SimpleITK N4BiasFieldCorrection与掩膜生成

最新推荐文章于 2024-11-08 18:47:11 发布

weixin_53774586

最新推荐文章于 2024-11-08 18:47:11 发布

阅读量514

点赞数 3

文章标签：计算机视觉图像处理人工智能

本文链接：https://blog.csdn.net/weixin_53774586/article/details/136946255

版权

本文介绍了如何使用Python和SimpleITK库进行大脑MRI图像的mask优化，包括Otsu阈值分割、形态学操作以及N4偏置场校正技术。函数`optimize_brain_mask`生成初始mask，而`n4_bias_field_correction`则执行缩放、校正和恢复全分辨率的完整过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

def optimize_brain_mask(inputImage, kernel_radius=3):
    """
    优化大脑MRI图像的mask。

    参数:
        inputImage: SimpleITK图像，需要优化的大脑MRI图像。
        kernel_radius: 形态学操作的核大小，默认为3。

    返回:
        优化后的mask图像。
    """
    # 初始Otsu阈值分割来生成mask
    initialMask = sitk.OtsuThreshold(inputImage, 0, 1, 200)

    # 形态学膨胀操作
    dilateFilter = sitk.BinaryDilateImageFilter()
    dilateFilter.SetKernelType(sitk.sitkBall)
    dilateFilter.SetKernelRadius(kernel_radius)
    dilatedMask = dilateFilter.Execute(initialMask)

    # 形态学腐蚀操作
    erodeFilter = sitk.BinaryErodeImageFilter()
    erodeFilter.SetKernelType(sitk.sitkBall)
    erodeFilter.SetKernelRadius(kernel_radius)
    erodedMask = erodeFilter.Execute(dilatedMask)

    # 连通域分析
    labelFilter = sitk.ConnectedComponentImageFilter()
    labeledMask = labelFilter.Execute(erodedMask)

    # 计算连通域的大小，并找出最大的连通域
    labelShapeStats = sitk.LabelShapeStatisticsImageFilter()
    labelShapeStats.Execute(labeledMask)
    largestLabel = None
    largestSize = 0
    for label in labelShapeStats.GetLabels():
        size = labelShapeStats.GetPhysicalSize(label)
        if size > largestSize:
            largestLabel = label
            largestSize = size

    # 创建一个只包含最大连通域的掩码
    optimizedMask = sitk.BinaryThreshold(labeledMask, largestLabel, largestLabel, 1, 0)

    return optimizedMask

def n4_bias_field_correction(input_path, output_path, mask_path=None, shrinkFactor=1, numberFittingLevels=4, iterations=[250]):
    # 读入图像
    inputImage = sitk.ReadImage(input_path, sitk.sitkFloat32)
    image = inputImage

    # 如果提供了掩码图像路径，则使用，否则使用Otsu算法自动生成掩码
    if mask_path:
        maskImage = sitk.ReadImage(mask_path, sitk.sitkUInt8)
    else:
        maskImage = optimize_brain_mask(inputImage)
        # maskImage = sitk.OtsuThreshold(inputImage, 0, 1, 200)

    # (缩小因子): 这个参数用于在偏置场校正之前缩小图像的大小,以加快算法的运行速度。默认值为1，表示不缩小图像。
    if shrinkFactor > 1:
        image = sitk.Shrink(inputImage, [shrinkFactor] * inputImage.GetDimension())
        maskImage = sitk.Shrink(
            maskImage, [shrinkFactor] * inputImage.GetDimension()
        )

    corrector = sitk.N4BiasFieldCorrectionImageFilter()
    # numberFittingLevels使用多级分辨率策略，这个参数指定了分辨率金字塔的层数。
    # iterations (迭代次数): 这个参数指定了每个分辨率级别上的迭代次数。
    corrector.SetMaximumNumberOfIterations(iterations * numberFittingLevels)

    corrected_image = corrector.Execute(image, maskImage)

    log_bias_field = corrector.GetLogBiasFieldAsImage(inputImage)

    corrected_image_full_resolution = inputImage / sitk.Exp(log_bias_field)

    sitk.WriteImage(corrected_image_full_resolution, output_path)

    return_images = {
        "input_image": inputImage,
        "mask_image": maskImage,
        "log_bias_field": log_bias_field,
        "corrected_image": corrected_image,
    }
    return return_images