TorchIO：超级好用的3D医学图像处理package

TorchIO 是一个非常重要的医学影像深度学习工具包，尤其在 MRI、CT、PET 等三维医学影像数据的预处理、增强和建模 中应用广泛。它基于 PyTorch 构建，因此能无缝集成到你的神经网络训练流程中。

文章目录

- [1. 基础信息介绍](#1. 基础信息介绍)
- [2. TorchIO 的主要功能模块](#2. TorchIO 的主要功能模块)
- - [2.1 图像加载与组织](#2.1 图像加载与组织)
  - [2.2 数据预处理](#2.2 数据预处理)
  - [2.3 数据增强](#2.3 数据增强)
  - [2.4 数据加载与批处理](#2.4 数据加载与批处理)
  - [2.5 Patch-based训练✨](#2.5 Patch-based训练✨)
- [3. 安装与基本使用](#3. 安装与基本使用)
- [4. 数据增强使用场景](#4. 数据增强使用场景)
- - [4.1 CT](#4.1 CT)
  - [4.2 MRI](#4.2 MRI)
  - [4.3 PET](#4.3 PET)
  - [4.4 多模态策略（PET/CT或PET/MRI）](#4.4 多模态策略（PET/CT或PET/MRI）)

1. 基础信息介绍

TorchIO 是一个开源的 Python 库，专为三维医学影像（3D medical imaging）的预处理、数据增强（augmentation）和深度学习工作流程而设计。TorchIO 的设计理念是：

复制代码

"让医学影像能像普通图像那样轻松被 PyTorch 使用。"

项目主页

👉 https://torchio.readthedocs.io

👉 GitHub: https://github.com/fepegar/torchio

2. TorchIO 的主要功能模块

2.1 图像加载与组织

支持格式：NIFTI(.nii/.nii.gz格式)，DICOM，Numpy等
核心结构：
torchio.Image表示单个影像通道（例如一张T1 MRI或PET）
torchio.Subject表示一个完整的个体数据，可以包含多个模态影像数据和标签

python 复制代码

import torchio as tio
subject = tio.Subject(
    t1=tio.ScalarImage('subj1_T1.nii.gz'),
    pet=tio.ScalarImage('subj1_PET.nii.gz'),
    label=tio.LabelMap('subj1_label.nii.gz')
)

2.2 数据预处理

TorchIO 支持一系列常见的医学影像预处理操作：

重采样（Resample）：统一体素大小
归一化（ZNormalization, RescaleIntensity）
裁剪或填充（CropOrPad, Pad, Crop）
仿射对齐（Affine）

python 复制代码

transform = tio.Compose([
    tio.Resample((1, 1, 1)),  # 重采样为1mm³体素
    tio.ZNormalization(),     # z-score标准化
    tio.CropOrPad((128, 128, 128))  # 统一尺寸
])
processed = transform(subject)

2.3 数据增强

TorchIO 支持各种空间变换与强度变换：

类型	示例	说明
空间变换	RandomAffine，RandomElasticDeformation，RandomFlip	随机旋转、弹性形变、翻转
强度变换	RandomNoise, RandomBlur, RandomGamma, RandomBiasField	模拟噪声、对比度变化
病灶模拟	RandomSwap, RandomMotion, RandomSpike, RandomBiasField	模拟病灶或扫描伪影

python 复制代码

augmentation = tio.Compose([
    tio.RandomFlip(axes=(0,)),           # 左右翻转
    tio.RandomAffine(scales=(0.9, 1.1)), # 随机缩放
    tio.RandomNoise(std=0.01),           # 加噪声
])
augmented = augmentation(subject)

2.4 数据加载与批处理

TorchIO 能与 PyTorch 的 DataLoader 无缝衔接：

python 复制代码

subjects = [subject1, subject2, subject3]
dataset = tio.SubjectsDataset(subjects, transform=augmentation)
loader = torch.utils.data.DataLoader(dataset, batch_size=2, shuffle=True)

2.5 Patch-based训练✨

医学影像通常非常大（512×512×512体素），直接输入模型显存会爆。TorchIO 提供 patch-based sampling 工具：

tio.data.GridSampler: 自动将3D图像分块
tio.data.GridAggregator: 把模型输出的patch拼回原图

python 复制代码

sampler = tio.data.GridSampler(subject, patch_size=64)
aggregator = tio.data.GridAggregator(sampler)

→ 用于 patch-based segmentation 或 classification 模型的训练。

3. 安装与基本使用

安装

bash 复制代码

pip install torchio

测试

python 复制代码

import torchio as tio
print(tio.__version__)

基本操作

python 复制代码

t1 = tio.ScalarImage('t1.nii.gz')
pet = tio.ScalarImage('pet.nii.gz')
subject = tio.Subject(t1=t1, pet=pet)

4. 数据增强使用场景

模态	成像机制	增强重点	不宜操作
CT	组织密度 → 灰度线性关系明显	空间变换 + 轻度噪声/伽马调整	不能大幅更改强度范围（HU值）
MRI	T1/T2等加权，强度非线性	空间形变 + 偏置场 + 对比度变化	不能直接线性归一化到0--1
PET（如PSMA PET/CT）	放射性浓度定量（SUV）	保留SUV相对比例 + 噪声增强	禁止大幅伽马或bias变换

4.1 CT

增强类型	TorchIO 方法	说明
空间翻转	`RandomFlip`	模拟左右或前后位置差异
仿射变换	`RandomAffine`	轻度旋转与缩放
弹性形变	`RandomElasticDeformation`	模拟组织弹性差异
噪声增强	`RandomNoise`	模拟扫描噪声
对比度增强	`RandomGamma`	模拟CT窗宽窗位变化

python 复制代码

ct_transform = tio.Compose([
    tio.RandomFlip(axes=(0, 1)),
    tio.RandomAffine(scales=(0.9, 1.1), degrees=5),
    tio.RandomElasticDeformation(max_displacement=4),
    tio.RandomNoise(std=0.01),
    tio.RandomGamma(log_gamma=(-0.3, 0.3)),
])

4.2 MRI

增强类型	TorchIO 方法	说明
空间翻转	`RandomFlip`	模拟扫描体位差
仿射变换	`RandomAffine`	模拟姿势变化
弹性形变	`RandomElasticDeformation`	模拟软组织弹性差
偏置场	`RandomBiasField`	模拟MRI强度不均
对比度变化	`RandomGamma`	模拟T1/T2扫描差异
噪声	`RandomNoise`	模拟设备噪声
运动伪影	`RandomMotion`	模拟扫描中头动/体动
模糊伪影	`RandomBlur`	模拟低分辨率扫描

python 复制代码

mri_transform = tio.Compose([
    tio.RandomFlip(axes=(0, 1)),
    tio.RandomAffine(scales=(0.9, 1.1), degrees=10),
    tio.RandomElasticDeformation(max_displacement=5),
    tio.RandomBiasField(coefficients=0.3),
    tio.RandomGamma(log_gamma=(-0.4, 0.4)),
    tio.RandomNoise(std=0.02),
    tio.RandomMotion(degrees=5, translation=3),
    tio.RandomBlur(std=(0, 1)),
])

4.3 PET

增强类型	TorchIO 方法	说明
空间翻转	`RandomFlip`	模拟扫描方向变化
仿射变换	`RandomAffine`	模拟轻微配准误差
噪声	`RandomNoise`	模拟低统计计数噪声
模糊	`RandomBlur`	模拟分辨率差
强度缩放	`RescaleIntensity`	归一化SUV值
对比度轻度调整	`RandomGamma`	小幅增强对比
弹性形变	`RandomElasticDeformation`	模拟小尺度器官位移

python 复制代码

pet_transform = tio.Compose([
    tio.RescaleIntensity(out_min_max=(0, 1)),
    tio.RandomFlip(axes=(0, 1)),
    tio.RandomAffine(scales=(0.95, 1.05), degrees=5),
    tio.RandomElasticDeformation(max_displacement=2),
    tio.RandomNoise(std=0.03),
    tio.RandomBlur(std=(0, 1)),
    tio.RandomGamma(log_gamma=(-0.2, 0.2)),
])

💡 PET增强注意事项：

不能使用 RandomBiasField（会破坏SUV定量）
不建议使用强烈的 RandomGamma 或大范围 Affine
若模型以SUV特征为输入，应保持线性关系（建议仅用噪声、模糊类）

4.4 多模态策略（PET/CT或PET/MRI）

可以使用联合空间增强，模态独立强度增强

python 复制代码

shared_spatial = tio.Compose([
    tio.RandomFlip(axes=(0, 1)),
    tio.RandomAffine(scales=(0.95, 1.05), degrees=5),
    tio.RandomElasticDeformation(max_displacement=3),
])
pet_only = tio.Compose([
    tio.RandomNoise(std=0.03),
    tio.RandomBlur(std=(0, 1)),
])
mri_only = tio.Compose([
    tio.RandomBiasField(coefficients=0.3),
    tio.RandomGamma(log_gamma=(-0.4, 0.4)),
])
ct_only = tio.Compose([
    tio.RandomGamma(log_gamma=(-0.3, 0.3)),
    tio.RandomNoise(std=0.01),
])

subject_transform = tio.Compose([
    shared_spatial,
    tio.OneOf({pet_only: 0.4, mri_only: 0.4, ct_only: 0.2}),
])