این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

فایل های DICOM رمزگشایی برای تصویربرداری پزشکی

نمایش بر روی TensorFlow.org اجرا در گوگل COLAB مشاهده منبع در گیتهاب دانلود نوت بوک

بررسی اجمالی

این آموزش نشان می دهد که چگونه به استفاده tfio.image.decode_dicom_image در TensorFlow IO برای رمزگشایی فایل های با DICOM TensorFlow.

راه اندازی و استفاده

دانلود DICOM تصویر

تصویر DICOM استفاده در این آموزش از است NIH قفسه سینه مجموعه داده اشعه ایکس .

NIH به قفسه سینه مجموعه داده اشعه ایکس شامل 100.000 تصاویر د-شناسایی از رادیوگرافی قفسه سینه در فرمت PNG، ارائه شده توسط موسسه ملی بهداشت مرکز بالینی و می تواند از طریق دانلود از این لینک .

گوگل ابر همچنین یک نسخه DICOM از تصاویر موجود در فراهم می کند ابر ذخیره سازی .

در این آموزش، شما یک فایل نمونه از مجموعه داده از دانلود مخزن گیتهاب

  • Xiaosong وانگ، ییفان پنگ، لو لو، ژیانگ لو، محمدهادی باقری، رونالد سامرز، ChestX-ray8: مقیاس بیمارستان قفسه سینه پایگاه اشعه ایکس و معیار در ضعیف تحت نظارت طبقه بندی و محلی سازی مشترک بیماری های قفسه سینه، IEEE CVPR، ص 3462. -3471، 2017
curl -OL https://github.com/tensorflow/io/raw/master/docs/tutorials/dicom/dicom_00000001_000.dcm
ls -l dicom_00000001_000.dcm
  % Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
                                 Dload  Upload   Total   Spent    Left  Speed
100   164  100   164    0     0    611      0 --:--:-- --:--:-- --:--:--   611
100 1024k  100 1024k    0     0  1644k      0 --:--:-- --:--:-- --:--:--  9.7M
-rw-rw-r-- 1 kbuilder kokoro 1049332 Jul 28 18:17 dicom_00000001_000.dcm

نصب بسته های مورد نیاز، و در زمان اجرا راه اندازی مجدد

 try:
  # Use the Colab's preinstalled TensorFlow 2.x
  %tensorflow_version 2.x 
except:
  pass
 
pip install -q tensorflow-io

رمزگشایی تصویر DICOM

 import matplotlib.pyplot as plt
import numpy as np

import tensorflow as tf
 
 import tensorflow_io as tfio

image_bytes = tf.io.read_file('dicom_00000001_000.dcm')

image = tfio.image.decode_dicom_image(image_bytes, dtype=tf.uint16)

skipped = tfio.image.decode_dicom_image(image_bytes, on_error='skip', dtype=tf.uint8)

lossy_image = tfio.image.decode_dicom_image(image_bytes, scale='auto', on_error='lossy', dtype=tf.uint8)


fig, axes = plt.subplots(1,2, figsize=(10,10))
axes[0].imshow(np.squeeze(image.numpy()), cmap='gray')
axes[0].set_title('image')
axes[1].imshow(np.squeeze(lossy_image.numpy()), cmap='gray')
axes[1].set_title('lossy image');
 

PNG