MONAI transform으로 의료영상 전처리 예제 코드[pe]

 관련된

MONAI transform으로 의료영상 전처리 예제 코드[pe]

다음 예제는 “3D 의료영상(예: CT) + 라벨”을 MONAI transform으로 전처리하는 가장 대표적인 코드 패턴이다.jedemanfangwohnteinzauberinne.tistory​
UNETR 같은 3D segmentation 모델에 넣기 직전까지의 과정이라고 보면 된다.jedemanfangwohnteinzauberinne.tistory​

---

1. 핵심 아이디어 한 줄 정리

• 3D 의료영상 전처리는
  “로드 → 채널 추가 → 방향 통일 → 스페이싱 재조정 → 강도 정규화 → 관심영역 크롭 → 랜덤 패치 크롭 → 증강(플립·회전·밝기 변화) → 텐서 변환”
  이 한 줄 순서를 기억하면 된다.jedemanfangwohnteinzauberinne.tistory​

---

2. 3D CT/ MRI 전처리 예제 코드 (이미지+라벨)

아래 코드는 NIfTI 형식의 3D 볼륨(이미지, 라벨)을 읽어 UNETR 입력용 패치(96×96×96)로 만드는 예시다.jedemanfangwohnteinzauberinne.tistory​

python
from monai.transforms import (
    Compose,
    LoadImaged,
    AddChanneld,
    Orientationd,
    Spacingd,
    ScaleIntensityRanged,
    CropForegroundd,
    RandCropByPosNegLabeld,
    RandFlipd,
    RandRotate90d,
    RandShiftIntensityd,
    ToTensord,
)

# 원하는 voxel 해상도와 패치 크기
pix_dim = (1.0, 1.0, 1.0)
roi_size = (96, 96, 96)

train_transforms = Compose([
    # 1) 이미지/라벨 로드 (NIfTI 파일 등)
    LoadImaged(keys=["image", "label"]),

    # 2) 채널 추가 (C, D, H, W 형태로 만들기)
    AddChanneld(keys=["image", "label"]),

    # 3) 방향 통일 (RAS: Right–Anterior–Superior 기준)
    Orientationd(keys=["image", "label"], axcodes="RAS"),

    # 4) 스페이싱 통일 (voxel 크기 맞추기)
    Spacingd(
        keys=["image", "label"],
        pixdim=pix_dim,
        mode=("bilinear", "nearest"),
    ),

    # 5) 강도 정규화 (HU 범위 등을 0~1로 스케일링)
    ScaleIntensityRanged(
        keys=["image"],
        a_min=-175,
        a_max=250,
        b_min=0.0,
        b_max=1.0,
        clip=True,
    ),

    # 6) 배경 제외하고 foreground 중심으로 크롭
    CropForegroundd(
        keys=["image", "label"],
        source_key="image",
    ),

    # 7) 양성/음성 패치를 섞어서 랜덤 크롭
    RandCropByPosNegLabeld(
        keys=["image", "label"],
        label_key="label",
        spatial_size=roi_size,
        pos=1,
        neg=1,
        num_samples=4,
        image_key="image",
        image_threshold=0,
    ),

    # 8) 데이터 증강 – 축별 랜덤 뒤집기
    RandFlipd(
        keys=["image", "label"],
        spatial_axis=[0],
        prob=0.1,
    ),
    RandFlipd(
        keys=["image", "label"],
        spatial_axis=[1],
        prob=0.1,
    ),
    RandFlipd(
        keys=["image", "label"],
        spatial_axis=[2],
        prob=0.1,
    ),

    # 9) 90도 회전 증강
    RandRotate90d(
        keys=["image", "label"],
        prob=0.1,
        max_k=3,
    ),

    # 10) 밝기/강도 랜덤 시프트
    RandShiftIntensityd(
        keys=["image"],
        offsets=0.1,
        prob=0.5,
    ),

    # 11) 최종적으로 PyTorch 텐서로 변환
    ToTensord(keys=["image", "label"]),
])

• 이 코드에서 모든 transform 이름 끝에 d가 붙는 이유는, 딕셔너리 기반 입력(예: {"image": ..., "label": ...})에 맞춘 버전이기 때문이다.jedemanfangwohnteinzauberinne.tistory​

• 실제로는 아래처럼 한 샘플을 넣어 테스트해볼 수 있다.jedemanfangwohnteinzauberinne.tistory​

python
data = {
    "image": "imagepath.nii.gz",
    "label": "labelpath.nii.gz",
}

tf_data = train_transforms(data)
print(tf_data["image"].shape)  # 예: torch.Size([1, 96, 96, 96])
print(tf_data["label"].shape)

이 정도 전처리 코드가 있으면, 이후 DataLoader에 그대로 얹어서 3D segmentation, MLLM용 feature 추출 등 다양한 실험의 “이미지 파트”를 안정적으로 돌릴 수 있다.jedemanfangwohnteinzauberinne.tistory​

관련된