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DirectionOriginSpacing重采样

nii格式

首先nii格式就是后缀名为.nii.nii.gz的文件,该格式又叫NIfTI-1MRI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numpytensor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)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