医学图像预处理

1、归一化处理

方法二，公式为：(X-mean)/std 计算时对每个属性/每列分别进行

将数据按期属性（按列进行）减去其均值，并处以其方差。得到的结果是，对于每个属性/每列来说所有数据都聚集在0附近，方差为1。

# 方法一：sklearn.preprocessing.scale()函数
from sklearn import preprocessing
import numpy as np
X_scaled = preprocessing.scale(X)
# # image = (image - np.mean(image)) / np.std(image)

# 方式二
# 将属性缩放到一个指定的最大和最小值（通常是1-0）之间
img=(img-np.min(img))/(np.max(img)-np.min(img))

2、裁剪、旋转、翻转

# 随机裁剪
(w, h, d) = image.shape
w1 = np.random.randint(0, w - self.output_size[0])
h1 = np.random.randint(0, h - self.output_size[1])
d1 = np.random.randint(0, d - self.output_size[2])

label = label[w1:w1 + self.output_size[0], h1:h1 + self.output_size[1], d1:d1 + self.output_size[2]]
image = image[w1:w1 + self.output_size[0], h1:h1 + self.output_size[1], d1:d1 + self.output_size[2]]

# 中心裁剪
(w, h, d) = image.shape
w1 = int(round((w - self.output_size[0]) / 2.))
h1 = int(round((h - self.output_size[1]) / 2.))
d1 = int(round((d - self.output_size[2]) / 2.))

label = label[w1:w1 + self.output_size[0], h1:h1 + self.output_size[1], d1:d1 + self.output_size[2]]
image = image[w1:w1 + self.output_size[0], h1:h1 + self.output_size[1], d1:d1 + self.output_size[2]]

# 翻转
axis = np.random.randint(0, 2)  # 代表某个维度，x轴或y或z
image = np.flip(image, axis=axis)

# 旋转
k = np.random.randint(0, 4)
image = np.rot90(image, k)  # 随机旋转矩阵90、180、270

参考：医学图像——数据读取和预处理

参考：