CT Data(.tif)를 이용한 Image Segmentation 튜토리얼

참고 사이트(Kaggle)

• https://www.kaggle.com/kmader/finding-lungs-in-ct-data

목적

해당 튜토리얼은 Kaggle에서 Sample로 간단하게 Lung을 찾는 연습을 하는 것 입니다.
제공된 Data는 2d images와 2d masks가 제공이 되고 있습니다.
dicom 파일과 tiff 파일 모두 의료영상에서 많이 사용하는 확장자인걸로 알고 있습니다.

그러나, 이런 데이터파일 class수가 많아지고, 파일 개수도 많아지게 되면 나중에 파일을 이동하거나 보관할때 중간에 파일 하나가 없어지게 된다면, 그것은 training에 있어서 문제가 발생될 수 있습니다.
그래서 슬라이스된 2d 이미지를 묶어서 하나의 파일로 만드는 nii로 3d_image로도 데이터셋이 제공이 됩니다.

우리는 이 데이터들을 U-Net 알고리즘을 사용해서 Image Segmentation에 맞게 train을 시켜줍니다.
또한 제공된 데이터는 train데이터입니다.<br이 데이터를 train_test_split를 통해서 train과 valid 그리고 test로 분리를 해주었습니다.
test로 분리를 해줄때는 test_label 데이터는 사용하지 않았습니다.

    이 튜토리얼에서는 제공된 CSV파일에 적혀져 있는 mask pixel 값을 참고 안하고 오직 mask된 image로만 label로 참고를 하게 됩니다.

튜토리얼 코드

2D 이미지

• Image_mask_tutorial
  • tif 파일을 이용해서 제공된 mask와 image를 numpy_array로 변환하는 튜토리얼 입니다.
• model_Lung_segmentation
  • [Image_mask_tutorial] 에서 변환해준 numpy_array를 이용해서 tf.data.Dataset을 애용해 data pipe-line을 구축하고 numpy_array를 tensor로 변환하여 Model[U-Net]에 넣어주고 최종적으로 test images를 넣어줄때 mask를 자동적으로 씌어주는지 확인하는 코드입니다.

3D 이미지

• NIFTI_preprocessing
  • 3D 이미지 형식인 NIFTI 파일(nii)을 압축해놓은 nii.gz 데이터를 load하고 시각화 시켜주는 튜토리얼 입니다.
    • nii 파일을 load할때는 nibabel 라이브러리를 사용합니다.
    • scikits-images의 montage 모듈을 사용했습니다.
      이 모듈은, 3차원 입력 array에서 동일한 모양의 2차원 이미지의 앙살블을 나타내는 모듈이다.

Training data

• train Image : 216
• train Mask : 216
• total original data : 267

Test data

• Test Image : 3

Validation data

• train Image : 21
• train Mask : 21

데이터셋 구조

|-- train
      |-- 2d_images # 각각 폴더별 ID
            |--  ID_0000_Z_0142.tif
            |--  ID_0067_Z_0238.tif
            |--  ID_0134_Z_0137.tif
             ...
      |-- 2d_masks 
            |-- ID_0000_Z_0142.tif
            |-- ID_0067_Z_0238.tif
            |-- ID_0134_Z_0137.tif
             ...
      |-- 3d_images
            |-- IMG_0002.nii.gz
            |-- IMG_0059.nii.gz
            |-- MASK_0002.nii.gz
             ...

결과

2D Image에 대한 결과

Test loss: 0.028305495157837868
Test accuracy: 0.9700826

3D Image에 대한 결과