X 射线图像处理#
本教程演示了如何使用 NumPy、imageio、Matplotlib 和 SciPy 读取和处理 X 射线图像。您将学习如何加载医学图像、关注特定部位以及使用 高斯、拉普拉斯-高斯、索贝尔 和 Canny 滤波器进行边缘检测，以直观地比较它们。
例如，当您正在构建一个算法来帮助 检测肺炎 作为 Kaggle 比赛 的一部分时，X 射线图像分析可以成为您数据分析和 机器学习工作流程 的一部分。在医疗保健行业，当图像估计占所有医疗数据的 至少 90% 时，医学图像处理和分析尤为重要。
您将使用来自 ChestX-ray8 数据集的放射学图像，该数据集由 美国国立卫生研究院 (NIH) 提供。ChestX-ray8 包含来自 30,000 多名患者的 100,000 多张去身份识别后的 X 射线图像，格式为 PNG。您可以在 NIH 的公共 Box 存储库 的 /images 文件夹中找到 ChestX-ray8 的文件。（有关更多详细信息，请参阅 2017 年在 CVPR（计算机视觉会议）上发表的 研究论文。）
为了方便起见，一小部分 PNG 图像已保存到本教程的存储库中的 tutorial-x-ray-image-processing/ 下，因为 ChestX-ray8 包含千兆字节的数据，您可能会发现以批次下载它很困难。
先决条件#
读者应该了解一些 Python、NumPy 数组和 Matplotlib 的知识。为了复习，您可以学习 Python 和 Matplotlib PyPlot 教程，以及 NumPy 快速入门。
本教程中使用了以下包
imageio 用于读取和写入图像数据。医疗保健行业通常使用 DICOM 格式进行医学成像，imageio 非常适合读取这种格式。为了简单起见，在本教程中，您将使用 PNG 文件。
Matplotlib 用于数据可视化。
本教程可以在隔离的环境（如 Virtualenv 或 conda）中本地运行。您可以使用 Jupyter Notebook 或 JupyterLab 运行每个笔记本单元格。
目录#
使用
imageio检查 X 射线将图像组合成多维数组以演示进展
使用拉普拉斯-高斯、高斯梯度、索贝尔和 Canny 滤波器进行边缘检测
使用
np.where()将掩码应用于 X 射线比较结果
使用 imageio 检查 X 射线#
让我们从一个简单的例子开始，只使用 ChestX-ray8 数据集中的一个 X 射线图像。
文件 — 00000011_001.png — 已经为您下载并保存在 /tutorial-x-ray-image-processing 文件夹中。
1. 使用 imageio 加载图像
import os
import imageio
DIR = "tutorial-x-ray-image-processing"
xray_image = imageio.v3.imread(os.path.join(DIR, "00000011_001.png"))
2. 检查其形状是否为 1024x1024 像素，并且数组是否由 8 位整数组成
print(xray_image.shape)
print(xray_image.dtype)
(1024, 1024)
uint8
3. 导入 matplotlib 并在灰度颜色图中显示图像
import matplotlib.pyplot as plt
plt.imshow(xray_image, cmap="gray")
plt.axis("off")
plt.show()
将图像组合成多维数组以演示进展#
在下一个示例中，您将使用从 ChestX-ray8 数据集中下载并从其中一个数据集文件中提取的 9 张 X 射线 1024x1024 像素图像，而不是 1 张图像。它们的编号从 ...000.png 到 ...008.png，我们假设它们属于同一患者。
1. 导入 NumPy，读取每个 X 射线，并创建一个三维数组，其中第一个维度对应于图像编号
import numpy as np
num_imgs = 9
combined_xray_images_1 = np.array(
[imageio.v3.imread(os.path.join(DIR, f"00000011_00{i}.png")) for i in range(num_imgs)]
)
2. 检查包含 9 个堆叠图像的新 X 射线图像数组的形状
combined_xray_images_1.shape
(9, 1024, 1024)
请注意，第一个维度的形状与 num_imgs 相匹配，因此 combined_xray_images_1 数组可以解释为 2D 图像堆栈。
3. 您现在可以使用 Matplotlib 将每个帧并排绘制来显示“健康进展”
fig, axes = plt.subplots(nrows=1, ncols=num_imgs, figsize=(30, 30))
for img, ax in zip(combined_xray_images_1, axes):
ax.imshow(img, cmap='gray')
ax.axis('off')
4. 此外，将进展显示为动画可能会有所帮助。让我们使用 imageio.mimwrite() 创建一个 GIF 文件，并在笔记本中显示结果
GIF_PATH = os.path.join(DIR, "xray_image.gif")
imageio.mimwrite(GIF_PATH, combined_xray_images_1, format= ".gif", duration=1000)
这将为我们提供：
使用拉普拉斯-高斯、高斯梯度、索贝尔和 Canny 滤波器进行边缘检测#
在处理生物医学数据时，强调 2D “边缘” 以关注图像中的特定特征可能很有用。为此，使用 图像梯度 在检测颜色像素强度变化时可能特别有用。
具有高斯二阶导数的拉普拉斯滤波器#
让我们从一个使用 拉普拉斯 滤波器（“拉普拉斯-高斯”）的 n 维 高斯 二阶导数开始。这种拉普拉斯方法侧重于具有快速强度值变化的像素，并与高斯平滑相结合以 去除噪声。让我们检查它如何在分析 2D X 射线图像时如何有用。
拉普拉斯-高斯滤波器的实现比较简单：1）从 SciPy 导入
ndimage模块；以及 2）使用 sigma（标量）参数调用scipy.ndimage.gaussian_laplace()，这会影响高斯滤波器的标准差（您将在下面的示例中使用1）
from scipy import ndimage
xray_image_laplace_gaussian = ndimage.gaussian_laplace(xray_image, sigma=1)
显示原始 X 射线和使用拉普拉斯-高斯滤波器的 X 射线
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 10))
axes[0].set_title("Original")
axes[0].imshow(xray_image, cmap="gray")
axes[1].set_title("Laplacian-Gaussian (edges)")
axes[1].imshow(xray_image_laplace_gaussian, cmap="gray")
for i in axes:
i.axis("off")
plt.show()
高斯梯度幅度方法#
另一种可能很有用的边缘检测方法是 高斯（梯度）滤波器。它使用高斯导数计算多维梯度幅度，并通过消除 高频 图像成分来提供帮助。
1. 使用 sigma（标量）参数（用于标准差；您将在下面的示例中使用 2）调用 scipy.ndimage.gaussian_gradient_magnitude()
x_ray_image_gaussian_gradient = ndimage.gaussian_gradient_magnitude(xray_image, sigma=2)
2. 显示原始 X 射线和使用高斯梯度滤波器的 X 射线
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(10, 10))
axes[0].set_title("Original")
axes[0].imshow(xray_image, cmap="gray")
axes[1].set_title("Gaussian gradient (edges)")
axes[1].imshow(x_ray_image_gaussian_gradient, cmap="gray")
for i in axes:
i.axis("off")
plt.show()
索贝尔-费尔德曼算子（索贝尔滤波器）#
为了在 2D X 光图像的水平和垂直轴上找到高空间频率区域（边缘或边缘图），可以使用 索贝尔-费尔德曼算子（索贝尔滤波器） 技术。索贝尔滤波器通过 卷积 将两个 3x3 核矩阵（每个轴一个）应用于 X 光图像。然后，使用 勾股定理 将这两个点（梯度）组合起来，以产生梯度幅度。
**1.** 使用索贝尔滤波器（scipy.ndimage.sobel()）在 X 光图像的 X 轴和 Y 轴上进行操作。然后，使用 勾股定理 和 NumPy 的 np.hypot() 计算应用了索贝尔滤波器后的 x 和 y 之间的距离，以获得幅度。最后，对重新缩放的图像进行归一化，以使像素值在 0 到 255 之间。
图像归一化 遵循 output_channel = 255.0 * (input_channel - min_value) / (max_value - min_value) 公式。因为你正在使用灰度图像，所以只需要归一化一个通道。
x_sobel = ndimage.sobel(xray_image, axis=0)
y_sobel = ndimage.sobel(xray_image, axis=1)
xray_image_sobel = np.hypot(x_sobel, y_sobel)
xray_image_sobel *= 255.0 / np.max(xray_image_sobel)
**2.** 将新的图像数组数据类型从 float16 更改为 32 位浮点数格式，以 使其与 Matplotlib 兼容
print("The data type - before: ", xray_image_sobel.dtype)
xray_image_sobel = xray_image_sobel.astype("float32")
print("The data type - after: ", xray_image_sobel.dtype)
The data type - before: float16
The data type - after: float32
**3.** 显示原始 X 光图像和应用了索贝尔“边缘”滤波器的图像。注意，使用灰度和 CMRmap 色图都有助于突出显示边缘。
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(15, 15))
axes[0].set_title("Original")
axes[0].imshow(xray_image, cmap="gray")
axes[1].set_title("Sobel (edges) - grayscale")
axes[1].imshow(xray_image_sobel, cmap="gray")
axes[2].set_title("Sobel (edges) - CMRmap")
axes[2].imshow(xray_image_sobel, cmap="CMRmap")
for i in axes:
i.axis("off")
plt.show()
Canny 滤波器#
你也可以考虑使用另一个著名的边缘检测滤波器，称为 Canny 滤波器。
首先，应用一个 高斯 滤波器来去除图像中的噪声。在本例中，你使用的是 傅里叶 滤波器，它通过 卷积 过程对 X 光图像进行平滑处理。接下来，在图像的两个轴上应用 Prewitt 滤波器 来帮助检测一些边缘 - 这将产生两个梯度值。与索贝尔滤波器类似，Prewitt 算子也通过 卷积 将两个 3x3 核矩阵（每个轴一个）应用于 X 光图像。最后，使用 勾股定理 计算两个梯度之间的幅度，并像以前一样对图像进行 归一化。
**1.** 使用 SciPy 的傅里叶滤波器（scipy.ndimage.fourier_gaussian()）和一个小的 sigma 值来去除 X 光图像中的一些噪声。然后，使用 scipy.ndimage.prewitt() 计算两个梯度。接下来，使用 NumPy 的 np.hypot() 测量梯度之间的距离。最后，像以前一样对重新缩放的图像进行 归一化。
fourier_gaussian = ndimage.fourier_gaussian(xray_image, sigma=0.05)
x_prewitt = ndimage.prewitt(fourier_gaussian, axis=0)
y_prewitt = ndimage.prewitt(fourier_gaussian, axis=1)
xray_image_canny = np.hypot(x_prewitt, y_prewitt)
xray_image_canny *= 255.0 / np.max(xray_image_canny)
print("The data type - ", xray_image_canny.dtype)
The data type - float64
**2.** 绘制原始 X 光图像和使用 Canny 滤波器技术检测边缘的图像。可以使用 prism、nipy_spectral 和 terrain Matplotlib 色图来突出显示边缘。
fig, axes = plt.subplots(nrows=1, ncols=4, figsize=(20, 15))
axes[0].set_title("Original")
axes[0].imshow(xray_image, cmap="gray")
axes[1].set_title("Canny (edges) - prism")
axes[1].imshow(xray_image_canny, cmap="prism")
axes[2].set_title("Canny (edges) - nipy_spectral")
axes[2].imshow(xray_image_canny, cmap="nipy_spectral")
axes[3].set_title("Canny (edges) - terrain")
axes[3].imshow(xray_image_canny, cmap="terrain")
for i in axes:
i.axis("off")
plt.show()
使用 np.where() 对 X 光图像应用掩码#
为了筛选出 X 光图像中的某些像素以帮助检测特定特征，可以使用 NumPy 的 np.where(condition: array_like (bool), x: array_like, y: ndarray)，该函数在 True 时返回 x，在 False 时返回 y。
识别感兴趣区域 - 图像中某些像素集 - 可能有用，掩码充当与原始图像形状相同的布尔数组。
**1.** 获取你一直在使用的原始 X 光图像中像素值的某些基本统计信息。
print("The data type of the X-ray image is: ", xray_image.dtype)
print("The minimum pixel value is: ", np.min(xray_image))
print("The maximum pixel value is: ", np.max(xray_image))
print("The average pixel value is: ", np.mean(xray_image))
print("The median pixel value is: ", np.median(xray_image))
The data type of the X-ray image is: uint8
The minimum pixel value is: 0
The maximum pixel value is: 255
The average pixel value is: 172.52233219146729
The median pixel value is: 195.0
**2.** 数组数据类型是 uint8，最小值/最大值结果表明 X 光图像中使用了所有 256 种颜色（从 0 到 255）。让我们使用 ndimage.histogram() 和 Matplotlib 可视化原始原始 X 光图像的 *像素强度分布*。
pixel_intensity_distribution = ndimage.histogram(
xray_image, min=np.min(xray_image), max=np.max(xray_image), bins=256
)
plt.plot(pixel_intensity_distribution)
plt.title("Pixel intensity distribution")
plt.show()
正如像素强度分布所示，存在许多低值（大约在 0 到 20 之间）和非常高的值（大约在 200 到 240 之间）。
**3.** 你可以使用 NumPy 的 np.where() 创建不同的条件掩码 - 例如，让我们只保留那些像素值超过某个阈值的图像值。
# The threshold is "greater than 150"
# Return the original image if true, `0` otherwise
xray_image_mask_noisy = np.where(xray_image > 150, xray_image, 0)
plt.imshow(xray_image_mask_noisy, cmap="gray")
plt.axis("off")
plt.show()
# The threshold is "greater than 150"
# Return `1` if true, `0` otherwise
xray_image_mask_less_noisy = np.where(xray_image > 150, 1, 0)
plt.imshow(xray_image_mask_less_noisy, cmap="gray")
plt.axis("off")
plt.show()
比较结果#
让我们显示一些你到目前为止处理过的 X 光图像的结果。
fig, axes = plt.subplots(nrows=1, ncols=9, figsize=(30, 30))
axes[0].set_title("Original")
axes[0].imshow(xray_image, cmap="gray")
axes[1].set_title("Laplace-Gaussian (edges)")
axes[1].imshow(xray_image_laplace_gaussian, cmap="gray")
axes[2].set_title("Gaussian gradient (edges)")
axes[2].imshow(x_ray_image_gaussian_gradient, cmap="gray")
axes[3].set_title("Sobel (edges) - grayscale")
axes[3].imshow(xray_image_sobel, cmap="gray")
axes[4].set_title("Sobel (edges) - hot")
axes[4].imshow(xray_image_sobel, cmap="hot")
axes[5].set_title("Canny (edges) - prism)")
axes[5].imshow(xray_image_canny, cmap="prism")
axes[6].set_title("Canny (edges) - nipy_spectral)")
axes[6].imshow(xray_image_canny, cmap="nipy_spectral")
axes[7].set_title("Mask (> 150, noisy)")
axes[7].imshow(xray_image_mask_noisy, cmap="gray")
axes[8].set_title("Mask (> 150, less noisy)")
axes[8].imshow(xray_image_mask_less_noisy, cmap="gray")
for i in axes:
i.axis("off")
plt.show()
下一步#
如果你想使用自己的样本，可以使用 此图像 或者在 Openi 数据库中搜索其他各种图像。Openi 包含许多生物医学图像，如果你带宽较低或受到可以下载的数据量限制，它特别有用。
要详细了解生物医学图像数据的图像处理或边缘检测，你可能会发现以下资料有用：
DICOM 处理和分割在 Python 中 使用 Scikit-Image 和 pydicom (Radiology Data Quest)
使用 Numpy 和 Scipy 进行图像操作和处理 (Scipy 讲义)
强度值 (演示文稿，DataCamp)
使用树莓派和 Python 进行物体检测 (Maker Portal)
使用深度学习进行 X 光数据准备和分割 (Kaggle 托管的 Jupyter 笔记本)
图像滤波 (讲义，CS6670：计算机视觉，康奈尔大学)
Python 中的边缘检测 和 NumPy (Towards Data Science)
边缘检测 使用 Scikit-Image (Data Carpentry)
图像梯度和梯度滤波 (讲义，16-385 计算机视觉，卡内基梅隆大学)