CT图像获取人体部分掩膜MASK（去除机床）

CT图像获取人体部分掩膜MASK（去除机床）

统计CT图像的均值标准差时，希望只针对人体部分进行统计，故需要从CT图像中获取人体部分的掩膜MASK，而人体又经常与机床部分相连，所以也需要去掉机床部分

简单实现方法

理想情况下，通过卡一个较低阈值（-150），能够使人体与机床部分完全分离。这种情况下，直接通过取最大连通域的方式，就可得到人体部分的mask。

代码：

import numpy as np
import os
import SimpleITK as sitk


def getmaxcomponent(mask_array, num_limit=10):
    # sitk方法获取连通域
    cca = sitk.ConnectedComponentImageFilter()
    cca.SetFullyConnected(True)
    cca.FullyConnectedOff()
    _input = sitk.GetImageFromArray(mask_array.astype(np.uint8))
    output_ex = cca.Execute(_input)
    labeled_img = sitk.GetArrayFromImage(output_ex)
    num = cca.GetObjectCount()
    max_label = 0
    max_num = 0
    # 不必遍历全部连通域，一般在前面就有对应全身mask的label，减少计算时间
    for i in range(1, num_limit):  	
        if np.sum(labeled_img == i) < 1e6:		# 全身mask的体素数量必然很大，小于设定值的不考虑
            continue
        if np.sum(labeled_img == i) > max_num:
            max_num = np.sum(labeled_img == i)
            max_label = i
    maxcomponent = np.array((labeled_img == max_label)).astype(np.uint8)
    print(str(max_label) + ' num:' + str(max_num))  	# 看第几个是最大的
    return maxcomponent


def get_body(CT_nii_array):
    """
    卡CT阈值获取身体（理想情况下够用了，不过多数情况下会包括到机床部分）
    """
    # 阈值二值化，获得最大的3d的连通域
    CT_array = np.copy(CT_nii_array)
    threshold_all = -200  # 卡的阈值，卡出整个身体以及机床部分
    CT_array[CT_array >= threshold_all] = 1
    CT_array[CT_array <= threshold_all] = 0
    body_mask1 = getmaxcomponent(CT_array, 10)
    return body_mask1.astype(np.uint8)

不理想情况的解决方法

不理想的情况指的是，人体与机床有相连，导致取连通域后得到的mask其实包含有机床部分，这种情况在实际中也经常碰到，因此需要去除机床部分，尝试了以下两种方法：

1.形态学方法：
思路：开操作、腐蚀，希望能断开人体与机床部分相连的地方，然后再取一次最大连通域
缺点：该方法在人和机床相连情况不太严重时有一定效果，但是容易导致获得的人体部分经过形态学处理后有点问题

2.先获取机床的mask：
思路：在有多例CT数据的情况下，每例CT图像取到最大连通域（可能包含机床）后，我们叠加所有连通域，由于人体与机床相连的位置各不相同，而机床的位置是固定的，因此相连的地方的重叠次数不高于机床部分，我们保留重叠次数大于设定阈值的区域，再去掉此时的最大连通域（即人体部分），最后经过一下形态学的简单处理，即可获得机床部分的mask
（注意：需要保证这批数据由同样一台机器扫描得到，不然CT不能简单地进行重叠）

获取机床mask的代码(不完整，读取数据部分需要自己写)：

body_mask_final = np.zeros([374, 512, 512], dtype=np.uint8)
for i in train_id:
    i = str(i)
    print('\r'+i, end='')
    CT_nii_file = data_folder + sep + i + '_CT.nii.gz'
    # SimpleITK读取nii
    CT_nii = sitk.ReadImage(CT_nii_file)
    CT_a = sitk.GetArrayFromImage(CT_nii)

    body_mask = get_body(CT_a)
    body_mask_final += body_mask
   
# 去最大连通域
maxcomponent = getmaxcomponent(machine_mask)

# 去掉最大的身体部分
machine_mask = machine_mask - maxcomponent

# 膨胀3*3，并取取最大连通域
machine_mask_d = dilate_ct(machine_mask, 3, other_axis=False)		# 自写的一个函数，用opencv2对每个横截面进行膨胀
machine_mask_s = getmaxcomponent(machine_mask_d)

save_path = r".\machine_mask.nii.gz"		# 保存
save_sitk = sitk.GetImageFromArray(machine_mask_s.astype(np.uint8))
sitk.WriteImage(save_sitk, save_path)

机床MASK示例：

红色部分就是机床mask了，结果还不错，再配合最开始的方法，获得人体的mask

代码：

def cut_machine(CT_nii_array, CT_nii, nii_folder_path, id):
    """
    从CT图像中得到去掉机床部分后的人体部分
    """
    body_mask_file = nii_folder_path + sep + id + r'_body_mask.nii.gz'
    machine_mask_file = r'.\machine_mask.nii.gz'  # 机床mask文件
    # 阈值二值化，获得最大的3d的连通域
    body_mask1 = get_body(CT_nii_array)
    # 后处理
    # 去掉机床部分
    machine_mask = sitk.ReadImage(machine_mask_file)
    machine_mask_nii = sitk.GetArrayFromImage(machine_mask)
    body_mask2 = body_mask1 - machine_mask_nii
    body_mask2[body_mask2 == 255] = 0
    body_mask2[body_mask2 < 0] = 0
    body_mask3 = getmaxcomponent(body_mask2, 150)
    # 填充
    body_mask_fill = np.zeros(body_mask3.shape, dtype=np.uint8)
    for j in range(body_mask2.shape[0]):
        body_mask_fill[j, :, :] = fill_inter_bone(body_mask3[j, :, :])
    save_mask = body_mask_fill
    save_nii(save_mask, CT_nii, body_mask_file)
    # plt.imshow(save_nii[195, :, :])
    # plt.show()
    return save_mask.astype(np.uint8)

def save_nii(save_nii, CT_nii, save_path, save_mask=True):
    """
    保存nii
    :param save_nii: 需要保存的nii图像的array
    :param CT_nii: 配准的nii图像，用于获取同样的信息
    :param save_path: 保存路径
    :param save_mask: 保存的是否是mask，默认是True
    :return:
    """
    if save_mask:
        # 保存mask_nii
        save_sitk = sitk.GetImageFromArray(save_nii.astype(np.uint8))
    else:
        # 保存img_nii
        save_sitk = sitk.GetImageFromArray(save_nii.astype(np.float))
    save_sitk.CopyInformation(CT_nii)
    sitk.WriteImage(save_sitk, save_path)
    print(save_path + ' processing successfully!')

def fill_inter_bone(mask):
    # 对一张图像做孔洞填充，读入的是一层
    mask = mask_fill = mask.astype(np.uint8)
    if np.sum(mask[:]) != 0:  # 即读入图层有值
        contours, hierarchy = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
        len_contour = len(contours)
        contour_list = []
        for i in range(len_contour):
            drawing = np.zeros_like(mask, np.uint8)  # create a black image
            img_contour = cv2.drawContours(drawing, contours, i, (1, 1, 1), -1)
            contour_list.append(img_contour)
        mask_fill = sum(contour_list)
        mask_fill[mask_fill >= 1] = 1
    return mask_fill.astype(np.uint8)

人体MASK示例：

后续想法

针对同一批次数据的情况，其实可以直接取其中一例人体与机床分开的图像单独取得机床mask，后续批量处理中直接取这个mask进行处理即可。大部分情况下是word的。