Datawhale笔记

夏令营学习笔记baselin

   

def extract_feature(path):
    # 加载PET图像数据
    img = nib.load(path)
    # 获取第一个通道的数据
    img = img.dataobj[:, :, :, 0]

    # 随机筛选其中的10个通道提取特征
    random_img = img[:, :, np.random.choice(range(img.shape[2]), 10)]

    # 对图片计算统计值
    feat = [
        (random_img != 0).sum(),               # 非零像素的数量
        (random_img == 0).sum(),               # 零像素的数量
        random_img.mean(),                     # 平均值
        random_img.std(),                      # 标准差
        len(np.where(random_img.mean(0))[0]),  # 在列方向上平均值不为零的数量
        len(np.where(random_img.mean(1))[0]),  # 在行方向上平均值不为零的数量
        random_img.mean(0).max(),              # 列方向上的最大平均值
        random_img.mean(1).max()               # 行方向上的最大平均值
    ]

    # 根据路径判断样本类别（'NC'表示正常，'MCI'表示异常）
    if 'NC' in path:
        return feat + ['NC']
    else:
        return feat + ['MCI']

## 知识盲点

### 对于图像维度得了解

`img.dataobj`表示Nifti图像对象的数据内容。具体地说，img.dataobj`是一个4维的数组，其中每个维度代表不同的信息：

* 第一个维度（`:`）：表示图像的空间位置x方向的坐标值，从左到右。
* 第二个维度（`:`）：表示图像的空间位置y方向的坐标值，从前到后。
* 第三个维度（`:`）：表示图像的空间位置z方向的坐标值，从下到上。
* 第四个维度（`0`）：表示通道的索引，对于一个多通道的PET图像，可以包含多个通道。

例如，如果PET图像是一个256x256x100的三维图像，并且具有10个通道，那么`img.dataobj`的形状将是`(256, 256, 100, 10)`。通过使用`img.dataobj[:, :, :, 0]`，我们提取了第一个通道的数据，因此结果的形状是`(256, 256, 100)`，即去掉了最后一个维度。这样做是为了提取单个通道的图像进行后续处理。

### 随机提取十个通道的原因

为了统一图片数量

### 特征提取

此次采用的是手动提取特征，作为一个小白是我第一次遇到的，因为之前都是通过卷积提取，有了新的认知