首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >问答首页 >使用吡射线组学掩模校正时,ROI的边界框大于图像空间

使用吡射线组学掩模校正时,ROI的边界框大于图像空间
EN

Stack Overflow用户
提问于 2018-08-11 17:52:54
回答 2查看 536关注 0票数 0

我一直在尝试为下面的image和分段的output实现pyradiomics的特征提取。当我运行该命令时

pyradiomics Brats18_CBICA_AAM_1_t1ce_corrected.nii.gz Brats18_CBICA_AAM_1.nii.gz --setting "correctMask:True"

我得到以下错误。

Image/Mask geometry mismatch, attempting to correct Mask Bounding box of ROI is larger than image space: ROI bounds (image coordinate space) ((-86.5, 85.5, 80.5), (-114.5, 46.5, 121.5)) Image Size (240, 240, 155) Image/Mask correction failed, ROI invalid (not found or outside of physical image bounds) Case-1_Image: /home/sid/Documents/pyradiomics-master/bin/Brats18_CBICA_AAM_1/Brats18_CBICA_AAM_1_t1ce_corrected.nii.gz Case-1_Mask: /home/sid/Documents/pyradiomics-master/bin/Brats18_CBICA_AAM_1/Brats18_CBICA_AAM_1.nii.gz

我已经尝试了其他选项的正确遮罩,以及设置高容差,但似乎都不起作用。我已经用CaPTK工具正确地可视化了它们,没有任何问题。遮罩校正或遮罩重采样是否有问题?

EN

回答 2

Stack Overflow用户

发布于 2018-08-14 07:28:01

这两个图像不在同一物理空间中。如果将它们作为两个三维数组进行比较,分割结果确实是正确的。但在医学图像中,在进一步处理之前,它们必须始终转换为全局空间(例如,如果您有来自同一平面的100x100pix PET图像和256x256 CT图像,则应考虑分辨率)。我建议在3D Slicer documentation中对这个问题进行简短的解释。

无论如何,你的图片的标题如下:

flair:

图像源(0, 239, 0)

间隔(1, 1, 1)

轴方向

(1, 0, 0, 0, 1, 0, 0, 0, 1)

分割结果:

图像源(0, 0, 0)

间隔(1, 1, 1)

轴方向

(-1, 0, 0, 0, -1, 0, 0, 0, 1)

(这意味着x和y都是镜像的)

因此,您应该沿X和Y翻转分割的图像,并将其平移一个向量(0,239,0)。不幸的是,我不熟悉吡射线组学,但每个图像处理工具都应该处理它。

票数 2
EN

Stack Overflow用户

发布于 2018-12-14 09:10:57

这确实是错误的原因。我不知道CapTK是否考虑了方向、间距和原点,但PyRadiomics考虑了。这允许您使用由不同源图像制作的蒙版(例如,使用在DWI图像上制作的蒙版从T2W图像中提取特征)。为了防止意外错误,这需要correctMask。

尽管如此,每当必须进行校正时,PyRadiomics都会检查蒙版的边界框是否包含在图像定义的物理空间内。在您的示例中,方向和y是翻转的,这会导致您的蒙版完全位于x域中的图像空间之外(y可能没有问题,因为原点是239)。重新采样只会产生一个空的遮罩。

票数 0
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/51802320

复制
相关文章
空间转录组如何寻找感兴趣区域(ROI)
有过计算机视觉和影像组学数据分析经验的朋友,对感兴趣区域(region of interest,ROI)不会感到陌生。感兴趣区域就像它的字面意思一样直白,哪些区域您比较感兴趣?空间表达数据也允许我们在空间信息中找出这个ROI了。那么,在我们空间表达数据中的ROI是什么,有什么意义,如何确定?确定之后如何分析?这些有意思的议题,我们会在这篇文章中探讨。
生信技能树
2021/10/21
9260
Mask-RCNN论文解读
Mask R-CNN是基于Faster R-CNN的基于上演进改良而来,FasterR-CNN并不是为了输入输出之间进行像素对齐的目标而设计的,为了弥补这个不足,我们提出了一个简洁非量化的层,名叫RoIAlign,RoIAlign可以保留大致的空间位置,除了这个改进之外,RoIAlign还有一个重大的影响:那就是它能够相对提高10%到50%的掩码精确度(Mask Accuracy),这种改进可以在更严格的定位度量指标下得到更好的度量结果。第二,我们发现分割掩码和类别预测很重要:为此,我们为每个类别分别预测了一个二元掩码。基于以上的改进,我们最后的模型Mask R-CNN的表现超过了之前所有COCO实例分割任务的单个模型,本模型可以在GPU的框架上以200ms的速度运行,在COCO的8-GPU机器上训练需要1到2天的时间。
小白学视觉
2022/02/14
5930
Mask-RCNN论文解读
Mask-RCNN论文解读
Mask R-CNN是基于Faster R-CNN的基于上演进改良而来,FasterR-CNN并不是为了输入输出之间进行像素对齐的目标而设计的,为了弥补这个不足,我们提出了一个简洁非量化的层,名叫RoIAlign。
机器学习算法工程师
2018/03/30
1.7K0
Mask-RCNN论文解读
实例分割最新最全面综述:从Mask R-CNN到BlendMask
实例分割(Instance Segmentation)是视觉经典四个任务中相对最难的一个,它既具备语义分割(Semantic Segmentation)的特点,需要做到像素层面上的分类,也具备目标检测(Object Detection)的一部分特点,即需要定位出不同实例,即使它们是同一种类。因此,实例分割的研究长期以来都有着两条线,分别是自下而上的基于语义分割的方法和自上而下的基于检测的方法,这两种方法都属于两阶段的方法,下面将分别简单介绍。
BBuf
2020/03/04
12.4K0
实例分割最新最全面综述:从Mask R-CNN到BlendMask
立体相机开发|几何感知的实例分割
http://www-scf.usc.edu/~choyingw/works/GAIS-Net/WSAD/CVPRW_CameraReady.pdf
3D视觉工坊
2020/12/11
4360
实例分割最新最全面综述:从Mask R-CNN到BlendMask
实例分割(Instance Segmentation)是视觉经典四个任务中相对最难的一个,它既具备语义分割(Semantic Segmentation)的特点,需要做到像素层面上的分类,也具备目标检测(Object Detection)的一部分特点,即需要定位出不同实例,即使它们是同一种类。因此,实例分割的研究长期以来都有着两条线,分别是自下而上的基于语义分割的方法和自上而下的基于检测的方法,这两种方法都属于两阶段的方法,下面将分别简单介绍。
AI算法与图像处理
2020/03/04
11.3K0
实例分割最新最全面综述:从Mask R-CNN到BlendMask
Mask R-CNN
我们提出了一个概念简单、灵活和通用的目标实例分割框架。我们的方法有效地检测图像中的目标,同时为每个实例生成高质量的分割掩码。该方法称为Mask R-CNN,通过添加一个分支来预测一个目标掩码,与现有的用于边界框识别的分支并行,从而扩展了Faster R-CNN。Mask R-CNN训练简单,只增加了一个小开销到Faster R-CNN,运行在5帧每秒。此外,Mask R-CNN很容易推广到其他任务,例如,允许我们在相同的框架下估计人类的姿态。我们展示了COCO套件中所有三个方面的顶级结果,包括实例分割、边界框目标检测和人员关键点检测。没有花哨的修饰,Mask R-CNN在每个任务上都比所有现有的单模型条目表现得更好,包括COCO 2016挑战赛冠军。我们希望我们的简单而有效的方法将作为一个坚实的baseline,并有助于简化未来在实例级识别方面的研究。
狼啸风云
2019/08/29
1.7K0
Mask R-CNN
空间转录组如何寻找感兴趣区域(ROI)
有过计算机视觉和影像组学数据分析经验的朋友,对感兴趣区域(region of interest,ROI)不会感到陌生。感兴趣区域就像它的字面意思一样直白,哪些区域您比较感兴趣?空间表达数据也允许我们在空间信息中找出这个ROI了。那么,在我们空间表达数据中的ROI是什么,有什么意义,如何确定?确定之后如何分析?这些有意思的议题,我们会在这篇文章中探讨。
生信技能树jimmy
2021/02/09
1.2K0
恺明大神 Mask R-CNN 超实用教程
翻 译 | 天字一号(郑州大学)、李美丽(华南师范大学)、had_in(电子科技大学)、nengdaiper(北京科技大学)
AI科技评论
2019/09/29
1.6K0
恺明大神 Mask R-CNN 超实用教程
恺明大神 Mask R-CNN 超实用教程
翻 译 | 天字一号(郑州大学)、李美丽(华南师范大学)、had_in(电子科技大学)、nengdaiper(北京科技大学)
昱良
2019/09/26
1.7K0
恺明大神 Mask R-CNN 超实用教程
恺明大神 Mask R-CNN 超实用教程
翻 译 | 天字一号(郑州大学)、李美丽(华南师范大学)、had_in(电子科技大学)、nengdaiper(北京科技大学)
AI研习社
2019/09/25
2.5K1
恺明大神 Mask R-CNN 超实用教程
PaddlePaddle实战 | 经典目标检测方法Faster R-CNN和Mask R-CNN
机器视觉领域的核心问题之一就是目标检测(objectdetection),它的任务是找出图像当中所有感兴趣的目标(物体),确定其位置和大小。作为经典的目标检测框架FasterR-CNN,虽然是2015年的论文,但是它至今仍然是许多目标检测算法的基础,这在飞速发展的深度学习领域十分难得。而在FasterR-CNN的基础上改进的MaskR-CNN在2018年被提出,并斩获了ICCV2017年的最佳论文。Mask R-CNN可以应用到人体姿势识别,并且在实例分割、目标检测、人体关键点检测三个任务都取得了很好的效果。因此,百度深度学习框架PaddlePaddle开源了用于目标检测的RCNN模型,从而可以快速构建强大的应用,满足各种场景的应用,包括但不仅限于安防监控、医学图像识别、交通车辆检测、信号灯识别、食品检测等等。
用户1386409
2019/06/10
2.3K0
PaddlePaddle实战 | 经典目标检测方法Faster R-CNN和Mask R-CNN
Stereo R-CNN based 3D Object Detection for Autonomous Driving
提出了一种充分利用立体图像中稀疏、密集、语义和几何信息的自主驾驶三维目标检测方法。我们的方法,称为Stereo R-CNN,扩展了Faster R-CNN的立体输入,以同时检测和关联目标的左右图像。我们在立体区域建议网络(RPN)之后添加额外的分支来预测稀疏的关键点、视点和目标维数,并结合二维左右框来计算粗略的三维目标边界框。然后,我们恢复准确的三维包围框,以区域为基础的光度比对使用左和右ROI。我们的方法不需要深度输入和三维位置监督,但是,优于所有现有的完全监督的基于图像的方法。在具有挑战性的KITTI数据集上的实验表明,我们的方法在三维检测和三维定位任务上都比目前最先进的基于立体的方法高出30%左右的AP。
狼啸风云
2019/08/29
2.3K0
Stereo R-CNN based 3D Object Detection for Autonomous Driving
yolo 实例分割_jacobi椭圆函数
我们提出了一个简单的、完全卷积的实时实例分割模型,在MS-COCO上达到29.8map,在单个Titan Xp上以33.5fps的速度进行评估,这比以往任何竞争方法都要快得多。而且,我们只在一个GPU上训练就得到了这个结果。我们通过将实例分割分成两个子任务来实现这一点:(1)生成一组原型掩码;(2)预测每个实例的掩码系数。然后,我们通过将原型与掩码系数结合起来,生成实例masksby。我们发现,由于这个过程不依赖于再冷却,这种方法产生了非常高质量的掩模,并免费展示了时间稳定性。此外,我们还分析了原型的涌现行为,并展示了它们在完全卷积的情况下,以一种翻译变体的方式学会了自己定位实例。最后,我们还提出了快速NMS,它比仅具有边际性能损失的标准NMS快12 ms。
全栈程序员站长
2022/09/23
1.1K0
yolo 实例分割_jacobi椭圆函数
OpenCV之图像ROI与ROI操作
python代码: import cv2 as cv import numpy as np src = cv.imread("./test.png") cv.namedWindow("input", cv.WINDOW_AUTOSIZE) cv.imshow("input", src) h, w = src.shape[:2] # 获取ROI cy = h//2 cx = w//2 roi = src[cy-100:cy+100,cx-100:cx+100,:] cv.imshow("roi", roi
MachineLP
2021/07/19
5270
OpenCV之图像ROI与ROI操作
SilhoNet:一种用于3D对象位姿估计和抓取规划的RGB方法
论文题目:SilhoNet:An RGB Method for 3D Object Pose Estimation and Grasp Planning
计算机视觉
2020/12/11
9000
SilhoNet:一种用于3D对象位姿估计和抓取规划的RGB方法
空间转录组学(Spatial Transcriptomics)
前面给大家简单的科普了空间转录组,可能还是有些人对背后的技术原理有些疑惑,那么我们深入的探讨一下技术原理。文末有视频会更直观。
生信交流平台
2020/08/06
8.3K0
空间转录组学(Spatial Transcriptomics)
阿丘科技之AIDI高级功能讲解二(6)
训练耗时根据设备、数据量、图片大小和参数的不同从数十分钟到数十个小时不等。在等待训练结束的过程中,观察训练过程信息随时监控训练状态,当loss不再下降时可以终止训练并保存当前模型。训练过程中保存的模型和训练正常结束后生成的模型完全相同。AIDI软件完整完成一次训练后会自动进行一次测试并弹出训练测试时间信息。
AI机器视觉
2022/06/01
1.9K0
阿丘科技之AIDI高级功能讲解二(6)
空间组学研究肿瘤微环境
The data analysis strategies which can be adopted in spatial omics data treatment
追风少年i
2022/09/24
4160
空间组学研究肿瘤微环境
点击加载更多

相似问题

如何使用有效的ROI掩模和ML技术从真菌图像中提取ROI

111

如何使用opencv在ROI上绘制边界框

17

带边界的毕加索图像掩模变换

12

边界插值掩模

14

边界比圆形掩模

41
添加站长 进交流群

领取专属 10元无门槛券

AI混元助手 在线答疑

扫码加入开发者社群
关注 腾讯云开发者公众号

洞察 腾讯核心技术

剖析业界实践案例

扫码关注腾讯云开发者公众号
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
查看详情【社区公告】 技术创作特训营有奖征文