基于Unet的BraTS 3d 脑肿瘤医学图像分割，从nii.gz文件中切分出2D图片数据

1、前言

3D图像分割一直是医疗领域的难题，在这方面nnunet已经成为了标杆，不过nnunet教程较少，本人之前跑了好久，一直目录报错、格式报错，反正哪里都是报错等等。并且，nnunet对于硬件的要求很高，一般的电脑配置或者低配置的服务器完全带不起来

或者定义conv.3D的unet网络模型，但对显卡的要求也很高...

之前实现了unet的自适应多类别分割任务，博文如下

Unet 实战分割项目、多尺度训练、多类别分割_unet进行多类分割-CSDN博客

代码根据数据集的mask，可以自动计算出mask前景的类别，这样就能为unet的输出自动调整，不需要更改别的操作。

而3d的图像其实就是2d拼接起来的，或许可以将nii格式的3d图片切分，这样根据上文的代码就可以实现医疗图像3d的分割

提示：这里切分的2d分割，效果肯定不如3d图像的分割

就比如线性回归对图像的分类，忽略了像素点的空间信息。那么3D切割出2D，其实也是忽略了图像的空间信息，效果肯定不如3d的直接分割

2、 nii 文件的切分

复制代码

import SimpleITK as sitk

这里用itk 对3d数据进行读取

2.1 数据集

这里的3d数据是 BRATS 脑肿瘤分割数据（brain tumor segmentation challenge，BraTS Chanllenge），这里只对训练集进行操作

需要注意的是，一般的nii图像都是3D的，这里数据是4D的，好像是每个3D图像的模态，类似于官方的增强？

T1 成像，利于观察解剖结构，病灶显示不够清晰

T1gd 在受试者做磁共振之前向血液内注射造影剂，使成像中血流活跃的区域更加明显，是增强肿瘤的重要判据

T2 成像，病灶显示较为清晰，判断整颗肿瘤

FLAIR（抑制脑脊液的高信号），含水量大则更亮眼，可以判断瘤周水肿区域

mask模板是四分类的：

2.2 slice 切片代码

代码放在这里：

python 复制代码

import SimpleITK as sitk
import numpy as np
import os
from tqdm import tqdm
import shutil
import cv2


# 新建目录
def mkdir(rt):
    ret_path = rt + '_ret2D'
    if os.path.exists(ret_path):        # 删除之前的切片目录
        shutil.rmtree(ret_path)

    os.mkdir(ret_path)
    os.mkdir(os.path.join(ret_path,'images'))
    os.mkdir(os.path.join(ret_path,'labels'))


def get_image_from_nii(x,y,name,thre):  # 传入nii文件，对nii进行切片
    img = sitk.ReadImage(x)
    img_array = sitk.GetArrayFromImage(img)  # nii-->array

    label = sitk.ReadImage(y)
    label_array = sitk.GetArrayFromImage(label)  # nii-->array

    for index,i in enumerate(range(img_array.shape[1])):    # TODO 需要根据img维度更改,4D设定为1,3D设置为0
        img_select = img_array[0,i, :, :]       # TODO 需要根据img维度更改,从x轴切分，[:,i,:]从y轴切分
        label_select = label_array[i, :, :]

        # 图片保存目录
        img_save_name = os.path.join(root+'_ret2D','images',name+'_'+str(index)+'.png')
        label_save_name = os.path.join(root+'_ret2D','labels',name+'_'+str(index)+'.png')

        h,w = label_select.shape
        total_pixel = h*w           # 总的像素点个数

        if label_select.max() == 0:     # 没有前景的像素点不保存
            continue

        else:
            # 归一化
            img_select = (img_select - img_select.min()) / (img_select.max() - img_select.min())*255

            img_select = img_select.astype(np.uint8)
            label_select = label_select.astype(np.uint8)

            if (np.sum(label_select !=0 ) / total_pixel) > thre:
                cv2.imwrite(img_save_name,img_select)
                cv2.imwrite(label_save_name,label_select)


# 切片函数
def sliceMain(rt,imgf,labf,thre):
    # 删除之前的切片目录，建立新的目录
    mkdir(rt)

    nii_list = [i for i in os.listdir(os.path.join(rt,imgf))]

    for image_nii in tqdm(nii_list):      # 遍历所有的nii文件
        name = image_nii.split('.nii.gz')[0]

        image_nii = os.path.join(rt,imgf,image_nii)
        label_nii = image_nii.replace(imgf,labf)       # 自动获取nii 的标签

        get_image_from_nii(image_nii,label_nii,name,thre)


if __name__ == '__main__':

    root = 'BRATS'          # 待切分nii文件的父目录
    images_folder = 'imagesTr'      # 3d nii的数据
    labels_folder = 'labelsTr'       # 3d nii 的标签数据
    threshold = 0.03               # 分割的比例不超过阈值的数据删除

    # 切片函数
    sliceMain(
        rt=root,
        imgf=images_folder,
        labf=labels_folder,
        thre=threshold
    )

这里简单介绍一下：目录结构如下

具体数据的名称和后缀要严格对应！！！

threshold 是阈值处理，如果mask前景的像素点个数没有达到整个图片像素点的阈值，就不会被保存。这里默认是0.03

切分的时候，因为这里是4D的，所以img_array是四维的，我们默认取第一个维度的3D图像

同时，3D图像可以用x，y，z三个坐标表示，这里的shape1就是沿着x轴进行2D的切分

因为医学图像的灰度动态范围很多，可能到上千，因此这里将灰度值重新映射，变成np的uint8格式，再用cv保存

2.3 保存格式

图像的保存，这里搞了好久，要么格式问题，要么灰度有问题。这里做下总结

首先，png格式可以完整的保存2D切分的信息，而不会因为图像压缩导致mask灰度值改变。说人话就是，这里切分的2d像素值只有0 100 255，如果保存为其他格式，可能读取的时候，会产生0 1 2 3....等等灰度图像，而分割的mask是阈值图像！！

其次，plt保存的时候，会将图像重新映射，我们只想要0 1 2这种格式，但是他可能会把0变成0，1变成128.2变成255这样。虽说，这样看mask确实方便，不至于变成全黑的，但是本人测试的时候，总会莫名多出一个灰度。说人话就是，本来这里是四分类的，plt保存的时候，np.unique读取的时候，会变成5个类别

这里搞了半天，本人电脑太差，测试半天，只有这个代码是符合的。至于问题到底是不是我说的那样，可以自己测试

代码如下：

python 复制代码

import os
from tqdm import tqdm
import numpy as np
import cv2


root = './BRATS_ret2D/labels'             # 训练 mask的路径
masks_path = [os.path.join(root ,i) for i in os.listdir(root)]
gray = []           # 前景像素点
for i in tqdm(masks_path,desc="gray compute"):
    img = cv2.imread(i,0)
    img_uni = np.unique(img)        # 获取mask的灰度值

    for j in img_uni:
        if j not in gray:
            gray.append(j)
print(gray)