MRI - 11 - Opnieuw plannen

Na een heleboel tijdverslindende andere activiteiten eindelijk weer tijd om hier weer eens wat aandacht aan te besteden. Bijna vergeten waarmee ik bezig was. Deep learning op basis van de metadata. Het werkelijk aanbieden van een eerste inzending lukt nog niet zo goed. Moet ik nogeens mee bezig. Ik wil nu met de plaatkes bezig. Ik maak snel een tweede , grove planning:

1. Verwijder dubbele slices. (Houd hoogste nummer)
2. Verwijder onbruikbare metingen (<> 30 beelden, minder dan 7/8 bruikbare slices)
3. Bepaal systole positie (beeldnummer)
4. Bepaal van toepassing zijnde bovenste layer
5. Van toepassing zijnde onderste layer
6. 
   
7. Idem voor diastole positie
8. 
   
9. Bepaal point of interest
10. 
    
11. Verklein en schaal beelden
12. Verzamel in tensor, 2ch, 4ch + 8 beelden
13. Voeg metadata toe
14. Leer in convolutional DL

Stap 1 is mij nu, denk ik, gelukt; het verwijderen van de slices die op dezelfde locatie zijn gemaakt. Ik rename de eerder gemaakte slice-directories van 'sax_..' naar 'xxx_..'. Wil ze toch liever nog niet weggooien. 

Dit is de gebruikte code.  

'''

execfile('/Users/DWW/Documents/01 Rename double slices.py')

'''

#source = 'train'

source = 'validate'

print ' ...... preparing meta data for ' + source + ' for rename'

import os

import dicom

import numpy as np

import pandas as pd

import csv

#import random

RootDir = '/Users/DWW/data/' + source

def get_frames(root_path):

    """Get path to all the frame in view SAX and contain complete frames"""

    ret = []

    for root, _, files in os.walk(root_path):

        filesx = [x for x in files if x[-4:] == '.dcm']

        if len(filesx) == 0 or not filesx[0].endswith(".dcm") or root.find("sax") == -1:

            continue

        prefix = filesx[0].rsplit('-', 1)[0]

        fileset = set(filesx)

        expected = ["%s-%04d.dcm" % (prefix, i + 1) for i in range(30)]

        if all(x in fileset for x in expected):

            ret.append([root + "/" + x for x in expected])

    # sort for reproduciblity

    return sorted(ret, key = lambda x: x[0])

def get_struct(root_path):

    i = 0

    ret = []

    for file in get_frames(root_path):

        i += 1

        for f in file:

            study = f[f.find('/' + source + '/') + 2 + len(source):f.find('/study/')]

            slice = f[f.find('/study/') + 7:f.find('/IM-')]

            #print i, study, slice,'...', f

            ret.append([int(study)*1000+int(slice[4:]), study, slice, f])

    return sorted(ret, key = lambda x: x[0])

struct = np.array(get_struct(RootDir))

'''

' Rename per study the previous slices when they reappear in position

'

'''

pSlice = ''

pStudy = ''

Locations = []

Paths = []

Delete = []

for key, study, slice, path in struct:#[:20000]:

    if pStudy == study:

        if pSlice != slice:

            ds = dicom.read_file(path)

            curloc = int(100*ds.SliceLocation)

            try:

                i = Locations.index(curloc)

            #print 'i=',i

            except:

                i = -1

            if i >= 0: # location al eerder gevonden

                # vul Delete met slice folder en verwijder oud uit Locations en Path

                name = Paths[i]

                Delete += [name[0:name.find('IM-')-1]]

                

                

                print( name, path, Locations[i], curloc)

                del Locations[i]

                del Paths[i]

            Locations += [curloc]

            #print 'loc=',Locations

            Paths += [path]

        pSlice = slice

            

    else: #Nieuwe studie - Leegmaken Locations + Paths

        ds = dicom.read_file(path)

        curloc = int(100*ds.SliceLocation)

        Locations = [curloc]

        Paths = [path]

    pStudy = study

    pSlice = slice

for i in Delete:

    h= i[0:i.find('sax')] + 'xxx' + i[i.find('sax') +3:]

    os.rename(i,h)

    print i, h