PET,CT图像融合笔记

最新推荐文章于 2023-11-20 10:13:45 发布

迷路在代码中

最新推荐文章于 2023-11-20 10:13:45 发布

阅读量6.3k

点赞数 3

分类专栏： python 算法文章标签： python 人工智能计算机视觉

本文链接：https://blog.csdn.net/chenran187906/article/details/109615293

版权

python 同时被 2 个专栏收录

35 篇文章 0 订阅

订阅专栏

算法

21 篇文章 0 订阅

订阅专栏

该博客详细介绍了在Python环境下使用OpenCV和SimpleITK库进行PET-CT图像的融合过程。首先通过MaxMinNormalizer函数对CT和PET图像进行归一化，然后通过调整不同权重比例实现图像融合。代码实现了从数据读取、归一化到图像融合的完整流程，并保存了融合后的图像。此方法有助于医学影像的分析和诊断。

摘要由CSDN通过智能技术生成

左图：PET图像中图：CT图像右图：两图融合之后的图像

Reference:

四川大学华西医院PET-CT中心petct数据采集和处理的过程是怎么样的？
PET-CT怎样进行图像融合？
图像融合实现CT与PET图像的融合 OpenCV实现（附实验结果）

医学成像技术简介（CT,MRI等）及相关论坛、技术应用链接

基于深度学习的CT图像肺结节自动检测技术一——数据预处理（归一化，数据增强，数据标记）

实现：

import nibabel as nib
import cv2
import SimpleITK as sitk
import numpy as np

# 归一化
def MaxMinNormalizer(data):
    data_max = np.max(data)
    data_min = np.min(data)
    data_normalize = (data - data_min) / (data_max - data_min)
    return data_normalize

# 融合CT数据与PET数据
def Fusion(path_CT, path_PET):
    image_CT = nib.load(path_CT).get_data()
    image_CT = image_CT.astype(float)
    image_CT_size = np.shape(image_CT)
    # 归一化 CT
    image_CT = MaxMinNormalizer(image_CT)

    # 重采样后的PET全身图像
    image_PET = nib.load(path_PET).get_data()
    image_PET = image_PET.astype(float)
    # 归一化 PET
    image_PET = MaxMinNormalizer(image_PET)


    #  融合比例
    percent_list = []
    for i in range(1, 10):
        percent_list.append(i / 10)
    # fusion CT , PET,
    # percent_list=[0.1] # best performance
    for percent in percent_list:
        ImageFusion = np.zeros(image_CT_size)
        for num in range(image_CT_size[2]):
            image_CT_slice = image_CT[:, :, num]
            image_PET_slice = image_PET[:, :, num]
            # 按照比例融合数据
            img_mix = cv2.addWeighted(image_CT_slice, percent, image_PET_slice, 1 - percent, 0)
            ImageFusion[:, :, num] = img_mix
        ImageFusion = np.transpose(ImageFusion, (2, 1, 0))
        ImageFusionISO = sitk.GetImageFromArray(ImageFusion, isVector=False)

        # 获取图像扫描及空间信息
        input_PET_property = sitk.ReadImage(path_PET)
        spacing = np.array(input_PET_property.GetSpacing())
        direction = np.array(input_PET_property.GetDirection())
        Origin = np.array(input_PET_property.GetOrigin())
        
        # 重新把融合后的数据设置图像信息
        ImageFusionISO.SetSpacing(spacing)
        ImageFusionISO.SetOrigin(Origin)
        ImageFusionISO.SetDirection(direction)

        # 保存重采样后的数据
        soffix_name = path_PET[-7:]
        file_name = path_PET[:-19]
        # savepath_name = file_name + '_modified_fusioin_0.6' + soffix_name
        # savepath_name = file_name + 'CTPETFusioin_LINEAR_'+ str(percent) + soffix_name
        savepath_name = file_name + 'CTPETFusioin_' + str(percent) + soffix_name

        sitk.WriteImage(ImageFusionISO, savepath_name)
    
    pass

def main():
    name_list = ['CT', 'PET_Resample']
    root = '/data/'
    
    # CT全身图像数据路径
    input_CT = root + name_list[0] + '.nii.gz'
    # PET全身图像数据路径
    input_PET = root + name_list[1] + '.nii.gz'
    
    # 融合CT与PET
    Fusion(input_CT, input_PET)



if __name__ == '__main__':
    main()

Game Over~~~