使用SimpleITK分区域计算dice系数

最新推荐文章于 2024-03-15 10:01:53 发布

白开水儿

最新推荐文章于 2024-03-15 10:01:53 发布

阅读量327

点赞数

CC 4.0 BY-SA版权

文章标签： python 深度学习

本文链接：https://blog.youkuaiyun.com/ANNaScripter/article/details/133997355

直接调库还是YYDS

import SimpleITK as sitk
import numpy as np

image1_path = './data/100408_seg/mask_100408_arssr.nii.gz'
image2_path = './data/origin_seg/mask_100408.nii.gz'

image1_itk = sitk.ReadImage(image1_path, sitk.sitkUInt8)
image2_itk = sitk.ReadImage(image2_path, sitk.sitkUInt8)

image1 = sitk.GetArrayFromImage(image1_itk)
image2 = sitk.GetArrayFromImage(image2_itk)

# 二值化区域，原值为2的设为1，其它为0
image1 = np.where(image1 == 2, 1, 0)
image2 = np.where(image2 == 2, 1, 0)

image1 = sitk.GetImageFromArray(image1)
image2 = sitk.GetImageFromArray(image2)

overlap_measures_filter = sitk.LabelOverlapMeasuresImageFilter()
overlap_measures_filter.Execute(image1, image2)
# Dice
dice_similarity = overlap_measures_filter.GetDiceCoefficient()

print(dice_similarity)

再给一种方案

import numpy as np
import nibabel as nib

def cal_subject_level_dice(prediction, target, class_num=7):# class_num是你分割的目标的类别个数
    '''

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

白开水儿

关注关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

AI+医疗影像分析：计算机视觉在医学领域的突破应用

AI天才研究院

04-30

1148

随着医学影像设备的普及（全球年新增CT/MRI检查超30亿次），传统人工诊断面临效率低（单例CT影像平均阅片时间15分钟）、漏诊率高（肺癌CT早期漏诊率约20%）等问题。本文聚焦计算机视觉技术如何通过AI算法重构医疗影像分析流程，涵盖从DICOM数据处理、三维影像重建到智能诊断决策的全链条技术体系。通过技术原理剖析、算法实现细节及临床应用案例，揭示AI如何将影像分析准确率提升至95%以上（部分场景超越资深医师），推动精准医疗从理论走向实践。

SimpleITK：计算Dice系数和Hausdorff距离的方法

ZoMaster的博客

10-07

330

Dice系数和Hausdorff距离是医学图像处理中常用的评估指标，用于衡量两个二值化图像之间的相似度和形状差异。下面将介绍如何使用SimpleITK计算Dice系数和Hausdorff距离，并提供相应的源代码示例。其中，A和B分别代表两个二值化图像的像素集合，|A|表示A的像素数量，|B|表示B的像素数量，|A ∩ B|表示A和B的交集像素数量。请注意，为了使用上述代码示例，需要先安装SimpleITK库，并将图像数据以适当的方式加载到SimpleITK图像对象中。最后，函数返回计算得到的Dice系数。

参与评论您还未登录，请先登录后发表或查看评论

特别版：更正：SimpleITK计算dice系数及Hausdorff距离(python代码)

01-06

相比其他只是复制粘贴的，我只想说，为什么没有人说这可以直接比较图片而是都去比较array。其实是可以直接比较两张图片直接的dice，distance的，只要能被sitk.ReadImage读取进来。不需要sitk.GetImageFromArray或者hausdorffcomputer.Execute(labelTrue>0.5,labelPred>0.5)的额外处理。这两个步骤只是用来把array回复成image，并做灰度处理得到两分图片。如果你的原始输入数据就是二分图片，就不需要，只要读取进来即可。 # -*- coding: utf-8 -*- “”” Created on Mon F

图像分割中dice指标的计算及程序编写

legend_hua的博客

06-07

2万+

dice是医学图像中的常见指标，VgtVgt代表的是ground truth的分割结果,VpredVpred代表的是预测的分割结果。直观上理解，如下图，代表的是两个体相交的面积占总面积的比值，完美分割该值为1.。计算公式为DICE=2∗(Vseg and Vgt)Vseg+Vgt按图中区域表示计算为tensorflow中编写计算公式如下：def dice_coef_theoretical(y_pr...

图像分割必备知识点 | Dice损失理论+代码

忽逢桃林的博客

11-25

1万+

本文包含代码案例和讲解，建议收藏，也顺便点个赞吧。欢迎各路朋友爱好者加我的微信讨论问题：cyx645016617. 在很多关于医学图像分割的竞赛、论文和项目中，发现 Dice 系数(Dice coefficient) 损失函数出现的频率较多，这里整理一下。使用图像分割，绕不开Dice损失，这个就好比在目标检测中绕不开IoU一样。 1 概述 Dice损失和Dice系数（Dice coefficient）是同一个东西，他们的关系是： DiceLoss=1−DiceCoefficientDiceLoss = 1-

【SimpleITK】医疗影像分割结果评价指标计算

m0_37477175的博客

01-16

3898

文章目录Overlap MeasuresSurface Distance Measuressome API Overlap Measures jaccard dice volume_similarity false_negative false_positive 其中： Volume measures: volumeSimilarity2∗(v1−v2)v1+v2 volumeSimilari...

深度学习指标| 置信区间、Dice、IOU、MIOU、Kappa

qq_40306845的博客

03-15

4479

深度学习部分的指标介绍置信区间、Dice、IOU、MIOU、Kappa。

itk snap评估dice系数

最新发布

04-02

### 如何使用 ITK-SNAP 计算或评估 Dice 系数 ITK-SNAP 是一款用于医学图像分割和配准的强大工具，支持多种三维医学影像处理功能。Dice 系数是一种常用的相似度衡量指标，在医学图像分割领域被广泛应用于比较两个...

Python图像裁剪与Dice系数计算方法

资源摘要信息: "本资源包含两个Python脚本文件，分别...计算Dice系数则用于评估分割算法在不同条件下的性能，帮助研究人员和工程师选择最佳模型参数。这些操作对于疾病诊断、疗效评估、手术规划等医学应用都至关重要。

嗯，用户希望简化现有的颌骨段提取改进方案。我需要先回顾之前提到的复杂方案，然后找出可以简化的步骤，同时保持核心功能的有效性。用户可能是在实际应用中遇到了计算资源不足或者时间效率的问题，需要一个更快捷的方法。首先，方向包围盒（OBB）的部分，原本用了PCA和协方差矩阵计算，这可能计算量较大。或许可以改用更简单的轴向包围盒（AABB），但如何减少冗余呢？可能需要调整扩展的规则，比如基于解剖结构的平均尺寸来设定扩展范围，而不是动态计算主方向。例如，直接根据邻牙的位置，在颊舌、近远中和垂直方向使用固定值扩展，这样虽然可能不如OBB精确，但能节省时间。然后是区域生长算法，原来的种子点选择需要计算CEJ和根尖位置，这可能需要复杂的检测步骤。简化的话，或许可以手动指定种子点区域，或者使用邻牙质心附近的位置作为种子，避免自动检测CEJ带来的误差和计算量。另外，梯度约束可能需要较多的计算，如果时间优先，可能可以省略梯度检查，仅依赖HU值范围，这样虽然可能增加过生长的风险，但结合后续的连通性分析或许可以弥补。拓扑连通性分析中，原来的流程包括网格生成、平滑、曲率计算等步骤，可能较为耗时。简化的话，可以直接使用体素级的连通组件分析，比如三维区域增长后的二值掩码进行形态学操作，去除小区域，而不必生成网格。这样可以直接在体素数据上处理，省去网格处理的步骤，提高速度。特殊情形的处理部分，原来的多OBB和Minkowski和可能过于复杂。对于邻牙倾斜的情况，或许可以仅根据邻牙的质心连线方向来调整包围盒的方向，而不做完整的PCA。对于缺牙的情况，可以基于相邻存在牙齿的位置进行线性插值，估计缺牙区域，而不需要拟合整个牙弓曲线，这样计算更快。验证指标方面，原方案提到了Dice系数和临床有效性检查，但简化方案可能需要更快速的验证方法，比如基于重叠率的快速计算，或者采样检查关键点，而不是全数据对比。同时，可能需要考虑利用现有的开源工具库，比如使用SimpleITK进行区域生长和形态学操作，而不是自己实现所有算法，这样可以减少开发时间并提高可靠性。最后，需要确保简化后的方案仍然能够解决原始问题，即减少冗余区域和误截断，同时提高处理速度。可能需要权衡准确性和效率，找到合适的折中点，比如在关键步骤使用轻量级算法，而在不影响速度的地方保留必要的处理步骤。 ### 颌骨段提取简化方案 #### 一、核心改进思路 1. **轻量化方向估计**： - 用质心连线代替PCA计算： $$ \vec{v}_{dir} = \frac{p_{远中} - p_{近中}}{\|p_{远中} - p_{近中}\|} $$ 其中$p$为邻牙质心坐标 - 包围盒扩展规则： ```python # 轴向扩展参数（单位：mm） expansions = { 'buccal_lingual': 4, 'mesial_distal': 1.2 * inter_tooth_distance, 'apical': 6 } ``` 2. **快速区域生长**： - 种子点简化定位： ```python seed_z = tooth_centroid.z - 0.3*root_length # 根长预估为牙冠长度×1.5 ``` - 条件简化为： - HU值范围：[-100, 800] - 26-邻域连通（加速处理） #### 二、关键算法流程 ```mermaid graph TD A[输入CT数据] --> B{邻牙存在?} B -- 是 --> C[质心连线定向包围盒] B -- 否 --> D[默认安全立方体] C --> E[快速区域生长] D --> E E --> F[三维形态学操作] F --> G[最大连通组件提取] G --> H[输出骨段] ``` #### 三、具体实现步骤 1. **定向包围盒构建** - **输入**：邻牙分割掩码 - **处理**： ```python def get_simple_obb(mask1, mask2): c1 = compute_centroid(mask1) # 近中邻牙质心 c2 = compute_centroid(mask2) # 远中邻牙质心 main_axis = normalize(c2 - c1) # 主方向向量 box_center = (c1 + c2) / 2 # 构造轴向对齐包围盒 return create_rotated_box(box_center, main_axis, expansions) ``` 2. **快速区域生长优化** - **种子选择**： ```python def auto_seed(ct_volume, obb_region): sub_volume = crop_volume(ct_volume, obb_region) seed = np.argwhere(sub_volume > 300) # 直接选择高HU值点 return seed[::len(seed)//10] # 等距采样 ``` - **生长实现**： ```python def fast_growing(ct, seeds): mask = np.zeros_like(ct) for seed in seeds: flood_fill(ct, seed, mask, tolerance=200, connectivity=26) # 使用现成算法 return mask ``` 3. **后处理简化** - **形态学操作**： ```python cleaned_mask = binary_closing(mask, ball(3)) # 闭孔处理 final_mask = remove_small_objects(cleaned_mask, min_size=500) ``` #### 四、异常处理策略 1. **邻牙缺失处理**： - 使用历史案例均值位置： ```python default_position = get_average_position(patient_gender, arch_type) ``` 2. **严重倾斜处理**： - 增加安全边界： ```python expanded_obb = obb.expand(ratio=1.3) # 各向同性扩展30% ``` 这是你的改进方案但是我没有理解，我的方案是编写程序判断出种植位点的邻牙是哪两颗（如13的邻牙是12和14），采用轴对齐包围盒即立方体边界框（其坐标轴与ct坐标轴平行），计算这些点在xyz轴的最大最小值共6个生成bbox，根据总结的不同牙位的扩展规则向不同方向扩展bbox，去除bbox内所有像素点及掩膜，保证能够截断颌骨;对种植位点的两颗邻牙均采取此行为，采用类似geomagic中点击后“去除与之不详解部分”的功能仅保留种植位点骨块（我这种做法不知道是否可行，因为geomagic中有手动点击保留部分的作，然后去除与之不相邻的所有片，但是这个没有手动点击作，是否能通过其他简单方式达到此功能）我想这个程序是全自动的，而对于极端情况如邻牙倾斜的适应性目前不必考虑太多，请思考后给我你的最终答案

03-30

2. **AABB生成**：使用轴对齐包围盒可能比OBB计算简单，但若邻牙倾斜，AABB可能包含过多冗余区域，导致切除不准确。但用户提到暂时不考虑倾斜问题，所以这可能可以接受。 3. **扩展规则**：不同牙位的扩展方向需要...

SimpleITK计算dice系数及Hausdorff距离（python代码）

愿十四亿神州尽舜尧

10-09

1万+

做医学图像分割，需要对分割结果进行评价，常用的有dice系数和Hausdorff距离等，如何在python中用SimpleITK自带函数实现这一功能呢，代码如下： # -*- coding: utf-8 -*- import numpy as np import os import SimpleITK as sitk def file_name(file_dir): L=[] ...

使用SimpleITK读取和保存Nii.gz文件

Wisley的读书笔记分享

05-02

8650

## using simpleITK to load and save data. import SimpleITK as sitk itk_img = sitk.ReadImage('./nifti.nii.gz') img = sitk.GetArrayFromImage(itk_img) print("img shape:",img.shape) ## save out = sitk....

Pytorch 医疗图像分割里的Dice

赫凯的博客

11-07

5076

图像分割里的Dice看了下也是蛮多的，其中最常用的吧就是：两张图片的交乘以2除以他们的和这个写的特别好医学图像分割之 Dice Loss，看这个就够了，下面我自己记录下在做完交叉熵后，由于出来的是每个像素的类别预测概率，得把这些个概率转为相对应的像素才行。 # lesion_pre为网络跑出来结果，假如它的shape是[4, 2, 512, 512]，这里做的是2D的图像， # torch送...

[Python教程] Python SimpleITK软件包常用参数与使用方法分析

沉梦昂志丶

03-12

1万+

目前在使用深度学习进行医学图像处理，主要进行肺部结节检测，在预处理时经常会使用到SimpleITK软件包，它是一个很好用的读取医学图像信息软件包。 SimpleITK Insight Segmentation and Registration Toolkit (ITK)是一个开源、跨平台的框架，可以提供给开发者增强功能的图像分析和处理套件。其中最为著名的就是SimpleITK，是一个简化版的、构建...

hausdorff distance和Dice 图像分割指标

THE XING

07-18

1万+

Dice对mask的内部填充比较敏感，而hausdorff distance 对分割出的边界比较敏感。 1.hausdorff distance 最大Hausdorff距离是一组到另一组中最近点的最大距离。更正式地说，从集合X到集合Y的最大Hausdorff距离是maximin函数，定义如下：这8张图说的非常好 2.Dice Similarity Coef...

使用U-Net分割方法进行癌症诊断（教程翻译）