使用深度 CNN 和完全连接的分类器转换分割掩码 numpy 数组以进行图像分割答案

【问题标题】：converting segmentation mask numpy arrays for image segmentation using a deep CNN and a fully connected classifier使用深度 CNN 和完全连接的分类器转换分割掩码 numpy 数组以进行图像分割
【发布时间】：2020-11-11 22:58:23
【问题描述】：

我正在根据 Pereira 等人的一篇论文构建一个模型，用于医学图像分割，他们使用卷积网络输入全连接分类器。我想从正常组织中分割出肿瘤。

我目前有一个 numpy 数组，其中包含预先分割的图像 [0]= 背景 [1]= 肿瘤，形状为 443、443、1 作为“目标”，形状为 443、443、1 的图像作为输入。

如何让模型对原始图像的补丁进行分类，然后在最后重建整个图像以生成分割图？

谢谢！

【问题讨论】：

如果您有特定的编程相关问题，您应该提供一些代码并尽量具体，以便更容易获得好的答案。

标签： python keras conv-neural-network image-segmentation semantic-segmentation

【解决方案1】：

如果您参考论文“Brain Tumor Segmentation Using ConvolutionalNeural Networks in MRI Images”，他们会从原始 MRI 扫描中提取大小为 33x33 像素的斑块，并将每个斑块分类为 5 类之一（正常组织、坏死、水肿、非增强或增强肿瘤）使用中间像素的类别作为ground truth。

最后，您对一张 MRI 图像中的每个补丁进行单独分类，并跟踪它们的坐标以构建分割图。

【讨论】：

您好，谢谢您的回答！我知道他们提取了补丁我只是不确定如何在 python 中执行它。我没有原始图像数据，而是一个 .pkl 文件，其中包含需要放入补丁的大小为 850 448 448 1 的 numpy 数组（图像数、高度、宽度、通道数）。有没有最好的方法来做到这一点？
假设您喜欢纸张中大小为 33 的补丁，只需裁剪或填充您的图像，这样如果您将大小除以 33，您将得到一个整数，例如裁剪到 429 或填充到 462。然后使用 numpy 的 reshape 方法：np.reshape(data,(33,33,1,-1)) 为每个图像。