小工具知识网

当前位置: 首页 > 行业知识 > 【ACDC数据集】:预处理ACDC心脏3D MRI影像数据集到VOC数据集格式,nii转为jpg,label转为png

行业知识

【ACDC数据集】:预处理ACDC心脏3D MRI影像数据集到VOC数据集格式,nii转为jpg,label转为png

2026-11-16 09:08:14 来源:互联网转载

【Segment Anything Model】做分割的专栏链接,欢迎来学习。

【博主微信】cvxiaoyixiao

本专栏为公开数据集的介绍和预处理,持续更新中。

文章目录

  • 2023年11月2日更新补充
  • 1️⃣ ACDC数据集介绍
  • 2️⃣ ACDC数据集样例
  • 3️⃣ 预处理ACDC目标
  • 4️⃣ 处理结果样图
  • 5️⃣ 代码
  • 6️⃣ 划分测试集和训练集

    2023年11月2日更新补充

    跟我要处理好的数据集的,我都给了。请自行注意检查数据集是否是你想要的,我只处理了原数据集的第一部分

    也就是frame01部分。并且测试集 现在是RGBA图像,可以自行转化为L灰度图像。

    def convert_RGBA2L():    from PIL import Image    import os    path = "ACDC_dataset/testing/label"    for i in os.listdir(path):        old_path = os.path.join(path, i)        rgba_image = Image.open(old_path)        gray_image = rgba_image.convert("L")        new_name = os.path.splitext(i)[0] + ".png"  # 更改扩展名为.png        new_path = os.path.join(path, new_name)        gray_image.save(new_path, "PNG")  # 指定保存格式为PNG

    1️⃣ ACDC数据集介绍

    他是一个多类别的心脏3D MRI影像数据集`,2017年ACDC挑战赛(Automated Cardiac Diagnosis

    Challenge)。

    原数据集获取,网盘永久有效:

    链接:https://pan.baidu.com/s/1F4Xq1crtUSmFcSKxwO4Eaw?pwd=ejfa 提取码:ejfa

    –来自百度网盘超级会员V6的分享

    2️⃣ ACDC数据集样例

    首先夸夸 ,ACDC数据集存放格式非常规律 ,数据质量非常高 清晰了分为3类别。

    training里有100例患者,testing里有50例患者。每个nii的切片个数不同根据勾画的肿瘤。

    Info是媒体信息

    patient001_4d.nii.gz是全部的切片,我也不知道从医学上怎么描述,就是这个患者的立体影像,包括没有肿瘤的部分

    patient001_frame01.nii.gz是一个时期nii影响的压缩包

    patient001_frame01_gt.nii.gz对应patient001_frame01.nii.gz的肿瘤勾画的label的压缩包。用四种像素对应了四个类别包括背景。

    patient001_frame12.nii.gz是统一患者另一时期的影像

    patient001_frame12_gt.nii.gz是对应的label

    总之每个患者都有一个整体影像,还有两个不同成像和对应label。以下是打开之后的影像图。

    3️⃣ 预处理ACDC目标

    目标:处理ACDC的nii.gz数据集到VOC格式的2d的png图片

    VOC格式 这篇文章有讲直达

    例如:将patient001_frame01.nii.gz处理成几张png作为网络image的输入。将patient001_frame01_gt.nii.gz处理成几张png作为label。只处理了training的100例患者,把training当成了整个集合划分了训练测试。并且只关心了frame01第一阶段,第二个阶段的未关心。只关心了留下的部分。够了。

    4️⃣ 处理结果样图

    处理结果样图:

    img转为jpg label转为png 并且像素为0-3. 0代表背景,1-3代表分类。label图像素太小,这里看不出来,可以看第三张数组图

    5️⃣ 代码

    事先准备好VOC文件夹

    """处理官网下载的ACDC到网络要求的VOC格式,按需调用author: cvxiayixiaoWechat: cvxiayixiao"""import osfrom os.path import joinimport nibabel as nibimport gzipimport shutilimport matplotlib.pyplot as pltimport numpy as npori_ACDC_train_path = './ACDC_challenge_20170617/training'def niigz2nii():    """    解压每个患者的01阶段的nii.gz 和 gt.nii.gz 到输入文件夹"ACDC_nii"    """    input_path = ori_ACDC_train_path    # 处理image    # target='frame01.nii'    # output_path = 'ACDC_nii/images'    # 处理gt    target = 'frame01_gt.nii'    output_path = 'ACDC_nii/labels'    for patient in os.listdir(input_path):        # ACDC_challenge_20170617/training/patient001        patient_path = join(input_path, patient)        for niigz in os.listdir(patient_path):            if target in niigz:                niigzpath = join(patient_path, niigz)                new_nii_path = join(output_path, niigz)                shutil.copy(niigzpath, new_nii_path)# niigz2nii()def convert_nii_to_jpg():    '''    将ACDC_nii/images中的nii转到VOCjpg中    :return:    '''    image_num = 0    nii_path = "./ACDC_nii/images"    output_dir = "./VOCdevkit/VOC2007/JPEGImages"    for patient in os.listdir(nii_path):        patient_path = join(nii_path, patient)        for one in os.listdir(patient_path):            one_patient_nii_path = join(patient_path, one)            # 加载 .nii 文件            nii_img = nib.load(one_patient_nii_path)            data = nii_img.get_fdata()            # 遍历数据的每个切片,并保存为 .png 文件            for i in range(data.shape[2]):                image_num += 1                # 获取当前切片数据                slice_data = data[:, :, i]                # 创建输出文件路径                num = f"{image_num}".zfill(6)                output_path = os.path.join(output_dir, f'{patient}_{num}.jpg')                # 以灰度图像格式保存切片数据为 .png 文件                plt.imsave(output_path, slice_data, cmap='gray')# convert_nii_to_jpg()def convert_nii_to_png():    '''    将ACDC_nii/labels中的nii转到ACDC_nii/tmp_png_label中    此时的像素是原label 中的像素,不是网络中的分类像素,还需要一部转换    :return:    '''    image_num = 0    nii_path = "./ACDC_nii/labels"    output_dir = "./tmp"    for patient in os.listdir(nii_path):        patient_path = join(nii_path, patient)        for one in os.listdir(patient_path):            one_patient_nii_path = join(patient_path, one)            # 加载 .nii 文件            nii_img = nib.load(one_patient_nii_path)            data = nii_img.get_fdata()            # 遍历数据的每个切片,并保存为 .png 文件            for i in range(data.shape[2]):                image_num += 1                # 获取当前切片数据                slice_data = data[:, :, i]                # 创建输出文件路径                num = f"{image_num}".zfill(6)                output_path = os.path.join(output_dir, f'{patient}_{num}.png')                # 以灰度图像格式保存切片数据为 .png 文件                plt.imsave(output_path, slice_data, cmap='gray')from PIL import Imagedef turnto255():    from PIL import Image    from PIL import Image    for i in os.listdir("tmp"):        output_path = os.path.join("./tmp1", i)        png_path = join("tmp", i)        # 读取图像        image = plt.imread(png_path)        # 取三个通道的平均值        im_gray = np.mean(image, axis=2)        im_gray = Image.fromarray((im_gray * 255).astype(np.uint8)).convert("L")        # 保存输出图像        im_gray.save(output_path)def rename():    """    处理好的VOC2007 train和test名称不同,名称不对应不能训练    转为对应的,之前的留作副本可以对应原图    :return:    """    root = "VOCdevkit/VOC2007/SegmentationClass"    for i in os.listdir(root):        img_old_path = join(root, i)        new_png_path = join(root, i[-10:])        shutil.copy(img_old_path, new_png_path)# rename()将0-255转为0-3类代码,加微信cvxiayixiao

    6️⃣ 划分测试集和训练集

    import osimport randomimport numpy as npfrom PIL import Imagefrom tqdm import tqdm#   修改train_percent用于改变验证集的比例 9:1trainval_percent    = 1train_percent       = 0.9VOCdevkit_path      = 'VOCdevkit'if __name__ == "__main__":    random.seed(0)    print("Generate txt in ImageSets.")    segfilepath     = os.path.join(VOCdevkit_path, 'VOC2007/SegmentationClass')    saveBasePath    = os.path.join(VOCdevkit_path, 'VOC2007/ImageSets/Segmentation')        temp_seg = os.listdir(segfilepath)    total_seg = []    for seg in temp_seg:        if seg.endswith(".png"):            total_seg.append(seg)    num     = len(total_seg)      list    = range(num)      tv      = int(num*trainval_percent)      tr      = int(tv*train_percent)      trainval= random.sample(list,tv)      train   = random.sample(trainval,tr)          print("train and val size",tv)    print("traub suze",tr)    ftrainval   = open(os.path.join(saveBasePath,'trainval.txt'), 'w')      ftest       = open(os.path.join(saveBasePath,'test.txt'), 'w')      ftrain      = open(os.path.join(saveBasePath,'train.txt'), 'w')      fval        = open(os.path.join(saveBasePath,'val.txt'), 'w')          for i in list:          name = total_seg[i][:-4]+'\n'          if i in trainval:              ftrainval.write(name)              if i in train:                  ftrain.write(name)              else:                  fval.write(name)          else:              ftest.write(name)          ftrainval.close()      ftrain.close()      fval.close()      ftest.close()

    成功划分

上一篇:联想电脑主机插卡器怎么才能打开

下一篇:明日之后哪里有新区服务器?