目录

  • 前言
  • nii格式
  • 读取nii成numpy格式
  • 将numpy格式保存成nii
  • 什么是origin、Direction、Spacing，以及如何设置它们
  • 示例
  • 重采样
    • 重采样代码
  • 参考链接

前言

nii.gz格式是保存医学图像非常重要一种格式，下面来介绍一下如何使用SimpleITK这个包来处理nii文件。我们首先会介绍最简单的读取、保存、以及如何转为numpy数组；然后再来介绍一些高级操作，什么是Direction、Origin、Spacing、重采样。

nii格式

首先nii格式就是后缀名为.nii或.nii.gz的文件，该格式又叫NIfTI-1。MRI图像或者CT图像通常会以这种格式保存。

至于这种格式的作用，简单来理解就是将索引坐标映射到体素坐标。我们知道计算机中的数据都是离散的，比如一个数组可以按照索引取对应的值，但是在显示生活中，距离都是连续的，那如何给计算机中离散的点（索引坐标）赋予一个连续的坐标（即体素坐标）呢？

在nii格式中，为了将索引坐标(数组下标)映射到体素坐标（空间坐标），除了保存图像的数据外，即那一个个离散的像素，还保存了一些额外信息，比如每个像素间的距离，原点坐标，方向等等，这样根据像素间的距离就可以计算某一像素在空间中真正的坐标了。

更为详细的解释在这里可以看到。

那我们做深度学习需要空间坐标干嘛呢，确实，在训练过程中我们并不关心空间坐标，只需要把nii文件中保存的像素值拿出来转化为numpy或tensor输入网络就可以了，空间距离对我们也没什么用。但还是想写给大家，因为当我们做对比实验时，你会发现将不同网络输出的预测结果保存为nii文件，然后用3DSlicer打开后，二者的预测结果可能完全不一样，这是因为起始坐标和原始label是对不上的，所以需要设置成一样的，这个问题我们后面再说。

读取nii成numpy格式

这个非常容易，只需要使用SimpleITK先读取图像，然后从图像中获取数组就可以了。
最后image就是一个numpy数组，但是需要注意的是nii文件默认保存数据的顺序是[x, y, z]，但是numpy数组保存数据的顺序是[z, y, x]，刚好是反过来的.。因为在训练时一般是[x, y, z]，所以我们在dataset中需要将图像的坐标轴转换一下，即做一个transpose(2, 1, 0)操作。

import SimpleITK as sitkimage_path = ''image = sitk.ReadImage(image_path)image = sitk.GetArrayFromImage(image)

将numpy格式保存成nii

代码也是非常简单，仍然需要注意的是，可能从网络中输出预测结果的坐标顺序为[x, y, z]，但是保存时numpy数组轴的顺序一定要是[z, y, x ]，做一下transpose(2, 1, 0)或permute(2, 1, 0)操作，这样才是正确的。当然，这一步操作取决于你的dataset类是否交换了维度，如果交换了维度，网络输出后自然需要交换回来。不知道我讲清楚了没有

# image是一个三维numpy数组，image_path是要保存的路径sitk.WriteImage(image, image_path)

什么是origin、Direction、Spacing，以及如何设置它们

origin就是原点的坐标，direction我还不太清楚，大概是轴的方向吧，spacing就是每个像素间所代表的真实世界的距离，下面的这个图比较容易理解

对这些有一个大概的认识后，实际使用中，我们只需要以原图为基准，将不同网络输出预测结果的元数据属性设置成和原图一样就可以了，这样用3D Slicer打开时位置就能对应起来~，代码如下：
需要注意的是保存前的numpy轴的顺序必须得是[z, y, x]，否则需要先交换再设置元数据属性，这样才是正确的！！！

# 读取原图像origin_path = ''origin = sitk.ReadImage(origin_path)# 读取预测图像pred_path = ''pred = sitk.ReadImage(pred_path)# 将预测结果的元数据属性设置成和原图像一样pred.SetDirection(origin.GetDirection())pred.SetOrigin(origin.GetOrigin())pred.SetSpacing(origin.GetSpacing())# 保存处理后的sitk.WriteImage(pred, pred_path)

示例

把自己的代码保存在这里吧，我做了四个对比试验，nnunet，nnformer，unetr，our，根据nii的ID来依次处理，将他们的元数据都设成和原始image的元数据一样，应该比较好理解吧~

import SimpleITK as sitkdef setMetaMessage(target, origin):target.SetDirection(origin.GetDirection())target.SetOrigin(origin.GetOrigin())target.SetSpacing(origin.GetSpacing())return targetdef process(id):image_path = 'C:/Users/hejianfei/Desktop/vessel result/result'image = sitk.ReadImage(os.path.join(image_path, str(id) + '_image.nii.gz'))print('image size:', image.GetSize())sitk.WriteImage(image, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result', str(id) + '_image.nii.gz'))label = sitk.ReadImage(os.path.join(image_path, str(id) + '_label.nii.gz'))print('label size:', label.GetSize())label = setMetaMessage(label, image)sitk.WriteImage(label, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result', str(id) + '_label.nii.gz'))nnunet = sitk.ReadImage(os.path.join(image_path, str(id) + '_nnunet.nii.gz'))print('nnunet size:', nnunet.GetSize())nnunet = setMetaMessage(nnunet, image)sitk.WriteImage(nnunet, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result', str(id) + '_nnunet.nii.gz'))nnformer = sitk.ReadImage(os.path.join(image_path, str(id) + '_nnformer.nii.gz'))print('nnformer size:', nnformer.GetSize())nnformer = setMetaMessage(nnformer, image)sitk.WriteImage(nnformer, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result', str(id) + '_nnformer.nii.gz'))unetr = sitk.ReadImage(os.path.join(image_path, str(id) + '_unetr.nii.gz'))unetr = sitk.GetArrayFromImage(unetr)unetr = unetr.transpose(2, 1, 0)# 换轴unetr = sitk.GetImageFromArray(unetr)print('unetr size:', unetr.GetSize())unetr = setMetaMessage(unetr, image)sitk.WriteImage(unetr, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result', str(id) + '_unetr.nii.gz'))our = sitk.ReadImage(os.path.join(image_path, str(id) + '_our.nii.gz'))our = sitk.GetArrayFromImage(our)our = our.transpose(2, 1, 0)# 换轴our = sitk.GetImageFromArray(our)print('our size:', our.GetSize())our = setMetaMessage(our, image)sitk.WriteImage(our, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result', str(id) + '_our.nii.gz'))if __name__ == '__main__':process(447)

重采样

重采样可以这样理解，现在我们有一个2m*2m*2m的正方体，它的像素分辨率为100*100*100，即每个方向都存了100个离散的像素点，现在我们保持正方体的尺寸不变，还是2m*2m*2m，但是像素分辨率插值变为150*150*150，这样就缩小了每个像素间的space。所以这个函数也是需要我们传入一个目标space。大家先简单理解一下，相当于体积不变，密度增大了，类比二维的resize操作，等用到的时候去查一下文档~
这里说一下我对重采样的简单理解，重采样改变的是每个像素间所代表的物理距离，在重采样代码中，我们是重采样前像素个数为x，每个像素间的距离(即Spacing)为y；重采样后的像素个数为z，每个像素间的距离为m；我们为了保持物理体积不变(即x*y = z*m)，所以当改变m(即Spacing)后，相应的像素个数z也会通过插值改变。
在神经网络中，我们除了通过重采样改变像素个数外，还可以通过Resize操作来改变像素点。只不过为了最终可视化和原label大小一样，最好先把两者的Spacing调整为一样的。
否则会出现如下情况，可以看到长宽比发生了变形：
原图

预测label:

重采样代码

def resampleVolume(outspacing, vol, type):"""将体数据重采样的指定的spacing大小\nparas：outpacing：指定的spacing，例如[1,1,1]vol：sitk读取的image信息，这里是体数据type：指定插值方法，一般对image采取线性插值，对label采用最近邻插值return：重采样后的数据"""outsize = [0, 0, 0]# 读取文件的size和spacing信息inputsize = vol.GetSize()inputspacing = vol.GetSpacing() transform = sitk.Transform()transform.SetIdentity()# 计算改变spacing后的size，用物理尺寸/体素的大小outsize[0] = round(inputsize[0] * inputspacing[0] / outspacing[0])outsize[1] = round(inputsize[1] * inputspacing[1] / outspacing[1])outsize[2] = round(inputsize[2] * inputspacing[2] / outspacing[2]) # 设定重采样的一些参数resampler = sitk.ResampleImageFilter()resampler.SetTransform(transform)# 图像使用线性插值，标签使用最近邻插值if type == 'linear':resampler.SetInterpolator(sitk.sitkLinear)resampler.SetOutputPixelType(sitk.sitkFloat32)# image用float32存else:resampler.SetInterpolator(sitk.sitkNearestNeighbor)resampler.SetOutputPixelType(sitk.sitkUInt8)# 标签用int8存储resampler.SetOutputOrigin(vol.GetOrigin())resampler.SetOutputSpacing(outspacing)resampler.SetOutputDirection(vol.GetDirection())resampler.SetSize(outsize)newvol = resampler.Execute(vol)return newvol

参考链接

https://blog.csdn.net/qq_39482438/article/details/106711272
重采样代码