深度学习，分割后处理之通过填补孔洞，提高分割准确度

Posted 2021-09-03 Tina姐

当我们查看分割结果时，会发现分割内部偶尔会出现这种分割孔洞（hole）。

常识告诉我们，这个器官内部是没有孔洞的，因此，我们通过后处理的方法把它填上,可以提高分割准确度。

这种三维孔洞，我们希望有一种便捷方法，可以直接填补这种三维孔洞。可以使用 SITK 的二值孔洞填补方法。 sitk.BinaryFillhole

1. sitk.BinaryFillhole

注意： 该函数只针对二值图像（值为0或1）

import SimpleITK as sitk
import os
import glob

imglist= glob.glob('./*.nii.gz')
save_dir = './fillhole'

for img in imglist:
    img_nii = sitk.ReadImage(img, outputPixelType=sitk.sitkUInt16)
    img_fill = sitk.BinaryFillhole(img_nii)
    img_savedir = os.path.join(save_dir, img.split('/')[-1])

    sitk.WriteImage(img_fill, img_savedir)

该例子显示了如何批量填补孔洞，并且保存下来。

2. 自写一个。

我是主张能用开源工具就用工具，毕竟这些工具都是大牛写的，值得信赖。

但是，我这里还是提供一个github上写的算法。

大致思路： 这个算法提供了三维填充和二维填充，二维填充是选择一个面（如横断面或者冠状面）进行一层一层的填充。

from scipy.ndimage.morphology import binary_fill_holes
import numpy as np
from scipy import ndimage
import nibabel as nib
from skimage.measure import label
import matplotlib.pyplot as plt


def hole_filling(bw, hole_min, hole_max, fill_2d=True):
    bw = bw > 0
    if len(bw.shape) == 2:
        background_lab = label(~bw, connectivity=1)
        fill_out = np.copy(background_lab)
        component_sizes = np.bincount(background_lab.ravel())
        too_big = component_sizes > hole_max
        too_big_mask = too_big[background_lab]
        fill_out[too_big_mask] = 0
        too_small = component_sizes < hole_min
        too_small_mask = too_small[background_lab]
        fill_out[too_small_mask] = 0
    elif len(bw.shape) == 3:
        if fill_2d:
            fill_out = np.zeros_like(bw)
            for zz in range(bw.shape[1]):
                background_lab = label(~bw[:, zz, :], connectivity=1)   # 1表示4连通， ~bw[zz, :, :]1变为0， 0变为1
                # 标记背景和孔洞， target区域标记为0
                out = np.copy(background_lab)
                # plt.imshow(bw[:, :, 87])
                # plt.show()
                component_sizes = np.bincount(background_lab.ravel())
                # 求各个类别的个数
                too_big = component_sizes > hole_max
                too_big_mask = too_big[background_lab]

                out[too_big_mask] = 0
                too_small = component_sizes < hole_min
                too_small_mask = too_small[background_lab]
                out[too_small_mask] = 0
                # 大于最大孔洞和小于最小孔洞的都标记为0， 所以背景部分被标记为0了。只剩下符合规则的孔洞
                fill_out[:, zz, :] = out
                # 只有符合规则的孔洞区域是1， 背景及target都是0
        else:
            background_lab = label(~bw, connectivity=1)
            fill_out = np.copy(background_lab)
            component_sizes = np.bincount(background_lab.ravel())
            too_big = component_sizes > hole_max
            too_big_mask = too_big[background_lab]
            fill_out[too_big_mask] = 0
            too_small = component_sizes < hole_min
            too_small_mask = too_small[background_lab]
            fill_out[too_small_mask] = 0
    else:
        print('error')
        return

    return np.logical_or(bw, fill_out)  # 或运算，孔洞的地方是1，原来target的地方也是1

参数简介

• bw: array, 待填补的数组
• hole_min: 孔洞像素的个数最小值,一般为0
• hole_max： 孔洞像素的个数最大值。
• fill_2d： True：二维填充。False:三维填充
  只有当孔洞像素值个数在 [hole_min, hole_max] 才会被填补。

算法里面涉及了大量的与或非运算。

调用

filled = hole_filling(arr, 0, 100, fill_2d=True)  # 通过改变bw[zz, :, :]，选择轴

你可以对比一下，这三种算法（第二个里面是2种算法）哪个更适合你。

深度学习，分割后处理之通过连通成分分析去除假阳性区域，提高分割准确度

常用的分割后处理方法就是 连通成分分析和填补孔洞，你学会了吗。

文章持续更新，可以关注微信公众号【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~

我是Tina, 我们下篇博客见~

白天工作晚上写文，呕心沥血

觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连