Obrazy N-wymiarowe

Analiza obrazów biomedycznych w Pythonie

Stephen Bailey

Instructor

Obrazy różnych kształtów i rozmiarów

im[row, col]

zdjęcie rentgenowskie stopy

Obrazy różnych kształtów i rozmiarów

vol[pln, row, col]

animacja ciała

Obrazy różnych kształtów i rozmiarów

im[row, col, ch]

komórka RGB

Obrazy różnych kształtów i rozmiarów

im_ts[time, row, col, ch]

nagranie wideo komórki

Obrazy N-wymiarowe jako stosy tablic

stos lekko przesuniętych obrazów

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)

Bezpośrednie wczytywanie woluminów

imageio.volread():

odczyt danych wielowymiarowych
składanie woluminu z wielu obrazów

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)

Kształt, próbkowanie i pole widzenia

Kształt obrazu: liczba elementów wzdłuż każdej osi

import imageio.v2 as imageio
vol = imageio.volread(
            'chest-data', format='DICOM')
# Kształt obrazu (w vokselach)
n0, n1, n2 = vol.shape
n0, n1, n2

(50, 512, 512)

Pole widzenia: przestrzeń fizyczna obejmowana wzdłuż każdej osi

Częstotliwość próbkowania: przestrzeń fizyczna przypadająca na jeden element

# Częstotliwość próbkowania (w mm)
d0, d1, d2 = vol.meta['sampling']
d0, d1, d2

(2, 0.5, 0.5)

# Pole widzenia (w mm)
n0 * d0, n1 * d1, n2 * d2

(100, 256, 256)

Czas na ćwiczenia!

Analiza obrazów biomedycznych w Pythonie