【3D 图像分类】基于 Pytorch 的 3D 立体图像分类4（多人标注的结节立体框合并和特征等级投票）

本文主要是介绍【3D 图像分类】基于 Pytorch 的 3D 立体图像分类4（多人标注的结节立体框合并和特征等级投票），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在LIDC-IDRI的数据集中，对于同一个案例，存在多个医生标注的结果。这就导致下面几种情况的出现：

1. A医生标注的结节区域，B医生并不一定会标；
2. B医生标注的结节，C医生也标注了，但是范围大小存在着交集关系；
3. 同时标记，给的特征等级也不一定相同。

此时，就需要对一个案例标注的结节进行处理。可以根据标注次数进行选择，也可以简单粗暴的直接取并集。本文就直接取并集，比较的简单。如果要考虑标记次数，可以参考这篇文章：【3D 图像分割】基于 Pytorch 的 3D 图像分割6（数据预处理之LIDC-IDRI 标签 xml 标签转储及标记次数统计 ）。

本文的目标，就是在上一节处理得到的PKL文件的基础上，获取一个个结节坐标信息，和对应需要处理的某个特征的信息，比如良恶性，比如钙化程度。最终得到一个合并后汇总版的坐标，和对应的等级，具体步骤如下：

1. 获取一个个结节信息，包括坐标和等级；
2. 对这些结节，根据IOU，分成一个个小堆，等着合并用；
3. 一个堆，一个堆的合并在一起，等级是根据投票少数服从多数；
4. 最后把合并后的坐标和等级存储下来，供后续裁剪使用。

一、具体实施 ❤️

实施上述内容的主调用函数如下，定义了pkl文件的路径、存储的路径、取什么特征。这样，在main里面就实施上述步骤，也会在本节中，分小节一一展开介绍。

def main(pkl_dir, mainKey, save_dir):pkl_list = os.listdir(pkl_dir)for pkl in pkl_list:name = pkl.split('_')[0]pkl_path = os.path.join(pkl_dir, pkl)print('pkl_path:', pkl_path)boxes, characteres = getPkl_info(pkl_path, mainKey=mainKey)   # 读取pkl文件，获取标注的信息print('boxes:', boxes, characteres)if boxes:cluster_l = make_one_cluster(boxes, iout=0.1)boxes_combine, level_combine = combine_bbox_level(cluster_l, boxes, characteres)print(boxes_combine)print(level_combine)print()np.save(os.path.join(save_dir, '%s_boxes.npy' % (name)), boxes_combine)np.save(os.path.join(save_dir, '%s_level.npy' % (name)), level_combine)if __name__=='__main__':pkl_dir = r'./pkl_file'save_dir = r'./nodule_cls_info'mainKey = 'nodule_calcification'#       实性            部分实性          磨玻璃影cls = ['solidNodule', 'solidNodulePart', 'GGO']main(pkl_dir, mainKey, save_dir)

1.1、读取PKL文件，获取信息

PKL文件的读取，在之前的文章中都有简单的介绍，感兴趣的可以去看看本专栏之前的文章，会对pkl文件的读取和存储留下更深的印象。

在pkl文件中:

• 一个结节一层的记录信息如下所示，
• 一个结节不同层的信息，会组成一个列表
• 不同结节，会组成一个更大的列表

对于下面一个结节一层的记录信息，就不一逐一展开介绍了，这块介绍参考上一篇文章：【3D 图像分类】基于 Pytorch 的 3D 立体图像分类3（LIDC-IDRI 肺结节 XML 特征标签 PKL 转储）

{'pixels': [[355, 278],[354, 279],[354, 280],[354, 281],[354, 282],[354, 283],[354, 284],[354, 285],[355, 286],[356, 286],[357, 286],[358, 285],[359, 285],[360, 284],[361, 284],[362, 283],[363, 282],[363, 281],[362, 280],[361, 279],[360, 279],[359, 278],[358, 278],[357, 278],[356, 278],[355, 278]],'sop_uid': '1.3.6.1.4.1.14519.5.2.1.6279.6001.265463834573905158752543199468','sop_Instance_num': 57,'nodule_id': 'Nodule 001','nodule_malignancy': 3,'nodule_subtlety': 4,'nodule_internal_struct': 1,'nodule_calcification': 6,'nodule_sphericity': 4,'nodule_margin': 5,'nodule_lobulation': 1,'nodule_spiculation': 1,'nodule_texture': 5},

获取pkl文件信息的完整定义代码如下，这里使用了一个外接立体框，表示一个结节的坐标，包括了zmin, ymin, xmin, zmax, ymax, xmax，去除掉了就只标记一层的结节。（这里你也可以不去掉，那最后就会留下这个，因为算IOU时候，它与其他的框的值比较低）

def getPkl_info(pkl_path, mainKey='nodule_malignancy'):boxes, character_l = [], []with open(pkl_path, "rb") as f:pkl_data = pickle.load(f)print(pkl_data)for rad_annotationID in pkl_data['nodules']:z_l, y_l, x_l = [], [], []for one_nodule in rad_annotationID:sop_Instance_num = one_nodule['sop_Instance_num']pixel_array = np.array(one_nodule['pixels'])character = one_nodule[mainKey]y1, x1, y2, x2 = np.min(pixel_array[:, 1]), np.min(pixel_array[:, 0]), np.max(pixel_array[:, 1]), np.max(pixel_array[:, 0])z_l.append(sop_Instance_num)y_l.append(y1), y_l.append(y2)x_l.append(x1), x_l.append(x2)zmin, zmax = min(z_l), max(z_l)ymin, ymax = min(y_l), max(y_l)xmin, xmax = min(x_l), max(x_l)if zmax > zmin:     # 去除掉只标记了一层的boxes.append([zmin, ymin, xmin, zmax, ymax, xmax])character_l.append(character)return boxes, character_l

1.2、根据IOU，分成小堆

在判断同一次检查，不同的结节之间的关系，采用了立体框之间的IOU作为判断标准，其中：

1. IOU 低于阈值的，两个立体框之间是相离更大的，归为不同的结节
2. IOU 高于阈值的，两个立体框之间是相交更大的，他们两个需要划到一个堆里面，供后续合并操作

def iou_3d(cubes_a, cubes_b):# cubes_a：[zi.min(), yi.min(), xi.min(),#           zi.max(), yi.max(), xi.max()]cubes_a = np.expand_dims(cubes_a, axis=1)cubes_b = np.expand_dims(cubes_b, axis=0)# np.maximum逐元素比较两个array的大小，取出大的值overlap = np.maximum(0.0,np.minimum(cubes_a[..., 3:], cubes_b[..., 3:]) -   # 大大，求最小np.maximum(cubes_a[..., :3], cubes_b[..., :3])     # 小小，求最大)overlap = np.prod(overlap, axis=-1)     # np.prod：计算数组中所有元素的乘积area_a = np.prod(cubes_a[..., 3:] - cubes_a[..., :3], axis=-1)  # 最大坐标减去最小坐标area_b = np.prod(cubes_b[..., 3:] - cubes_b[..., :3], axis=-1)iou = overlap / (area_a + area_b - overlap+1e-5)return ioudef make_one_cluster(boxes, iout=0.1):iou = iou_3d(boxes, boxes)n, m = iou.shapeiou[np.tril_indices_from(iou)] = 0print(iou, iou.shape, type(iou))# iou_l = iou.tolist()cluster_l = []all_l = []for i in range(n):res = np.where(iou[i] > iout)[0]print(i, res, type(res))match_index = res.tolist()if i not in all_l:match_index.append(i)cluster_l.append(match_index)all_l.extend(match_index)print(cluster_l)print(all_l)return cluster_l

上面代码中，除了计算框与框之间的IOU外，还需要去除对角线及其下三角形（tril）的值，这里都置为0。除此之外，1匹配到3，那就不能再3匹配到1了，所以增加了一个去重的判断，已经纳入了，就不在归入列表了。

1.3、合并在一起

合并在一起就比较的简单了，这里取的是并集，所以对于一个堆的不同医生标注的结节，zyx的最大值，最小的取最小，最大的取最大就可以了。

当然，你也可以取交集。但是，对于最后分类阶段对结节像素区域裁剪一般不构成影响的。因为结节的区域是比较小的，crop后的patch一般会比这个结节大很多的，所以，这点影响不大。

下面是合并的代码。

def combine_bbox_level(cluster_l, boxes, characteres):boxes_combine, level_combine = [], []for oneCluster in cluster_l:level_list, bbox_list = [], []for i in oneCluster:level_list.append(characteres[i])bbox_list.append(boxes[i])print('level_list:', level_list)print('bbox_list:', bbox_list)bbox_array = np.array(bbox_list)zmin, zmax = min(bbox_array[:, 0]), max(bbox_array[:, 3])ymin, ymax = min(bbox_array[:, 1]), max(bbox_array[:, 4])xmin, xmax = min(bbox_array[:, 2]), max(bbox_array[:, 5])characteristicLeval = max(level_list, key=level_list.count)boxes_combine.append([zmin, ymin, xmin, zmax, ymax, xmax])level_combine.append(characteristicLeval)return boxes_combine, level_combine

1.4、存储下来

通过前面一系列的处理，将多人标注的结节进行了汇总，多相应的等级进行了投票处理，得到了立体框的坐标，以及对应特征的等级。此时，将这两个数据临时存储下来，供后续裁剪等操作，提供数据。

存储的方式如下：

			np.save(os.path.join(save_dir, '%s_boxes.npy' % (name)), boxes_combine)np.save(os.path.join(save_dir, '%s_level.npy' % (name)), level_combine)

这样一次检查，就得到了一个_boxes.npy的文件，和一个_level.npy为文件。

打开npy文件查看，_boxes.npy存放的内容如下：

[[ 54 276 351  58 288 364][ 49 360 285  51 370 297][ 40 258 324  43 268 335][ 21 330 316  22 340 328][ 23 232 292  26 243 302][ 15 290 155  16 295 162][ 50 199 109  51 208 116]] 

_level.npy存放的内容如下：

[6 6 6 6 6 6 6]

二、总结 ❤️

本文就没有延伸太多无关的内容，主要就是对本系列一二两个动手实操内容的一个数据处理的补充。通过本文之后，你就得到了一个结节具体的坐标位置，以及对应特征类别的等级。有了这两个信息，无论你是做检测，还是扣成patch进行分类，都非常的简单了。

最后这个扣patch的操作，会在下一节给出，期待。

这篇关于【3D 图像分类】基于 Pytorch 的 3D 立体图像分类4（多人标注的结节立体框合并和特征等级投票）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---