N-आयामी इमेजेस

Python में बायोमेडिकल इमेज विश्लेषण

Stephen Bailey

Instructor

हर आकार और प्रकार की इमेजेस

im[row, col]

foot_x-ray

हर आकार और प्रकार की इमेजेस

vol[pln, row, col]

body_gif

हर आकार और प्रकार की इमेजेस

im[row, col, ch]

cell_rgb

हर आकार और प्रकार की इमेजेस

im_ts[time, row, col, ch]

cell_video

N-आयामी इमेजेस, एरेज़ के स्टैक होते हैं

थोड़ा-सा खिसके हुए इमेज स्टैक्स

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)

वॉल्यूम सीधे लोड करना

imageio.volread():

मल्टी-डायमेंशनल डेटा सीधा पढ़ें
कई इमेज से एक वॉल्यूम बनाएं

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)

शेप, सैंपलिंग, और फील्ड ऑफ व्यू

इमेज शेप: हर अक्ष पर एलिमेंट्स की संख्या

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)

फील्ड ऑफ व्यू: हर अक्ष पर कवर किया गया भौतिक स्पेस

सैंपलिंग रेट: हर एलिमेंट द्वारा कवर किया गया भौतिक स्पेस

# 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)

अभ्यास करते हैं!

Python में बायोमेडिकल इमेज विश्लेषण