Hướng dẫn python save tiff - python lưu tiff

Tải hình ảnh y tế lên Python

Trong bài này, chúng ta sẽ làm việc với các phần của chụp cắt lớp vi tính (CT) từ Kho lưu trữ hình ảnh ung thư . CT sử dụng một ống tia X quay để tạo ra hình ảnh 3D trên vùng mục tiêu của cơ thể bệnh nhân.

Hình ảnh thực tế phụ thuộc vào thiết bị được sử dụng: hình ảnh đo ánh sáng nhìn thấy, tia X và CT đo độ hấp thụ bức xạ, và máy quét MRI đo từ trường.

Hãy sử dụng 

>>> imarray
array([[  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       ..., 
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246]], dtype=uint8)

im = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')

# Print image attributes
print('Image type:', type(im))
print('Shape of image array:', im.shape)

im = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')

# Print image attributes
print('Image type:', type(im))
print('Shape of image array:', im.shape)

>>> imarray
array([[  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       ..., 
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246]], dtype=uint8)

Image type: 
Shape of image array: (512, 512)

Metadata

ImageIO:đọc dữ liệu dưới dạng đối tượng 

>>> Image.fromarray(imarray)

+Nhân khẩu học của bệnh nhân: tên, tuổi, giới tính, thông tin lâm sàng.

+Thông tin thu nhận: hình dạng hình ảnh, tỷ lệ lấy mẫu, loại dữ liệu, phương thức (chẳng hạn như X-Ray, CT hoặc MRI).

Plot images:

>>> Image.fromarray(imarray)

+

>>> Image.fromarray(imarray)

+

>>> Image.fromarray(imarray)

>>> Image.fromarray(imarray)

>>> Image.fromarray(imarray)

fig, ax = plt.subplots(1, 3, figsize=(15, 10))
# Draw the image in grayscale
ax[0].imshow(im, cmap='gray');

# Draw the image with greater contrast
ax[1].imshow(im, cmap='gray', vmin=-200, vmax=200);

# Remove axis ticks and labels
ax[2].imshow(im, cmap='gray', vmin=-200, vmax=200);
ax[2].axis('off');

Hình ảnh y tế N chiều

+Hình dạng, lấy mẫu và trường xem (field of view).

+Hình dạng hình ảnh (Image shape): số phần tử dọc theo mỗi trục.

+Tốc độ lấy mẫu: không gian vật lý được bao phủ bởi từng phần tử.

+Trường nhìn: không gian vật lý được bao phủ dọc theo mỗi trục.

Xếp chồng hình ảnh (Stack images)

Các « ngăn xếp » (stacks) hình ảnh là một phương pháp hữu ích để hiểu dữ liệu đa chiều. Mỗi chiều cao hơn là một chồng các mảng có chiều thấp hơn.

Chúng ta sẽ sử dụng hàm

>>> Image.fromarray(imarray)

>>> Image.fromarray(imarray)

>>> Image.fromarray(imarray)

>>> Image.fromarray(imarray)

im1 = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')
im2 = imageio.imread('./dataset/tcia-chest-ct-sample/chest-221.dcm')
im3 = imageio.imread('./dataset/tcia-chest-ct-sample/chest-222.dcm')

# Stack images into a volume
vol = np.stack([im1, im2, im3], axis=0)
print('Volume dimensions:', vol.shape)

Volume dimensions: (3, 512, 512)

Load volumes:

im = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')

# Print image attributes
print('Image type:', type(im))
print('Shape of image array:', im.shape)

Đối với ví dụ này, hãy đọc toàn bộ khối lượng dữ liệu não bộ từ thư mục « ./dataset/tcia-chest-ct-sample », chứa 5 hình ảnh DICOM.

>>> import numpy
>>> imarray = numpy.array(im)

Field of view

Khoảng không gian vật lý được bao phủ bởi một hình ảnh là trường nhìn của nó, được tính toán từ hai thuộc tính:

+Hình dạng mảng, số phần tử dữ liệu trên mỗi trục. Có thể được truy cập bằng thuộc tính

im = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')

# Print image attributes
print('Image type:', type(im))
print('Shape of image array:', im.shape)

+Độ phân giải lấy mẫu, lượng không gian vật lý được bao phủ bởi mỗi pixel. Đôi khi có sẵn trong siêu dữ liệu (ví dụ 

im = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')

# Print image attributes
print('Image type:', type(im))
print('Shape of image array:', im.shape)

Để vẽ dữ liệu N chiều, hãy cắt nó!

Chế độ xem không chuẩn

+Trục (Plain)

+Coronal (Hàng)

+sagittal (Col)

Tạo các ô phụ (cắt hình ảnh thành các ô):

Bạn có thể tạo nhiều hình ảnh trong một hình để khám phá dữ liệu nhanh chóng. Sử dụng 

im = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')

# Print image attributes
print('Image type:', type(im))
print('Shape of image array:', im.shape)

Ví dụ:

>>> import numpy
>>> imarray = numpy.array(im)

Để vẽ hình ảnh trên subplot, hãy gọi phương thức vẽ đồ thị trực tiếp từ đối tượng subplot chứ không phải thông qua PyPlot: 

im = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')

# Print image attributes
print('Image type:', type(im))
print('Shape of image array:', im.shape)

im = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')

# Print image attributes
print('Image type:', type(im))
print('Shape of image array:', im.shape)

>>> import numpy
>>> imarray = numpy.array(im)

Cắt hình ảnh 3D trong y tế

Cách đơn giản nhất để vẽ các hình ảnh 3D và 4D là làm bằng cách cắt chúng thành nhiều khung hình 2D. Việc vẽ nhiều lát một cách liên tiếp có thể tạo ra hiệu ứng « fly-through » giúp bạn hiểu toàn bộ hình ảnh.

Để chọn khung 2D, hãy chọn khung cho trục đầu tiên và chọn tất cả dữ liệu từ hai khung còn lại: 

im = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')

# Print image attributes
print('Image type:', type(im))
print('Shape of image array:', im.shape)

Ví dụ:

>>> import numpy
>>> imarray = numpy.array(im)

Vẽ các chế độ xem khác

Bất kỳ hai kích thước nào của một mảng đều có thể tạo thành một hình ảnh và việc cắt dọc theo các trục khác nhau có thể cung cấp một góc nhìn hữu ích cho việc phân tích ảnh y tế. Tuy nhiên, tỷ lệ lấy mẫu không đồng đều có thể tạo ra hình ảnh bị méo.

Thay đổi tỷ lệ khung hình có thể giải quyết vấn đề này bằng cách tăng chiều rộng của một trong các kích thước.

Đối với ví dụ này, vẽ các hình ảnh cắt dọc theo chiều thứ hai và thứ ba của dữ liệu. Đặt tỷ lệ co (Explicitly set) một cách rõ ràng để tạo hình ảnh không bị biến dạng.

>>> import numpy
>>> imarray = numpy.array(im)

Cắt hình ảnh để xử lý đến xương bằng cách biến đổi hình ảnh X quang. Bạn sẽ được hướng dẫn cách khai thác các mẫu với các cường độ khác nhau để chọn được các mảng con của một mảng và sẽ sử dụng các bộ lọc tích hợp để phát hiện các tính năng thú vị. Bạn cũng sẽ sử dụng mô-đun ndimage của SciPy, chứa một kho tàng các công cụ xử lý hình ảnh.

>>> import numpy
>>> imarray = numpy.array(im)

Pixels và voxels

+Pixel: Yếu tố hình ảnh 2D

+Voxel: Phần tử của ảnh 3D

Biểu đồ (Histograms)

+Đếm số lượng pixel ở mỗi giá trị cường độ (each intensity value)

Cân bằng (Equalization)

+Sự phân bố thường lệch về cường độ thấp (giá trị nền) tức low intensity (background values)

+Phân bố lại các giá trị để tối ưu hóa toàn dải cường độ.

Cường độ ảnh y tế

Trong phần này, chúng ta sẽ làm việc với một bức ảnh chụp X quang tay từ một cuộc thi của Hiệp hội X quang Bắc Mỹ năm 2017 . Sự hấp thụ tia X cao nhất ở mô dày đặc như xương nên cường độ kết quả phải cao. Do đó, những hình ảnh như thế này có thể được sử dụng để dự đoán « tuổi xương » (« bone age ») ở trẻ em.

Để bắt đầu, hãy tải hình ảnh lên Python và kiểm tra phạm vi cường độ của nó.

Kiểu dữ liệu hình ảnh xác định phạm vi của các cường độ có thể có: ví dụ: số nguyên không dấu 8 bit ( 

>>> imarray
array([[  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       ..., 
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246]], dtype=uint8)

>>> import numpy
>>> imarray = numpy.array(im)

>>> import numpy
>>> imarray = numpy.array(im)

>>> import numpy
>>> imarray = numpy.array(im)

Histograms:

Biểu đồ (Histograms) hiển thị sự phân bố các giá trị trong hình ảnh của bạn bằng cách phân loại từng phần tử theo cường độ của nó, sau đó đo kích thước của mỗi ngăn. (Histograms) hiển thị sự phân bố các giá trị trong hình ảnh của bạn bằng cách phân loại từng phần tử theo cường độ của nó, sau đó đo kích thước của mỗi ngăn.

Vùng dưới biểu đồ được gọi là hàm phân phối tích lũy (viết tắt là CDF-cumulative distribution function ). Nó đo tần suất xảy ra ở một phạm vi cường độ pixel nhất định.hàm phân phối tích lũy (viết tắt là CDF-cumulative distribution function ). Nó đo tần suất xảy ra ở một phạm vi cường độ pixel nhất định.

Đối với ví dụ này, chúng ta biểu diễn sự phân bố cường độ trong im bằng cách tính toán biểu đồ (Histograms)  và hàm phân bố tích lũy và hiển thị chúng cùng nhau.Histograms)  và hàm phân bố tích lũy và hiển thị chúng cùng nhau.

>>> import numpy
>>> imarray = numpy.array(im)

>>> imarray.shape
(44, 330)
>>> im.size
(330, 44)

Bạn có thể thấy dữ liệu được tập hợp thành một số bản phân phối (separate distributions) riêng biệt, bao gồm sự nhiễu xung quanh, da, xương và artifacts. Đôi khi, chúng ta có thể tách biệt chúng với các ngưỡng toàn cục (tiền cảnh / hậu cảnh); sự phân bố chồng lên nhau khá nhiều (da / xương).

Mặt nạ (Masks)

Tạo mặt nạ

Mặt nạ (Masks) là phương pháp chính để loại bỏ hoặc chọn các phần cụ thể của hình ảnh. Chúng là các mảng nhị phân cho biết liệu một giá trị có nên được đưa vào phân tích hay không. Thông thường, mặt nạ được tạo bằng cách áp dụng một hoặc nhiều phép toán logic ( logical operations) cho một hình ảnh.

Đối với ví dụ này,chúng ta sẽ cố gắng sử dụng một ngưỡng cường độ đơn giản để phân biệt giữa da và xương trên phim chụp X quang bằng tay (the hand radiograph).

>>> imarray.shape
(44, 330)
>>> im.size
(330, 44)

>>> imarray.shape
(44, 330)
>>> im.size
(330, 44)

ứng dụng của một mask:

Mặc dù mặt nạ là nhị phân, chúng có thể được áp dụng vào hình ảnh để lọc ra các pixel ở các vị trí của mặt nạ 

im = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')

# Print image attributes
print('Image type:', type(im))
print('Shape of image array:', im.shape)

im = imageio.imread('./dataset/tcia-chest-ct-sample/chest-220.dcm')

# Print image attributes
print('Image type:', type(im))
print('Shape of image array:', im.shape)

>>> imarray.shape
(44, 330)
>>> im.size
(330, 44)

Image type: 
Shape of image array: (512, 512)

Image type: 
Shape of image array: (512, 512)

Image type: 
Shape of image array: (512, 512)

Hãy thử áp dụng mặt nạ bằng cách chọn các pixel giống như xương từ tia xquang bàn tay (the hand x-ray ) ( 

Image type: 
Shape of image array: (512, 512)

>>> imarray.shape
(44, 330)
>>> im.size
(330, 44)

>>> imarray.shape
(44, 330)
>>> im.size
(330, 44)

Chỉnh mặt nạ (Tune a mask):

Mặt nạ không hoàn hảo có thể được điều chỉnh thông qua việc cộng và trừ các pixel. SciPy bao gồm một số tính năng hữu ích để thực hiện những mục tiêu này. Bao gồm các:

+

Image type: 
Shape of image array: (512, 512)

+

Image type: 
Shape of image array: (512, 512)

+

Image type: 
Shape of image array: (512, 512)

+

Image type: 
Shape of image array: (512, 512)

Đối với ví dụ này,chúng ta hãy tạo một mặt nạ của xương sau đó điều chỉnh đểó bao gồm các pixel được bổ sung.

>>> imarray.shape
(44, 330)
>>> im.size
(330, 44)

Bộ lọc

Chuyển đổi với bộ lọc làm sắc nét.

Lọc biến (Filter convolutions):

Bộ lọc là một công cụ thiết yếu trong xử lý ảnh. Chúng cho phép bạn chuyển đổi hình ảnh dựa trên các giá trị cường độ xung quanh một pixel, thay vì toàn bộ.

Đối với ví dụ này, chúng ta hãy làm mịn ảnh X quang bàn chân. Đầu tiên, định rõ trọng số ( weights) sẽ được sử dụng. Chúng được gọi là « dấu chân » và « hạt nhân »(« footprints » and « kernels » ). Sau đó, xoay bộ lọc với im và vẽ biểu đồ kết quả.

>>> imarray.shape
(44, 330)
>>> im.size
(330, 44)

>>> imarray.shape
(44, 330)
>>> im.size
(330, 44)

Làm mịn ảnh y tế

Làm mịn có thể cải thiện tỷ lệ tín hiệu trên nhiễu (viết tắt là SNR) của hình ảnh của bạn bằng cách làm mờ về cường độ của các biến thể nhỏ . Bộ lọc Gaussian là một giải pháp tuyệt vời cho điều này.

Độ rộng của sự phân bố được kiểm soát bởi đối số sigma, với các giá trị cao hơn dẫn đến hiệu ứng làm mịn lớn hơn.

Đối với ví dụ này, chúng ta hãy kiểm tra tác động của việc áp dụng bộ lọc Gaussian vào phim chụp X-quang bàn chân trước khi tạo mặt nạ với xương.

>>> imarray.shape
(44, 330)
>>> im.size
(330, 44)

Dò tìm các tính năng của ảnh

Phát hiện các cạnh (Detect edges) (1):

Bộ lọc cũng có thể được sử dụng làm « máy dò »(« detectors »). Nếu một phần của hình ảnh phù hợp với mẫu trọng số, giá trị trả về sẽ rất cao (hoặc rất thấp).Trong trường hợp phát hiện cạnh, mẫu đó có sự thay đổi cường độ dọc theo một mặt phẳng. Bộ lọc giúp phát hiện các cạnh ngang có thể trông như thế này:

>>> imarray
array([[  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       ..., 
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246]], dtype=uint8)

Đối với ví dụ này,chúng ta hãy tạo một bộ dò dọc cạnh và xem nó hoạt động tốt như thế nào trên ảnh X-quang bàn tay (im).

>>> imarray
array([[  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       ..., 
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246]], dtype=uint8)

Phát hiện các cạnh ảnh y tế (2):

Việc phát hiện cạnh có thể được thực hiện dọc theo nhiều trục.Sau đó,chúng được kết hợp thành một giá trị với cạnh duy nhất. Đối với hình ảnh 2D, « bản đồ cạnh » (« edge maps » ) ngang và dọc có thể được kết hợp bằng cách sử dụng định lý Pitago:

Một bộ dò cạnh phổ biến là bộ lọc Sobel . Bộ lọc Sobel cung cấp thêm các trọng số cho các pixel ở trung tâm của bộ dò tìm:

>>> imarray
array([[  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       ..., 
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246]], dtype=uint8)

Đối với ví dụ này, chúng ta hãy cải thiện sự phát hiện trước đó bằng cách hợp nhất kết quả của hai hình ảnh được lọc Sobel thành một bản đồ cạnh tổng hợp (composite edge map).

>>> imarray
array([[  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       ..., 
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246]], dtype=uint8)

>>> imarray
array([[  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       ..., 
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246]], dtype=uint8)

>>> imarray
array([[  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       ..., 
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246],
       [  0,   1,   2, ..., 244, 245, 246]], dtype=uint8)

Nguồn tham khảo: godboychan

Người viết và tổng hợp:

+Fb: https://www.facebook.com/NguyenCongTrinh213/

+Instagram: https://www.instagram.com/nguyencongtrinh213/