素数量比之前的最大值大，则更新最大值和对应的索引if nonzero_pixels > max_nonzero_pixels:max_nonzero_pixels = nonzero_pixelsmax_nonzero_index = ireturn max_nonzero_index# 根据勾画的ROI，找到其中心坐标
def find_roi_center(max_label):# 找到所有 ROI 区域的索引indices = np.where(max_label == 1)# 计算中心点坐标center_x = int(np.round(np.mean(indices[0])))center_y = int(np.round(np.mean(indices[1])))return (center_x, center_y)# 根据找到的中心点坐标，以此为中心，映射到原图上，向四周延申到224*224
def crop_roi(max_image, roi_center):# 计算裁剪区域的边界坐标x_min = max(0, roi_center[0] - 112)x_max = min(max_image.shape[0], roi_center[0] + 112)y_min = max(0, roi_center[1] - 112)y_max = min(max_image.shape[1], roi_center[1] + 112)# 创建一个空的224x224大小的数组，并用0填充cropped_image = np.zeros((224, 224))# 计算裁剪区域在目标数组中的位置cropped_x_min = max(0, 112 - (roi_center[0] - x_min))cropped_x_max = cropped_x_min + min(x_max - x_min, 224)cropped_y_min = max(0, 112 - (roi_center[1] - y_min))cropped_y_max = cropped_y_min + min(y_max - y_min, 224)# 将ROI区域复制到裁剪图像中cropped_image[cropped_x_min:cropped_x_max, cropped_y_min:cropped_y_max] = max_image[x_min:x_max, y_min:y_max]return cropped_image
# 读取标签和原始图像
image_label = sitk.ReadImage(label_path)
# 读取原始NII文件
image_origin = sitk.ReadImage(image_path)# 转换为NumPy数组
origin_array = sitk.GetArrayFromImage(image_origin)
label_array = sitk.GetArrayFromImage(image_label)# 提取像素值
origin_array = np.array([origin_array[i] for i in range(origin_array.shape[0])])
label_array = np.array([label_array[i] for i in range(label_array.shape[0])])
# 找到最大值的索引
max_index = max_index(label_array)
# 找出标签中勾画ROI最多的那张图像
max_image = origin_array[max_index]
max_label =label_array[max_index]
#找到ROI的中心点
roi_center = find_roi_center(max_label)
# 根据中心点坐标向四周延伸裁剪出224*224
cropped_image = crop_roi(max_image, roi_center)print("裁剪后的图像：\n", cropped_image.shape)
print("ROI 中心点坐标：", roi_center)def three_image(max_index):max_label0 = label_array[max_index-1]max_label1 = label_array[max_index]max_label2 = label_array[max_index+1]max_image0 = origin_array[max_index-1]max_image1 = origin_array[max_index]max_image2 = origin_array[max_index+1]# 找到ROI的中心点#roi_center0 = find_roi_center(max_label0)roi_center1 = find_roi_center(max_label1)#roi_center2 = find_roi_center(max_label2)# 根据中心点坐标向四周延伸裁剪出224*224cropped_image0 = crop_roi(max_image0, roi_center1)cropped_image1 = crop_roi(max_image1, roi_center1)cropped_image2 = crop_roi(max_image2, roi_center1)# 将三个图像数组堆叠成一个新的数组stacked_images = np.stack((cropped_image0, cropped_image1, cropped_image2))return stacked_imagesimages = three_image(max_index)
print("保存了三个层面的图像：", images.shape )