医学图像处理:nii格式转换(3D切片为2D)

目录

NIFTI文件结构

读取NII文件

ITK-SNAP安装

使用方法

NII转PNG


NIFTI文件结构

NIFTI 格式,是一种用于存储和交换医学成像数据的文件格式,特别适用于神经影像学领域。NIFTI文件通常有两个扩展名:.nii(用于图像数据)和 .hdr(用于头文件,包含有关图像的元数据)。这两个文件是成对出现的,.hdr 文件包含有关图像数据的详细信息,如尺寸、方向、数据类型等,而 .nii 文件则包含实际的图像数据。

读取NII文件

在医学图像上,nii格式通常用于存储3D的图像,其中包含了多个2D切片的集合。这些切片按顺序排列,共同构成了3D图像数据。如果想要可视化NII文件,一般会将其切片转换为2D图像或直接使用ITK-SNAP软件查看。由于目前我所训练的图像数据均为2D,因此我采用了纵向切片的方法处理,但在此之前需要查看图像数据是否有损坏。

ITK-SNAP安装

官网链接:http://www.itksnap.org/pmwiki/pmwiki.php?n=Downloads.SNAP4

最新版本:https://sourceforge.net/projects/itk-snap/

这里根据自己的电脑配置下载,后面正常安装即可

使用方法

打开ITK-SNAP软件 - > file - > Open Main Image

下面显示的就是一个数据信息保存完整的nii文件

这个只是很简单的查看一个 .nii 文件是否能够正常显示,ITK-SNAP软件对于3D图像的处理很有帮助,但我对3D图像数据的处理方式并不熟悉,因此并未深入探讨,如果有想要深入了解该软件的使用方法,请移步ITK-Snap 处理医疗影像

NII转PNG

由于目前我所接触训练数据都是2D图像,而生物医学工程竞赛中提供的数据集大部分都是这种 nii 格式的文件,因此在遇到这种 nii 文件时我都会先将其转换为PNG格式的图像在进一步处理。这里给大家提供一个第9届生物医学工程竞赛的题目:基于CT图像的肝细胞癌肿瘤区域分割

百度网盘链接:https://pan.baidu.com/s/1KWSAJyP0MdwblihkbrFHOg

提取码:hwj3

网盘里面包含官方提供的数据集以及题目文档,感兴趣的可以跟着一起尝试一下

一个数据集通常包含图像和标签,二者一一对应,这里两个都需要转换

python 复制代码
import os
import nibabel as nib
import imageio
import numpy as np
from tqdm import tqdm

def nii_to_image(filepath, imgfile):
    filenames = os.listdir(filepath)  # 读取nii文件夹
    with tqdm(total = len(filenames)) as pbar:
        for f in filenames:
            if f[-7:] != ".nii.gz":
                continue
            img_path = os.path.join(filepath, f)
            img = nib.load(img_path)  # 读取nii
            img_fdata = img.get_fdata(dtype=np.float32)  # 读取为float32
            fname = f.replace('.nii.gz', '')  # 去掉nii的后缀名
            img_f_path = os.path.join(imgfile, fname)
            # 创建nii对应的图像的文件夹
            if not os.path.exists(img_f_path):
                os.mkdir(img_f_path)  # 新建文件夹

            # 将归一化的浮点数数据转换为8位整数数据
            img_fdata = (img_fdata * 255).astype(np.uint8)

            # 开始转换为图像
            (x, y, z) = img.shape
            for i in range(z):  # z是图像的序列
                slice = img_fdata[:, :, i]  # 选择哪个方向的切片都可以
                # 保存图像,使用PNG格式
                imageio.imwrite(os.path.join(img_f_path, '{}.png'.format(i)), slice)
            pbar.update(1)

file_name = r"E:\Desktop\生医竞赛:CT肝细胞\liver_tumor_segmentation\imagesTr"
img_path = r"E:\Desktop\0"
nii_to_image(file_name, img_path)

此处使用纵向切片的方法(可以按需要修改为其它方向),对每一个3D图像切片为2D图象并保存为PNG格式(保存的图像格式也可以改为JPG或其它格式)

这里 file_name 是包含NII文件的文件夹路径,img_path 是输出图像文件夹的路径,自己修改即可

这相当于对一个具有体积的物体进行切片,因此每一个3D图像都会得到数量不一的2D图像

生成的image图像

生成的label图像

label 中可以看到有些图像是全黑 的,说明这些label对应的image图像中并没有病变的区域 ,而这些图像是我们训练所不需要的,因此需要去除这些无效的image图像以及对应的label ,并且由于切片操作使得图像数量庞大,手动去除的话肯定是非常耗时的,因此这里也提供去除无效image图像方法,但这个有很大的弊端:需要手动去除label里面全黑的图像

python 复制代码
import os
import shutil

def remove_unmatched_image_subfolders(image_dir, label_dir):
    label_subfolders = {os.path.basename(f) for f in os.listdir(label_dir) if os.path.isdir(os.path.join(label_dir, f))}
    for image_subfolder in os.listdir(image_dir):
        image_subfolder_path = os.path.join(image_dir, image_subfolder)

        # 检查image中的子文件夹是否以_0000结尾,如果是,去除_0000后再进行匹配
        if image_subfolder.endswith("_0000"):
            image_subfolder_base = image_subfolder[:-5]  # 去除_0000
            # 如果image中的子文件夹的基准名称(去除_0000后)不在label的子文件夹列表中,则删除
            if image_subfolder_base not in label_subfolders:
                print(f"Deleting unmatched subfolder in image: {image_subfolder}")
                shutil.rmtree(image_subfolder_path)

# 设置test文件夹中image和label的路径
test_folder_path = r'E:\Desktop\example'
image_folder_path = os.path.join(test_folder_path, 'image')
label_folder_path = os.path.join(test_folder_path, 'label')

# 删除image中与label不匹配的子文件夹
remove_unmatched_image_subfolders(image_folder_path, label_folder_path)

print("Cleanup completed.")

去除后的效果

这样上面得到的数据集就可以用于常规的神经网络训练咯。其实3D的图像数据也可以直接用于网络训练,但是目前博主并未进行深入的学习,因此处理这种数据时都会先将其转换为2D在进行模型训练。

相关推荐
罗小罗同学23 天前
Nature Medicine病理AI汇总|UNI:一种用于计算病理学的通用自监督基础模型·顶刊精析·24-10-31
人工智能·深度学习·机器学习·医学图像处理·医学人工智能
罗小罗同学1 个月前
未来医疗:大语言模型如何改变临床实践、研究和教育|文献精析·24-10-23
人工智能·搜索引擎·语言模型·自然语言处理·医学图像处理·病理组学·医学人工智能
罗小罗同学1 个月前
深度学习在癌症基因组学和组织病理学中的应用与前景|文献精析·24-10-16
人工智能·深度学习·医学图像处理·病理组学·医学人工智能
罗小罗同学1 个月前
如何借助病理AI开展分子水平的研究?|文献速递·24-10-17
人工智能·深度学习·医学图像处理·病理组学·医学人工智能
罗小罗同学1 个月前
肺腺癌预后新指标:全切片图像中三级淋巴结构密度的自动化量化|文献精析·24-10-09
医学图像处理·病理组学·医学人工智能
罗小罗同学2 个月前
肝内胆管癌中三级淋巴结构分布与临床预后的相关性研究|文献精析·24-09-22
医学图像处理·病理组学·三级淋巴结·医学人工智能·肝癌
罗小罗同学2 个月前
困扰霍金和蔡磊等人的渐冻症,能否在医学AI领域寻找到下一个解决方案?|个人观点·24-09-22
数据库·人工智能·医学图像处理·医学人工智能·渐冻症
罗小罗同学2 个月前
JAMA network open|自动化定量评估胃肠道肿瘤中三级淋巴结构的机器学习模型|文献精析·24-09-07
人工智能·机器学习·自动化·医学图像处理·病理人工智能
罗小罗同学3 个月前
人工智能在子宫内膜癌领域的研究进展|顶刊速递·24-08-12
人工智能·深度学习·机器学习·医学图像处理·医学人工智能
罗小罗同学3 个月前
人工智能在病理组学领域的最新进展|文献速递·24-08-09
人工智能·深度学习·机器学习·医学图像处理·医学人工智能