Шаг 1 из 1

Рассмотрим алгоритм сегментации на основе графов Felsenszwalb из библиотеки skimage. Алгоритм производит сегментацию многоканального (например, RGB) изображения с использованием быстрой кластеризации на основе минимального связующего дерева на сетке изображения. Параметр scale задает уровень наблюдения. Чем выше scale, тем меньше сегментов и они большего размера. sigma - это диаметр гауссова ядра, используемого для сглаживания изображения перед сегментацией.

Количество производимых сегментов, а также их размер можно контролировать только косвенно через scale. Размер сегмента в изображении может сильно различаться в зависимости от контраста. Для изображений RGB алгоритм использует евклидово расстояние между пикселями в цветовом пространстве.

Нашей задачей будет в уже знакомом нам рентген снимке попробовать сегментировать оба легких.

example = 'stage_2_images/ID_01fe90211.dcm'
imagedata= pydicom.dcmread(example)

# Импортируем нужные библиотеки
import numpy as np
from skimage.exposure import equalize_hist
from skimage.filters.rank import median
from skimage.morphology import disk
from skimage.segmentation import felzenszwalb
from skimage.transform import rescale

Занулим значения больше 65

im_thres = imagedata.pixel_array.copy()
im_thres[im_thres > 65] = 0

Масштабируем и фильтруем и нормализовываем картинку

im_small = rescale(im_thres, 0.5)
im_small_filt = median(im_small, disk(50))   
im_small_filt = equalize_hist(im_small_filt)

Запускаем сам алгоритм

segments = felzenszwalb(im_small_filt, scale=0.5)

Визуализируем и посмотрим, что получилось

f = plt.figure(figsize=(12,12))
ax = f.add_subplot(121)
ax2 = f.add_subplot(122)
ax.imshow(imagedata.pixel_array, cmap=plt.cm.bone)
ax2.imshow(segments, cmap=plt.cm.bone)

Получилось достаточно условно сегментировать легкие. Что бы получилось лучше нужно подобрать параметры.

Самостоятельная работа: подобрать параметры для лучшей сегментации легких.