主要参考此教程完成的实验
一、LIDC-IDRI数据集简介
肺图像数据库协会的图像收集(LIDC-IDRI)包括诊断和带有病变注释标记的肺癌筛查胸部CT。这是一个网络公开的国际资源,用于肺癌检测和诊断的计算机辅助诊断(CAD)方法的开发、培训和评估。
数据集包含1018个病例,每个病例包括来自临床胸部CT扫描的图像和一个相关的XML文件,该文件记录了由四名经验丰富的胸部放射科医生进行的两阶段图像注释过程的结果。在最初的盲读阶段,每个放射科医生独立审查每个CT扫描,并标记出属于三种类型之一的病变(“结节>= 3mm”,“结节<3mm”,“非结节>= 3mm”)。在随后的非盲读阶段,每个放射科医生独立地回顾自己的评分以及其他三位放射科医生的匿名评分,以给出最终意见。
二、参数配置lung.conf
病例中有的有结节注释,有的没有结节注释,没有的保存在Clean文件夹:
[prepare_dataset]
lidc_dicom_path = ./LIDC-IDRI
mask_path = ./data/Mask
image_path = ./data/Image
clean_path_image = ./data/Clean/Image
clean_path_mask = ./data/Clean/Mask
meta_path = ./data/Meta/
mask_threshold = 8
[pylidc]
confidence_level = 0.5
padding_size = 512
三、创建数据集prepare_dataset.py:
通过MakeDataSet类的prepare_dataset方法创建数据集和标注信息文件,MakeDataSet实例的属性包括:
- LIRI_list:遍历保存LIDC_IDRI数据的文件夹,得到包含所有病例文件夹名字的列表:
- img_path,mask_path:包含结节的肺部图像和掩码的保存路径
- clean_path_img,clean_path_mask:不包含结节的肺部图像和掩码的保存路径
- meta_path:结节信息保存路径
- mask_threshold:最小的结节阈值
- c_level和padding:生成结节掩码时的输入参数
- meta:结节信息属性名
| patient_id | nodule_no | slice_no | original_image | mask_image | maliganancy | is_cancer | is_clean |
|---|---|---|---|---|---|---|---|
| 病例id | 结节编号 | 切片编号 | 图像编号 | 掩码编号 | 恶性程度 | 是否为癌症 | 是否包含结节 |
class MakeDataSet:
def __init__(self, LIDC_Patients_list, IMAGE_DIR, MASK_DIR,CLEAN_DIR_IMAGE,CLEAN_DIR_MASK,META_DIR, mask_threshold, padding, confidence_level=0.5):
self.IDRI_list = LIDC_Patients_list
self.img_path = IMAGE_DIR
self.mask_path = MASK_DIR
self.clean_path_img = CLEAN_DIR_IMAGE
self.clean_path_mask = CLEAN_DIR_MASK
self.meta_path = META_DIR
self.mask_threshold = mask_threshold
self.c_level = confidence_level
self.padding = [(padding,padding),(padding,padding),(0,0)]
self.meta = pd.DataFrame(index=[],columns=['patient_id','nodule_no','slice_no','original_image','mask_image','malignancy','is_cancer','is_clean'])
def calculate_malignancy(self,nodule):
# 计算结节恶性程度
def save_meta(self,meta_list):
# 保存结节信息到csv文件
def prepare_dataset(self):
# 创建数据集
if __name__ == '__main__':
LIDC_IDRI_list= [f for f in os.listdir(DICOM_
7244



被折叠的 条评论
为什么被折叠?



