JupyterNotebook中的血管闭塞检测与数据分析-优快云博客

chatGPT 分析报告

解析的结果如下

private_upload/2023-08-08-09-04-44/cbs_process.ipynb.part-0.txt的分析如下
这是第1个代码块：

这是第2个代码块：

#!/usr/bin/env python3
# CBS区间
import SimpleITK as sitk
import json,os
import numpy as np
# from scipy.ndimage import binary_dilation
from tqdm import tqdm
import pandas as pd

这是第3个代码块：

def write_csv(file, file_path):
    dataframe = pd.DataFrame({'PatientName':file[0], 'Pred_Secs':file[1], 'Pred_CBS_Score':file[2], 'Infomation':file[3]})
    dataframe.to_csv(file_path, index=False, sep=',')

这是第4个代码块：

def read_txt(file_name):
    data_list=[]
    tmep=[]
    with open(file_name,"r") as f:
        file = f.readlines()
        #print(file)
        for line in file:
            line=line.strip("\n")#去除末尾的换行符
            dd=line.split()#拆分为两个元素，再对每个元素实行类型转换
            temp=list(map(float,dd))
            data_list.append(temp)
        data=np.array(data_list)
        return data

这是第5个代码块：

def get_mapping_data(case_output):
    mapping_json_1_path = os.path.join(case_output, "naming_mapping_txt_brain.json")
    mapping_json_2_path = os.path.join(case_output, "naming_mapping_txt.json")
    mapping_1_data,mapping_2_data = {},{}
    if os.path.exists(mapping_json_1_path):
        with open(mapping_json_1_path) as json_file:
            mapping_1_data = json.load(json_file)
    if os.path.exists(mapping_json_2_path):
        with open(mapping_json_2_path) as json_file:
            mapping_2_data = json.load(json_file)
    mapping_data = dict( mapping_1_data, **mapping_2_data )
    return mapping_data

这是第6个代码块：

def get_CBS_score(case_output, re):
    #遍历字典
    re2 = {}
    re2.update(re)
    re_secs = []
    CBS_score = [10, 10]
    c5_u = ["C6", "C7"]
    c5_d = ["C1","C2","C3","C4","C5"]
    s_1 = ["M1U", "M1D", "A1"]
    cbs_secs = ["C1","C2","C3","C4","C5","C6", "C7","M1U", "M1D", "A1","M1"]
    # mapping_data = get_mapping_data(case_output)
    mapping_json_path = os.path.join(case_output,"centerlines", "naming_mapping.json")
    with open(mapping_json_path) as json_file:
        mapping_1_data = json.load(json_file)
    mapping_data = dict(mapping_1_data)
    #---------------------------------------------
    #判断是否有整支中心线未检出段，直接判闭塞
    no_txt = []
    # if 'L-MCA.txt' not in mapping_data.keys():
    if 'L-MCA' not in mapping_data.keys():
        re_secs.append("LM1_1")
        re_secs.append("LM1_2")
        re_secs.append("LM1U")
        re_secs.append("LM1D")
        no_txt.append('L-MCA')
        # no_txt.append('L-MCA.txt')
    # if 'R-MCA.txt' not in mapping_data.keys():
    if 'R-MCA' not in mapping_data.keys():
        re_secs.append("RM1_1")
        re_secs.append("RM1_2")
        re_secs.append("RM1U")
        re_secs.append("RM1D")
        no_txt.append('R-MCA')
        # no_txt.append('R-MCA.txt')
    # if 'L-ICA.txt' not in mapping_data.keys():
    if 'L-ICA' not in mapping_data.keys():
        re_secs = re_secs + ['L'+s for s in c5_d+c5_u]
        no_txt.append('L-ICA')
        # no_txt.append('L-ICA.txt')
    # if 'R-ICA.txt' not in mapping_data.keys():
    if 'R-ICA' not in mapping_data.keys():
        re_secs = re_secs + ['R'+s for s in c5_d+c5_u]
        no_txt.append('R-ICA')

private_upload/2023-08-08-09-04-44/cbs_process.ipynb.part-1.txt的分析如下
这是一个Jupyter Notebook文件。每个代码块都是用代码编写的，以下是对每个代码块的描述：

Block 1:
这是一个单行注释，将’R-ICA.txt’添加到no_txt列表中。

Block 2:
这是一个空行。

Block 3:
这是一个变量赋值语句，将0赋给变量value。

Block 4:
这是一个打印语句，打印’re:'和re变量的值。

Block 5:
这是一个for循环，用于遍历re字典的键值对。在循环内部有一些注释，但是没有显示具体的代码。

Block 6:
这是一个条件语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。如果满足条件，value的值将被更新。

Block 7:
这是一个if-else语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 8:
这是一个if-else语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 9:
这是一个if-else语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 10:
这是一个if-else语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 11:
这是一个for循环，用于遍历secs列表。在循环内部有一些注释，但是没有显示具体的代码。

Block 12:
这是一个条件语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 13:
这是一个条件语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 14:
这是一个条件语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 15:
这是一个条件语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 16:
这是一个条件语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 17:
这是一个条件语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 18:
这是一个条件语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 19:
这是一个条件语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。

Block 20:
这是一个条件语句，根据条件判断选择不同的操作。在if语句块内部有一些注释，但是没有显示具体的代码。
private_upload/2023-08-08-09-04-44/cbs_process.ipynb.part-2.txt的分析如下
这是一段Python代码，使用了一些if-else语句和循环。代码的功能是对一些变量进行判断和更新，以及在满足一定条件时添加一些元素到列表中。根据代码的逻辑，我可以将其分为以下几个部分：

代码的开头使用了一些条件判断和列表操作语句，其目的是将orient+"M1_1"和"M1_2"添加到re_secs列表中，并对变量CBS_score进行更新。
使用了else关键字，表示如果不满足上述条件，则执行后续代码。
接下来的代码段使用了一些条件判断和文件操作函数。根据文件路径的存在与否，如果文件不存在，则将orient+"M1U"或orient+"M1D"添加到re_secs列表中，并更新CBS_score变量。
如果文件存在，代码会读取文件，并根据文件内容进行比较。如果满足一定条件，则将orient+"M1U"和orient+"M1D"添加到re_secs列表中，并更新re2字典中的一个键值对。
接下来的代码段对另外两个文件进行了类似的处理。
使用了两个嵌套的循环，对两个变量进行迭代。根据特定的条件，将一个元素添加到re_secs列表中，并更新re2字典中的一个键值对。
private_upload/2023-08-08-09-04-44/cbs_process.ipynb.part-3.txt的分析如下
这是一个Jupyter Notebook文件，下面是每个代码块的解释：

第一个代码块是将特定的条件追加到一个列表中，并更新一个字典。

第二个代码块是对列表去重，并对医生命名规则进行重命名。

第三个代码块是根据条件对列表中的元素进行重命名，并更新一个字典。

第四个代码块是返回重命名后的列表、更新后的分数和一个字典。

第七个代码块是一个函数，用于查找模型预测的结果。它检查diagnosis_result.json文件是否存在，并在不存在时返回相应的消息。
private_upload/2023-08-08-09-04-44/cbs_process.ipynb.part-4.txt的分析如下
第8个代码块定义了一个名为one_case_print的函数，函数有三个参数case_id、outdir和th。函数的作用是打印出指定case_id及其预测结果。

函数首先会打印出一条包含case_id的提示信息。

接着，函数会调用find_pred_result函数来找到指定case_id的预测结果，并传入th作为参数。如果找不到相应的预测结果文件，则会打印出diagnosis_result_json Not exists!。

然后，函数会检查find_pred_result的返回值re是否为空字典。如果是空字典，则表示没有检测到血栓，函数会打印出Model pred No thrombus, score is 10.。

最后，函数会返回预测结果re。如果re不是空字典，则函数会打印出#Final Result:。
private_upload/2023-08-08-09-04-44/cbs_process.ipynb.part-5.txt的分析如下
第9个代码块:
if name == ‘main’:
#debug一个案例
output_dir = ‘/data1/jupyterlab_cr/Guandw/changhai/result’
# case_name = “test”
# secs, score, re = one_case_print(case_id=case_name, outdir=output_dir ,th = 0.95)
# print(‘\n’)
# print(score)
root=‘’
cbs_df = pd.read_csv(‘/data1/jupyterlab_cr/Guandw/changhai/cbs_push_case.csv’)
case_nums = list(cbs_df[‘case_num’])
re = []
#对每个案例进行处理
for case_name in tqdm(case_nums):
#判断文件完整性
#centerlines/naming_mapping.json’
#json_file = os.path.join(output_dir,case_name,“diagnosis_result.json”)
json_file = os.path.join(output_dir,case_name,“centerlines”,“naming_mapping.json”)
if not (os.path.exists(json_file)):
with open(os.path.join(output_dir,“missing_files.txt”), “a”) as f:
f.write(case_name + “\n”)
continue
secs, score, info = one_case_print(case_id=case_name, outdir=output_dir)
print(“secs:”,secs, “cbs_score:”,score, “info:”,info)
re.append([case_name,secs,score,info])
re_df = pd.DataFrame({‘case_name’:np.array(re)[:,0], ‘secs’:np.array(re)[:,1], ‘score’:np.array(re)[:,2], ‘info’:np.array(re)[:,3]})
#write_csv(re_df, ‘/data1/jupyterlab_cr/Guandw/changhai’)
re_df.to_csv(‘/data1/jupyterlab_cr/Guandw/changhai/result.csv’, index=False)

第10个代码块:
#输出具体血管闭塞位置
re_df = pd.read_csv(‘/data1/jupyterlab_cr/Guandw/changhai/rjcase.csv’)
cbs_df = pd.read_csv(‘/data1/jupyterlab_cr/Guandw/changhai/result.csv’)
for case_name in re_df[‘case_num’]:
if not case_name in cbs_df[‘case_name’].values: continue
secs = cbs_df.loc[cbs_df[‘case_name’] == case_name, ‘secs’].values[0]
score = cbs_df.loc[cbs_df[‘case_name’] == case_name, ‘score’].values[0]
print(case_name)
print(secs)
print(score)
if secs.find(‘LICA1’) != -1:
re_df.loc[re_df[‘case_num’] == case_name, ‘LICA1’] = 1
if secs.find(‘LICA2’) != -1:
re_df.loc[re_df[‘case_num’] == case_name, ‘LICA2’] = 1
if secs.find(‘LM1p’) != -1:
re_df.loc[re_df[‘case_num’] == case_name, ‘LM1p’] = 1
if secs.find(‘LM1d’) != -1:
private_upload/2023-08-08-09-04-44/cbs_process.ipynb.part-6.txt的分析如下
这是一段代码，主要是用于根据条件对数据进行筛选和更新。以下是每个代码块的功能解释：

代码块1：

re_df.loc[re_df['case_num'] == case_name, 'LM1d'] = 1

此代码块通过在re_df数据框中找到case_num列值等于case_name的行，并将LM1d列的值更新为1。

代码块2 ~ 代码块11：

if secs.find('LM2s') != -1:
    re_df.loc[re_df['case_num'] == case_name, 'LM2s'] = 1

这些代码块的功能类似，根据不同的条件对不同的列进行更新操作。例如，代码块2通过检查secs字符串中是否包含LM2s来判断是否执行更新操作，并将re_df数据框中满足条件的行的LM2s列的值更新为1。

代码块12：

re_df.to_csv('/data1/jupyterlab_cr/Guandw/changhai/rjcase.csv', index=False)

此代码块将更新后的re_df数据框保存为CSV文件，路径为/data1/jupyterlab_cr/Guandw/changhai/rjcase.csv，并且不保存索引列。

请注意，以上是每个代码块的基本功能解释，具体的操作结果可能需要根据完整的代码和数据进行综合分析。

cbs处理

chatGPT 分析报告

解析的结果如下