徐州网站制作方案,如何看配色网站,做室内设计的网站有哪些,东莞常平邮政编码是多少【Segment Anything Model】做分割的专栏链接#xff0c;欢迎来学习。 【博主微信】cvxiaoyixiao 本专栏为公开数据集的介绍和预处理#xff0c;持续更新中。 文章目录 1️⃣Synapse数据集介绍文件结构源文件样图文件内容 2️⃣Synapse数据集百度网盘下载链接官网下载登录下…【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介绍和预处理持续更新中。 文章目录 1️⃣Synapse数据集介绍文件结构源文件样图文件内容 2️⃣Synapse数据集百度网盘下载链接官网下载登录下载没有加速器的从百度网盘下载 永久有效 3️⃣Synapse数据集预处理目标改变Synapse数据集类别将官方Synapse数据集的Training 文件分切片转为npz保存。将官方Synapse数据集的Training的部分文件处理为hy文件格式保存 4️⃣代码文件目录代码 1️⃣Synapse数据集介绍
文件结构 官网分为train和test train有83例患者nii原图和label。test有72名患者nii原图没有label
源文件样图 文件内容
Synapse数据集由13个腹部器官由两名经验丰富的本科生手动标记并由放射科医生使用MIPAV软件在体积基础上进行验证包括
1 脾脏
2 右肾
3 左肾
4 胆囊
5 食道
6 肝
7 胃
8 主动脉
9 下腔静脉
10 门静脉和脾静脉
11 胰腺
12 右肾上腺
13 左肾上腺在勾画的GT图像中像素大小代表类别并和上面对应比如 像素为2的地方代表是右肾。 ⚠️⚠️⚠️有些患者可能没有2右肾或4胆囊因此没有标记。
2️⃣Synapse数据集百度网盘下载链接
官网下载
官网链接 打开点击Files 不要直接点击Download Options❌ 要点击下面三个文件选择要下载的东西。需要登录谷歌账号和借助加速器。 登录
登录进来是这样子的这个时候在点击Download Options之后点击Add
下载
点击左侧栏目的下载箭头点击download输入名字点击Download Package
没有加速器的从百度网盘下载 永久有效 链接 https://pan.baidu.com/s/1jJm7tbiDMOA8S331QFu8CQ?pwdbw5i 提取码bw5i –来自百度网盘超级会员V6的分享 3️⃣Synapse数据集预处理目标
改变Synapse数据集类别
官方是
1 脾脏
2 右肾
3 左肾
4 胆囊
5 食道
6 肝
7 胃
8 主动脉
9 下腔静脉
10 门静脉和脾静脉
11 胰腺
12 右肾上腺
13 左肾上腺改变为
1脾脏
2右肾
3左肾
4:胆囊
5肝脏
6:胃
7主动脉
8胰腺对应关系也就是
hashmap {1:1, 2:2, 3:3, 4:4, 5:0, 6:5, 7:6, 8:7, 9:0, 10:0, 11:8, 12:0, 13:0}将官方Synapse数据集的Training 文件分切片转为npz保存。
每个npz包含一个切片img和对应的label文件名字以样本名称和切片id命名 比如第一个样本叫case0005保存其第2个切片那么最好的npz名称为case0005_slice002.npz 作为训练集的输入。
将官方Synapse数据集的Training的部分文件处理为hy文件格式保存
每个h5文件包含一个切片img和对应的label并且以样本名称和切片id命名
4️⃣代码
文件目录 自己划分Training文件到自己的测试集和训练集因为官网的测试集没有label。
代码
import os
from glob import glob
import h5py
import nibabel as nib
import numpy as np
from tqdm import tqdm# 自己手动选择的测试样本
test_data [1, 2, 3, 4, 8, 22, 25, 29, 32, 35, 36, 38]
# 源数据集类别和我们规定的类别对应关系
hashmap {1:1, 2:2, 3:3, 4:4, 5:0, 6:5, 7:6, 8:7, 9:0, 10:0, 11:8, 12:0, 13:0}use_normalizeTrue
# 文件夹路径保存处理之后的npz文件
dst_path./pre_over_dataset
def preprocess_train_image(image_files: str, label_files: str) - None:# 创建一个文件夹保存处理之后的npz文件os.makedirs(f{dst_path}/train_npz, exist_okTrue)a_min, a_max -125, 275b_min, b_max 0.0, 1.0print(len(image_files))pbar tqdm(zip(image_files, label_files), totallen(image_files))for image_file, label_file in pbar:# **/imgXXXX.nii.gz - parse XXXXnumber image_file.split(/)[-1][3:10]if int(number) in test_data:continueimage_data nib.load(image_file).get_fdata()label_data nib.load(label_file).get_fdata()image_data image_data.astype(np.float32)label_data label_data.astype(np.float32)# 除去像素中在最大值和最小值之外的。# 如果某个像素小于最小值则替换成最小值如果某个像素大于最大值则替换成最大值image_data np.clip(image_data, a_min, a_max)# 是否进行归一化if use_normalize:assert a_max ! a_minimage_data (image_data - a_min) / (a_max - a_min)H, W, D image_data.shape# 通道最先image_data np.transpose(image_data, (2, 1, 0)) # [D, W, H]label_data np.transpose(label_data, (2, 1, 0))counter 1# 遍历哈希表将元数据分类对应我们规定的新分类。for k in sorted(hashmap.keys()):assert counter kcounter 1# 并更改对应位置像素值到新的分类label_data[label_data k] hashmap[k]# 按照deep分切片保存for dep in range(D):save_path f{dst_path}/train_npz/case{number}_slice{dep:03d}.npz# 保存成npz里面是label和imagenp.savez(save_path, labellabel_data[dep,:,:], imageimage_data[dep,:,:])pbar.close()def preprocess_valid_image(image_files: str, label_files: str) - None:os.makedirs(f{dst_path}/test_vol_h5, exist_okTrue)
#我们规定的最大最小像素。可以改a_min, a_max -125, 275b_min, b_max 0.0, 1.0pbar tqdm(zip(image_files, label_files), totallen(image_files))for image_file, label_file in pbar:# **/imgXXXX.nii.gz - parse XXXXnumber image_file.split(/)[-1][3:7]if int(number) not in test_data:continueimage_data nib.load(image_file).get_fdata()label_data nib.load(label_file).get_fdata()image_data image_data.astype(np.float32)label_data label_data.astype(np.float32)image_data np.clip(image_data, a_min, a_max)if use_normalize:assert a_max ! a_minimage_data (image_data - a_min) / (a_max - a_min)H, W, D image_data.shapeimage_data np.transpose(image_data, (2, 1, 0))label_data np.transpose(label_data, (2, 1, 0))counter 1for k in sorted(hashmap.keys()):assert counter kcounter 1label_data[label_data k] hashmap[k]save_path f{dst_path}/test_vol_h5/case{number}.npy.h5f h5py.File(save_path, w)f[image] image_dataf[label] label_dataf.close()pbar.close()if __name__ __main__:# 根目录到Training文件夹就行data_root ./Training# 获取所有训练测试文件image_files sorted(glob(f{data_root}/img/*.nii.gz))label_files sorted(glob(f{data_root}/label/*.nii.gz))# 传入预处理函数,这个是转为npz的preprocess_train_image(image_files, label_files)# 这个是转为h5的preprocess_valid_image(image_files, label_files)
