Imagens N-dimensionais

Análise de Imagens Biomédicas em Python

Stephen Bailey

Instructor

Imagens de todos os tipos e tamanhos

im[row, col]

raio-x_do_pé

Imagens de todos os tipos e tamanhos

vol[pln, row, col]

gif_do_corpo

Imagens de todos os tipos e tamanhos

im[row, col, ch]

celula_rgb

Imagens de todos os tipos e tamanhos

im_ts[time, row, col, ch]

video_de_celula

Imagens N-dimensionais são pilhas de arrays

pilha-de-imagens-levemente-deslocadas

import imageio.v2 as imageio
import numpy as np

im1=imageio.imread('chest-000.dcm')
im2=imageio.imread('chest-001.dcm')
im3=imageio.imread('chest-002.dcm')

im1.shape

(512, 512)

vol = np.stack([im1, im2, im3])

vol.shape

(3, 512, 512)

Carregando volumes diretamente

imageio.volread():

ler dados multidimensionais direto
montar um volume a partir de várias imagens

import os
os.listdir('chest-data')

['chest-000.dcm', 
 'chest-001.dcm', 
 'chest-002.dcm',
 ..., 
 'chest-049.dcm']

import imageio.v2 as imageio
vol = imageio.volread('chest-data', format='DICOM')

vol.shape

(50, 512, 512)

Formato, amostragem e campo de visão

Formato da imagem: número de elementos em cada eixo

import imageio.v2 as imageio
vol = imageio.volread(
            'chest-data', format='DICOM')
# Image shape (in voxels)
n0, n1, n2 = vol.shape
n0, n1, n2

(50, 512, 512)

Campo de visão: espaço físico coberto em cada eixo

Taxa de amostragem: espaço físico coberto por cada elemento

# Sampling rate (in mm)
d0, d1, d2 = vol.meta['sampling']
d0, d1, d2

(2, 0.5, 0.5)

# Field of view (in mm)
n0 * d0, n1 * d1, n2 * d2

(100, 256, 256)

Vamos praticar!

Análise de Imagens Biomédicas em Python