一文道尽医学图像 ABIDE 等数据集 .nii.gz 文件类型Python格式化显示以及各个字段含义 (附源码)

zoe_ya

已于 2023-12-06 11:54:21 修改

阅读量1.6k

点赞数 5

文章标签： python 开发语言

于 2023-11-10 15:39:04 首次发布

本文链接：https://blog.csdn.net/Constantiny/article/details/134334551

版权

nii.gz 文件

.nii.gz 文件通常是医学影像数据的一种常见格式，比如神经影像（如脑部MRI）。这种文件格式通常是经过gzip压缩的NIfTI格式（Neuroimaging Informatics Technology Initiative）。

要在Python中查看.nii.gz文件，你可以使用一些专门的库，如Nibabel（NiBabel是用于读取和写入神经影像数据的Python库）和SimpleITK（SimpleITK是一个用于医学影像处理的库）。

Nibabel

安装

 $ pip install nibabel

使用

一、可视化

import nibabel as nib
import matplotlib.pyplot as plt
import seaborn as sns
import os

sns.set_style('darkgrid')

img1_path = './testData/test.nii.gz'

img = nib.load(img1_path)

# 获取图像数据
data = img.get_fdata()

# 可视化每一层切片
num_slices = data.shape[-1]

# 设置子图的行数和列数
num_rows = num_slices // 10 + 1  # 每行显示10个切片
num_cols = min(num_slices, 10)

# 设置子图的大小
fig, axes = plt.subplots(num_rows, num_cols, figsize=(15, 15))

# 遍历每一层切片并可视化
for i in range(num_slices):
    row_idx = i // 10
    col_idx = i % 10

    # 在子图中显示每一层切片
    axes[row_idx, col_idx].imshow(data[:, :, i], cmap='gray')
    axes[row_idx, col_idx].axis('off')  # 关闭坐标轴

# 如果切片数量不是10的倍数，隐藏多余的子图
for i in range(num_slices, num_rows * num_cols):
    row_idx = i // 10
    col_idx = i % 10
    fig.delaxes(axes[row_idx, col_idx])

plt.show()

运行结果
在这里插入图片描述

二、读取参数

img1_path = './testData/test.nii.gz'
# 读取图像
img1_obj = nib.load(img1_path)
print(f'Type of the image {type(img1_obj)}')
# 提取 numpy 数组
img1_data = img1_obj.get_fdata()
# 查看图像大小
height, width, depth = img1_data.shape
print(f"The image object height: {height}, width:{width}, depth:{depth}")
# 查看图像值范围
print(f'image value range: [{img1_data.min()}, {img1_data.max()}]')

# 查看图像成像信息，如 层厚，平面（in-plane）分辨率等

# 矩阵以外的信息可以通过 image_obj.header 获取

# header是键值对，查看 header 包含的所有信息
print('headers', img1_obj.header.keys())
# 查看成像信息
pixdim = img1_obj.header['pixdim']
print(f'z轴分辨率： {pixdim[3]}')
print(f'in plane 分辨率： {pixdim[1]} * {pixdim[2]}')
x_range = pixdim[1] * height
y_range = pixdim[2] * width
z_range = pixdim[3] * depth
print(f"The image object x_range: {x_range}, y_range:{y_range}, z_range:{z_range}")
# 整个数据
print('img1_obj', img1_obj)

在这里插入图片描述

含义

image_obj.header.keys() 返回头部信息的键值列表。这些键值对应于头部信息的不同字段。下面是一些常见的键和它们的含义，这可能因数据集和图像类型而有所不同：

'sizeof_hdr'：
- 头部结构的大小（以字节为单位）。
'data_type'：
- 数据类型的字符串描述。
'db_name'：
- 数据库名称。
'extents'：
- 数据文件中图像数据之外的额外信息的长度（以字节为单位）。
'session_error'：
- 与会话错误相关的信息。
'regular'：
- 表示数据是否按照正则网格排列。
'dim_info'：
- 与维度信息相关的标志。
'dim'：
- 包含数据维度信息的列表，通常是三个值，表示 x、y 和 z 方向上的体素数目。
'intent_p1', 'intent_p2', 'intent_p3'：
- 有关数据意图的一些参数。
'intent_code'：
- 数据意图的代码。
'datatype'：
- 数据的存储类型，如 DT_UINT16、DT_FLOAT32 等。
'bitpix'：
- 每个像素的位数。
'slice_start'：
- 切片的起始位置。
'pixdim'：
- 包含像素的尺寸信息的列表，通常是三个值，表示 x、y 和 z 方向上的像素大小。
'vox_offset'：
- 图像数据的偏移位置。
'scl_slope', 'scl_inter'：
- 缩放和截距参数，用于将原始像素值转换为实际的物理值。
'slice_end'：
- 切片的结束位置。
'slice_code'：
- 切片的编码方式。
'xyzt_units'：
- 数据单位的标志。
'cal_max', 'cal_min'：
- 校准最大和最小值。
'slice_duration'：
- 切片的持续时间。
'toffset'：
- 用于时间偏移的参数。
'descrip'：
- 描述信息。
'aux_file'：
- 辅助文件名。
'qform_code', 'sform_code'：
- 用于定义坐标系的代码。
'quatern_b', 'quatern_c', 'quatern_d'：
- 用于定义仿射矩阵的参数。
'qoffset_x', 'qoffset_y', 'qoffset_z'：
- 用于定义坐标系原点的参数。
'srow_x', 'srow_y', 'srow_z'：
- 用于定义仿射矩阵的行。
'intent_name'：
- 数据意图的名称。
'magic'：
- 文件的 “magic” 字符串，用于标识文件类型。

这只是头部信息中的一些常见字段，具体的含义可能会因数据集和图像类型而有所不同。你可以使用这些键来访问特定的头部信息，例如 image_obj.header['dim'] 可以获取数据的维度信息。

img.affine 是一个属性，它返回图像数据的仿射矩阵（Affine Matrix）。仿射矩阵是一个线性变换矩阵，用于将体素坐标映射到物理空间坐标。在神经影像学中，物理空间坐标通常与实际的解剖结构或空间位置相关联。

具体来说，仿射矩阵由以下形式的矩阵表示：
在这里插入图片描述

其中：

Rij表示旋转和缩放的元素。
Ti表示平移的元素。

这个仿射矩阵允许将体素坐标 ((i, j, k)) 映射到物理空间坐标 ((x, y, z))。具体地说，对于一个三维体素坐标 ((i, j, k))，物理空间坐标 ((x, y, z)) 的计算方式如下：

在 nibabel 中，img.affine 提供了访问这个仿射矩阵的方式，使得用户可以将图像中的体素坐标映射到物理空间坐标，或者反过来。这对于将图像与现实世界中的解剖结构相对应非常有用。

成像

功能性磁共振成像（fMRI）利用 BOLD（Blood Oxygen Level Dependent）信号进行成像。BOLD信号是一种血氧水平依赖信号，与血液中的氧含量有关。这种信号成为fMRI的基础，用于测量脑活动。

fMRI中的BOLD信号的产生基于以下原理：

神经活动和代谢变化： 当某个脑区域活跃时，该区域的神经细胞消耗氧气并产生代谢产物。这导致局部的血液氧含量下降。
血流调节： 大脑对血流进行动态调节，以满足活跃区域的能量需求。当某个区域活跃时，局部血流会增加，带来更多富含氧气的血液。
BOLD信号： 富含氧气的血液和贫含氧气的血液对磁场的影响不同。在fMRI中，主要测量局部脑区域血氧水平的变化，这反映了脑活动的变化。

通过检测BOLD信号的变化，fMRI可以提供关于脑活动的空间和时间分辨率相对较高的图像。研究人员可以使用fMRI来研究任务激活、静息状态下的脑网络、疾病状态等。fMRI成像已成为神经科学和认知神经科学研究的常见工具。

NIfTI 文件中每个层切片的成像原理主要利用了图像中每个位置的像素值。NIfTI 文件是一种神经影像数据格式，包含了三维或四维（包括时间信息）图像数据。每个图像体素（Voxel）在文件中都有一个对应的像素值，这个值表示该体素在成像中的强度或其他特定属性。（应该是 BOLD）

具体来说，对于结构磁共振成像（sMRI）或功能性磁共振成像（fMRI）等数据，每个像素值通常表示相应体素的信号强度。这些像素值经过图像采集和处理，反映了成像区域内的解剖结构、脑活动等信息。

zoe_ya

关注

5
点赞
踩
25

收藏

觉得还不错? 一键收藏
打赏
0
评论
一文道尽医学图像 ABIDE 等数据集 .nii.gz 文件类型Python格式化显示以及各个字段含义 (附源码)

nii.gz 文件通常是医学影像数据的一种常见格式，比如神经影像（如脑部MRI）。这种文件格式通常是经过gzip压缩的NIfTI格式（Neuroimaging Informatics Technology Initiative）。要在Python中查看.nii.gz文件，你可以使用一些专门的库，如Nibabel（NiBabel是用于读取和写入神经影像数据的Python库）和SimpleITK（SimpleITK是一个用于医学影像处理的库）。
复制链接

扫一扫