三维医学图像数据扩充flipandrotate

对于小数据量医学图像进行深度学习使，会由于数据量过小而过拟合。因此我们需要采用数据扩充方法，而flip和rotate又是经常用到的，这里做一个简单的实现。

输入为[batchsize,height, width, channel]。这里是2D医学图像数据增强，我之前应该有写到3D增强，不过2D稍加改动也就可以用于3D。

def random_rotate_brain(image, label):
    bs = image.shape[0] - 1
    angle = np.random.randint(-20, 20)  # 设置旋转角度
    # print("image:{},label:{}".format(image.shape, label.shape))
    channel = [ndimage.rotate(image[bs,:,:, c], angle, order=0, reshape=False) for c in range(image.shape[3])] # 每个通道都做相同的旋转
    image[bs,...] = np.stack(channel, axis=-1)
    chlabel = [ndimage.rotate(label[bs,:,:, c], angle, order=0, reshape=False) for c in range(label.shape[3])]  # 如果你不想你预测的结果和标签对不上，标签也要进行同样的旋转
    label[bs, ...] = np.stack(chlabel, axis=-1) 
    return image, label
def random_rot_flip_brain(image, label):
    axes = (1,2)  # 由于我们需要对height和width做扩充，所以取1,2。如果你输入矩阵第一维就是height和width，那你就需要改动为（0,1）
    k = np.random.randint(0, 4)
    image = np.rot90(image, k, axes)
    label = np.rot90(label, k, axes)
    # print("k:{},img:{},lab:{}".format(k, image.shape,label.shape))
    axis = np.random.randint(1, 3)  # 同上，只需对1,2维做扩充
    image = np.flip(image, axis=axis).copy()
    label = np.flip(label, axis=axis).copy()
    return image, label

def RandomGenerator_brain(x, y):
        image, label =x, y
　　　　　# 不可能全部图像都要做数据扩充吧，设置一个随机数
        if random.random() > 0.5:
            image, label = random_rot_flip_brain(image, label)
        elif random.random() > 0.5:
            image, label = random_rotate_brain(image, label)

        return image, label