pix2pix-gan医疗图像分割迁移

pix2pix-gan做医学图像合成的时候，如果把nii数据转成png格式会损失很多信息，以为png格式图像的灰度值有256阶，因此直接使用nii的医学图像做输入会更好一点。

但是Pythorch中的Dataloader是不能直接读取nii图像的，因此加一个CreateNiiDataset的类。

先来了解一下pytorch中读取数据的主要途径——Dataset类。在自己构建数据层时都要基于这个类，类似于C++中的虚基类。

自己构建的数据层包含三个部分

1 2 3 4 5 6 7 8 9 10 11 12

class Dataset(object): """An abstract class representing a Dataset. All other datasets should subclass it. All subclasses should override ``__len__``, that provides the size of the dataset, and ``__getitem__``, supporting integer indexing in range from 0 to len(self) exclusive. """ def __getitem__(self, index):  raise NotImplementedError def __len__(self):  raise NotImplementedError def __add__(self, other):  return ConcatDataset([self, other])

根据自己的需要编写CreateNiiDataset子类：

因为我是基于https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix

做pix2pix-gan的实验，数据包含两个部分mr 和 ct，不需要标签，因此上面的 def getitem(self, index):中不需要index这个参数了，类似地，根据需要，加入自己的参数，去掉不需要的参数。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

class CreateNiiDataset(Dataset):  def __init__(self, opt, transform = None, target_transform = None):   self.path1 = opt.dataroot # parameter passing   self.A = 'MR'   self.B = 'CT'   lines = os.listdir(os.path.join(self.path1, self.A))   lines.sort()   imgs = []   for line in lines:    imgs.append(line)   self.imgs = imgs   self.transform = transform   self.target_transform = target_transform  def crop(self, image, crop_size):   shp = image.shape   scl = [int((shp[0] - crop_size[0]) / 2), int((shp[1] - crop_size[1]) / 2)]   image_crop = image[scl[0]:scl[0] + crop_size[0], scl[1]:scl[1] + crop_size[1]]   return image_crop  def __getitem__(self, item):   file = self.imgs[item]   img1 = sitk.ReadImage(os.path.join(self.path1, self.A, file))   img2 = sitk.ReadImage(os.path.join(self.path1, self.B, file))   data1 = sitk.GetArrayFromImage(img1)   data2 = sitk.GetArrayFromImage(img2)   if data1.shape[0] != 256:    data1 = self.crop(data1, [256, 256])    data2 = self.crop(data2, [256, 256])   if self.transform is not None:    data1 = self.transform(data1)    data2 = self.transform(data2)   if np.min(data1)<0:    data1 = (data1 - np.min(data1))/(np.max(data1)-np.min(data1))   if np.min(data2)<0:    #data2 = data2 - np.min(data2)    data2 = (data2 - np.min(data2))/(np.max(data2)-np.min(data2))   data = {}   data1 = data1[np.newaxis, np.newaxis, :, :]   data1_tensor = torch.from_numpy(np.concatenate([data1,data1,data1], 1))   data1_tensor = data1_tensor.type(torch.FloatTensor)   data['A'] = data1_tensor # should be a tensor in Float Tensor Type   data2 = data2[np.newaxis, np.newaxis, :, :]   data2_tensor = torch.from_numpy(np.concatenate([data2,data2,data2], 1))   data2_tensor = data2_tensor.type(torch.FloatTensor)   data['B'] = data2_tensor # should be a tensor in Float Tensor Type   data['A_paths'] = [os.path.join(self.path1, self.A, file)] # should be a list, with path inside   data['B_paths'] = [os.path.join(self.path1, self.B, file)]   return data  def load_data(self):   return self  def __len__(self):   return len(self.imgs)

注意：最后输出的data是一个字典，里面有四个keys=[‘A',‘B',‘A_paths',‘B_paths'], 一定要注意数据要转成FloatTensor。

其次是data[‘A_paths'] 接收的值是一个list，一定要加[ ] 扩起来，要不然测试存图的时候会有问题，找这个问题找了好久才发现。

然后直接在train.py的主函数里面把数据加载那行改掉就好了

data_loader = CreateNiiDataset(opt)
dataset = data_loader.load_data()

Over！

补充知识：nii格式图像存为npy格式

我就废话不多说了，大家还是直接看代码吧！

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

import nibabel as nib import os import numpy as np    img_path = '/home/lei/train/img/' seg_path = '/home/lei/train/seg/' saveimg_path = '/home/lei/train/npy_img/' saveseg_path = '/home/lei/train/npy_seg/'    img_names = os.listdir(img_path) seg_names = os.listdir(seg_path)    for img_name in img_names:  print(img_name)  img = nib.load(img_path + img_name).get_data() #载入  img = np.array(img)  np.save(saveimg_path + str(img_name).split('.')[0] + '.npy', img) #保存    for seg_name in seg_names:  print(seg_name)  seg = nib.load(seg_path + seg_name).get_data()  seg = np.array(seg)  np.save(saveseg_path + str(seg_name).split('.')[0] + '.npy