duke liver datasets数据处理

平平平安喔

已于 2024-05-15 12:59:34 修改

阅读量331

点赞数 6

文章标签： pytorch 人工智能计算机视觉图像处理

于 2024-04-21 20:27:53 首次发布

本文链接：https://blog.csdn.net/abc1234564546/article/details/138043904

版权

Duke liver datasets

如果大家是做医学图像处理的，刚好又是做肝脏那边的，对这个数据集应该不会陌生

我发现网上现有的资料很少有说怎么读取这个数据集的，由于我之前一直都是做的nii格式的数据集，现在碰到了dicom格式的数据集页研究了几天，终于把这个数据集如何创建dataset等给弄出来了

数据集部分文件夹
在这里插入图片描述

在这里插入图片描述

> `class DukeLiverDataset(Dataset):
    def __init__(self, root_dir, csv_file, transform=None):
        """
        初始化数据集
        :param root_dir: 数据集的根目录，例如 'D:\\datasets\\Duke Liver Dataset (MRI) v2\\Segmentation'
        :param csv_file: 包含序列和标签信息的CSV文件路径
        :param transform: 对图像应用的转换（预处理或数据增强）
        """
        self.root_dir = root_dir
        self.transform = transform
        self.data_frame = pd.read_csv(csv_file)
        self.series_image_paths = []
        self.series_mask_paths = []
        self.labels = []

    for _, row in self.data_frame.iterrows():
        patient_id = format(row['DLDS'], '04d')
        series_id = row['Series']
        label = row['Label']
        series_path = os.path.join(self.root_dir, patient_id, str(series_id))
        if os.path.exists(series_path):
            image_dir = os.path.join(series_path, 'images')
            mask_dir = os.path.join(series_path, 'masks')
            image_paths = [os.path.join(image_dir, f) for f in os.listdir(image_dir) if f.endswith('.dicom')]
            mask_paths = [os.path.join(mask_dir, f) for f in os.listdir(mask_dir) if f.endswith('.dicom')]

            self.series_image_paths.append(sorted(image_paths))
            self.series_mask_paths.append(sorted(mask_paths))
            self.labels.append(label)

def __len__(self):
    return len(self.series_image_paths)

def __getitem__(self, idx):
    label = self.labels[idx]
    
    # 读取所有的DICOM图像和对应的DICOM掩码
    image_files = self.series_image_paths[idx]
    mask_files = self.series_mask_paths[idx]

    images = [pydicom.dcmread(img_file).pixel_array for img_file in image_files]
    masks = [pydicom.dcmread(mask_file).pixel_array for mask_file in mask_files]

    # 转换为NumPy数组
    images = np.array(images, dtype=np.float32)
    masks = np.array(masks, dtype=np.float32)
    location = _get_annotation_float(masks)
    transformed_images = []
    if self.transform is not None:
        for img in images:
            # 将 numpy 数组转换为 PIL 图像
            img = Image.fromarray(np.uint8(img))
            # 应用定义的转换
            img = self.transform(img)
            # 将转换后的图像添加到列表中
            transformed_images.append(img)
        transformed_images = torch.stack(transformed_images)
        transformed_images = transformed_images.permute(1, 0, 2, 3)
    return transformed_images, location


def get_series_path(self, idx):
    return self.series_image_paths[idx][0]  # 返回第一个图像的路径作为代表

def get_path_details(self, idx):
    # 从保存的信息中返回特定索引的详细路径
    image_dir = os.path.join(self.series_image_paths[idx][0])  # 取第一个图像的路径作为示例
    series_directory = os.path.dirname(os.path.dirname(image_dir))  # 回退两级目录

    return series_directory`