基于LIDC-IDRI肺结节肺癌数据集的放射组学机器学习分类良性和恶性肺癌（Python 全代码）全流程解析 （一）

    + [1.2 图像标注信息预处理-（读取肺结节是良性还是恶性）](#12__109)
    + [1.2 肺结节图像切片处理处理-（切片并保存）](#12__125)
    + [1.3 总结](#13__140)

    pip install pylidc

    import pylidc as pl
    from pylidc.utils import consensus
    import os
    
    dataset_path = r'G:\dataset\_zhang\LIDC-IDRI\ '#修改路径哦
    dicom_name   = 'LIDC-IDRI-0001'
    PathDicom = os.path.join(example)  # 构建当前病例文件夹的完整路径
    # 查询当前病例的扫描数据，并将第一个扫描结果存储到scan变量中
    scan = pl.query(pl.Scan).filter(pl.Scan.patient_id == example).first()
    print(scan)

    import numpy as np
    import matplotlib.pyplot as plt
    import matplotlib.animation as manim
    from skimage.measure import find_contours
    import cv2
    import pylidc as pl
    from pylidc.utils import consensus
    import os
    
    dataset_path = r'G:\dataset\_zhang\LIDC-IDRI\ '
    dicom_name   = 'LIDC-IDRI-0001'
    print(dicom_name)  # 打印当前DICOM文件夹的名称
    PathDicom = os.path.join(dataset_path, dicom_name)  # 构建当前DICOM文件夹的完整路径
    # 查询当前病例的扫描数据，并将第一个扫描结果存储到scan变量中
    scan = pl.query(pl.Scan).filter(pl.Scan.patient_id == dicom_name).first()
    vol = scan.to_volume()# 将该扫描数据转换成数组形式的体积（volume）
    # 聚类注释（nodule annotations）以获取一组注释
    nods = scan.cluster_annotations()
    try:
       anns = nods[0]   # 尝试获取第一个注释（annotation）
       Malignancy = anns[0].Malignancy   # 获取注释中的恶性程度（Malignancy）信息
    except IndexError:
       # 如果没有注释，或者无法获取第一个注释，则继续下一个DICOM文件夹
       continue
    # 执行共识合并（consensus consolidation）和50%的一致性水平（agreement level）。
    # 我们在切片周围添加填充以提供上下文以进行查看。
    cmask, cbbox, masks = consensus(anns, clevel=0.5, pad=[(0,0), (7,7), (20,20)])
    # 提取相应的切片进行可视化
    image = vol[cbbox]
    k = int(0.5 \* (cbbox[2].stop - cbbox[2].start))
    fig, ax = plt.subplots(1, 1, figsize=(5, 5))
    ax.imshow(vol[cbbox][:, :, k], cmap=plt.cm.gray, alpha=1)
    # 标记不同注释的边界
    colors = ['r', 'g', 'b', 'y']
    for j in range(len(masks)):
       for c in find_contours(masks[j][:, :, k].astype(float), 0.5):
       label = "Annotation %d" % (j+1)
       plt.plot(c[:, 1], c[:, 0], colors[j], label=label)
    # 绘制50%共识轮廓线
    for c in find_contours(cmask[:, :, k].astype(float), 0.5):
       plt.plot(c[:, 1], c[:, 0], '--k', label='50% Consensus')
    ax.axis('off')  # 关闭坐标轴
    ax.legend()  # 显示图例
    plt.tight_layout()  # 调整布局以适应图像
    plt.show()  # 显示图像

    #归一化
    def normalize\_hu(image):
    	#将输入图像的像素值(-4000 ~ 4000)归一化到0~1之间
        MIN_BOUND = -1000.0
        MAX_BOUND = 400.0
        image = (image - MIN_BOUND) / (MAX_BOUND - MIN_BOUND)
        image[image > 1] = 1.
        image[image < 0] = 0.
        return image

    if Malignancy == 'Highly Unlikely':
        label1 = 1
    elif Malignancy == 'Moderately Unlikely':
        label1 = 2
    elif Malignancy == 'Indeterminate':
        label1 = 3
    elif Malignancy == 'Moderately Suspicious':
        label1 = 4
    elif Malignancy == 'Highly Suspicious':
        label1 = 5
    print(label1)

    import numpy as np
    import matplotlib.pyplot as plt
    from skimage.measure import find_contours
    import cv2
    import pylidc as pl
    from pylidc.utils import consensus
    import os
    
    dataset_path = r'G:\dataset\_zhang\LIDC-IDRI\ '
    dicom_name   = 'LIDC-IDRI-0001'
    
    #归一化
    def normalize\_hu(image):
    	#将输入图像的像素值(-4000 ~ 4000)归一化到0~1之间
    MIN_BOUND = -1000.0
    MAX_BOUND = 400.0
    image = (image - MIN_BOUND) / (MAX_BOUND - MIN_BOUND)
    image[image > 1] = 1.
    image[image < 0] = 0.
    return image
      
    ii = 0
    # Query for a scan, and convert it to an array volume.
    for dicom_name in os.listdir(dataset_path):
    print(dicom_name)
    **自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。** **深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！** **因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。**
![img]()
![img]()
![img]()
![img]()
![img]()
![img]()
    
     
    
    **既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！** **由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新** **如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）**
    
    n/img_convert/9f49b566129f47b8a67243c1008edf79.png)
    
     
    
    **既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！** **由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新** **如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）**
    
    <img src="" alt="img" style="zoom:50%;" />