Image processing 具有不同模态和光度解释的CNN图像的适当DICOM图像预处理_Image Processing_Deep Learning_Conv Neural Network_X Ray_Medical Imaging

Image processing 具有不同模态和光度解释的CNN图像的适当DICOM图像预处理

image-processing deep-learning

Image processing 具有不同模态和光度解释的CNN图像的适当DICOM图像预处理,image-processing,deep-learning,conv-neural-network,x-ray,medical-imaging,Image Processing,Deep Learning,Conv Neural Network,X Ray,Medical Imaging,我目前正在从事一个深度学习项目，涉及DICOMimages。长话短说，在这个项目中，我有人类骨盆的X光图像，我试图预测髋关节是否有一些病理变化（例如：囊肿、骨赘、硬化等）我的一个问题是，数据是从不同的医院收集的，并且具有不同的属性（分布）。我的注意力主要集中在：检查仪-我接受了计算机X射线摄影（CR）和数字X射线摄影（DX）检查光度判读-我的X射线保存在RGB、单色1和单色2 我有3组主要的图像：如果我理解正确，我真的无法使用成像仪做任何事情，但是在光度学解释的情况下，我将RGBX

我目前正在从事一个深度学习项目，涉及

DICOM

images。长话短说，在这个项目中，我有人类骨盆的X光图像，我试图预测髋关节是否有一些病理变化（例如：囊肿、骨赘、硬化等）

我的一个问题是，数据是从不同的医院收集的，并且具有不同的属性（分布）。我的注意力主要集中在：

```
检查仪
```
-我接受了计算机X射线摄影（
```
CR
```
）和数字X射线摄影（
```
DX
```
）检查
```
光度判读
```
-我的X射线保存在
```
RGB
```
、
```
单色1
```
和
```
单色2
```

我有3组主要的图像：

如果我理解正确，我真的无法使用

成像仪做任何事情，但是在光度学解释的情况下，我将RGB
X射线更改为灰度
，对所有图像进行单位化，并反转单色差1
像素值：
pixel_data = dicom.pixel_array
pi = dicom['PhotometricInterpretation'].value
if pi == 'RGB':
    pixel_data = rgb2gray(pixel_data)
pixel_data = (pixel_data - pixel_data.min()) / (pixel_data.max() - pixel_data.min())
if pi == 'MONOCHROME1':
    pixel_data = np.abs(1 - pixel_data)

在那之后，我将CLAHE算法应用于每一个。预处理前后的3个样本图像（CR-RGB、DX-MONO2、CX-MONO1）如下所示：

建模之前的最后一步是从X光片上切下髋关节，因为我试图预测的所有变化都位于一个小区域，因此我不需要整个X光片（我计划建立定位模型，以找到髋关节的边界框，并为其上的变化建立分类模型）。切割后的3个样本髋关节（CR-RGB、DX-MONO2、CX-MONO1）如下所示：

我的问题是：
我的预处理步骤有什么问题吗
我是否应该在预处理中添加一些内容
这是我第一次使用DICOM，如有任何帮助，我将不胜感激。
我认为您应该使用阈值技术之一，我建议尝试“Otsu”，然后检测需要尝试“canny”的边缘。您还可以使用连接组件标签来找到您想要检查囊肿、骨赘生物的感兴趣区域。
我认为您应该使用阈值技术之一，我建议尝试“Otsu”，然后检测需要尝试“canny”的边缘。您还可以使用连接组件标签来找到您想要检查囊肿、骨赘的感兴趣区域。
除非OP知道“otsu”和“canny”等术语的含义，否则答案将毫无帮助。因此，为了让答案有帮助，请提供更多关于术语的详细信息，以及它们如何链接到OP提到的术语/代码/主题。提供您使用的术语的参考也很有帮助。除非OP知道“otsu”和“canny”等术语的含义，否则答案将毫无帮助。因此，为了让答案有帮助，请提供更多关于术语的详细信息，以及它们如何链接到OP提到的术语/代码/主题。提供对您使用的术语的引用也很有帮助。因为您不想详细处理整个图像，所以不要使用clahe，您所做的调整（使用min和max）就足够了。然后，如果你有很多图像，进行深度学习，如果你没有，自由形式注册是将异常与地面真实进行比较的最佳方法。因为你不想详细处理整个图像，所以不要使用clahe，你所做的调整（使用最小值和最大值）就足够了。然后，如果你有很多图像，进行深度学习，如果你没有，自由形式的注册是比较异常和基本事实的最佳方法。