将dicomRT数据解析为nii保存

吊炸天的小鸿鸿

已于 2022-04-14 17:58:59 修改

阅读量1.9k

点赞数 5

分类专栏： python AI 学习笔记文章标签： opencv 图像处理

于 2022-04-14 17:54:58 首次发布

本文链接：https://blog.csdn.net/qq_36340554/article/details/124177539

版权

学习笔记同时被 3 个专栏收录

11 篇文章 4 订阅

订阅专栏

10 篇文章 1 订阅

订阅专栏

python

8 篇文章 2 订阅

订阅专栏

剂量预测项目需要将从TPS导出的DCIOM_RT 数据保存为nii，以便后续处理。
开贴记录：

1、dose文件解析

dose文件是按照3mm体素进行分布的，其大小和原始CT图像并不一致，这里我们使用SimpleITK 包，读取病人CT图像和Dose文件，并通过sitk中的重采样将dose图像和CT图像进行对齐。代码如下：

def resize_image_itk(ori_img, target_img, resamplemethod=sitk.sitkNearestNeighbor):
    """
    用itk方法将原始图像resample到与目标图像一致
    :param ori_img: 原始需要对齐的itk图像
    :param target_img: 要对齐的目标itk图像
    :param resamplemethod: itk插值方法: sitk.sitkLinear-线性  sitk.sitkNearestNeighbor-最近邻
    :return:img_res_itk: 重采样好的itk图像
    使用示范：
    import SimpleITK as sitk
    target_img = sitk.ReadImage(target_img_file)
    ori_img = sitk.ReadImage(ori_img_file)
    img_r = resize_image_itk(ori_img, target_img, resamplemethod=sitk.sitkLinear)
    """
    target_Size = target_img.GetSize()  # 目标图像大小  [x,y,z]
    target_Spacing = target_img.GetSpacing()  # 目标的体素块尺寸    [x,y,z]
    target_origin = target_img.GetOrigin()  # 目标的起点 [x,y,z]
    target_direction = target_img.GetDirection()  # 目标的方向 [冠,矢,横]=[z,y,x]

    # itk的方法进行resample
    resampler = sitk.ResampleImageFilter()
    resampler.SetReferenceImage(ori_img)  # 需要重新采样的目标图像
    # 设置目标图像的信息
    resampler.SetSize(target_Size)  # 目标图像大小
    resampler.SetOutputOrigin(target_origin)
    resampler.SetOutputDirection(target_direction)
    resampler.SetOutputSpacing(target_Spacing)
    # 根据需要重采样图像的情况设置不同的dype
    if resamplemethod == sitk.sitkNearestNeighbor:
        resampler.SetOutputPixelType(sitk.sitkUInt8)  # 近邻插值用于mask的，保存uint8
    else:
        resampler.SetOutputPixelType(sitk.sitkFloat32)  # 线性插值用于PET/CT/MRI之类的，保存float32
    resampler.SetTransform(sitk.Transform(3, sitk.sitkIdentity))
    resampler.SetInterpolator(resamplemethod)
    itk_img_resampled = resampler.Execute(ori_img)  # 得到重新采样后的图像
    return itk_img_resampled


def read_Image_and_RTdose(img_path='', dose_path='',savepath = ''):
    """ read image and rtdose file,and convert them to .nii or .npy

    read image and rtdose file,and convert them to .nii or .npy
    :param img_path: the directory of image path(Notice:it is a directory). for exampel:"./data/patient1/img"
    :param dose_path: the directory of RTdose.dcm path. for example:'./data/patient1/RTdose.dcm'
    :return:None

    """
    #  读取病人dicom
    reader = sitk.ImageSeriesReader()
    img_names = reader.GetGDCMSeriesFileNames(img_path)
    reader.SetFileNames(img_names)
    image = reader.Execute()
    #image_array = sitk.GetArrayFromImage(image) #get image data
    # 读取dose文件
    dose = sitk.ReadImage(dose_path)
    #dose_img = sitk.GetArrayFromImage(dose)#get image data
    new_dose = resize_image_itk(dose, image, resamplemethod=sitk.sitkLinear) # 对齐后的dose图像
    #sitk.WriteImage(image,'.dat/1/patient1.nii')

    sitk.WriteImage(new_dose, savepath)

2、StrctrSets 文件解析

该部分解析已在前面讲解，请参照：StrctrSets 解析

3、对原始数据进行处理使其满足要求

原始的病人的所有数据都保存在一个文件夹中，如图：

原始结构
为了便于处理，按照以下结构进行处理：
处理后的文件结构
主要涉及到CT图像整合到patient文件夹中，将原始的20210020_StrctrSets.dcm,20210020_Dose.dcm重命名为StrctrSets.dcm和dose.dcm
主要使用以下代码：

'''
此文件主要完成对原始数据的整理，讲一个文件夹中的.dcm数据进行整理
将病人的CT.dcm保存到一个文件夹'patient'中
最后得到的目录结构为：
--data
  --patient1
    --.DCM
  --dose.dcm
  --StrctrSets.dcm
 --patient2
    --.DCM
 --dose.dcm
--StrctrSets.dcm
'''

import os
from shutil import move
import glob
import re

path = os.path.join(r'E:\数据集\食管癌\食管癌1\食管癌1\wang,defa','patient')
temp = glob.glob(r'E:\数据集\食管癌\食管癌1\食管癌1\wang,defa\*.DCM')
for tmp in temp:
    if re.search('image',tmp):
        move(tmp,path)
datapath =  r'E:\数据集\食管癌\食管癌2\食管癌2'
patient_name = os.listdir(datapath) #获取所有病人文件夹
for name in patient_name:
    getpath = os.path.join(datapath, name)
    savepath = os.path.join(getpath,'patient')
    if os.path.exists(savepath) ==False:
        os.makedirs(savepath)
    temp = glob.glob(os.path.join(getpath,'*.DCM'))
    for tmp in temp:
        if re.search('image', tmp):
            print("now prcoess:")
            print(tmp)
            move(tmp, savepath)
'''
以上主要部分是将image整合到patient文件夹
'''
datapath =  './origin_data' #此处我已经将文件进行了整理到新的存储位置，故重写了
patient_name = os.listdir(datapath) #获取所有病人文件夹
for name in patient_name:
    getpath = os.path.join(datapath, name)
    temp = glob.glob(os.path.join(getpath,'*.DCM'))
    for tmp in temp:
        if re.search('Dose', tmp):
            print("now prcoess:")
            print(tmp)
            savename = os.path.join(getpath,'dose.dcm')
            os.rename(tmp,savename)
        if re.search('StrctrSets', tmp):
            print("now prcoess:")
            print(tmp)
            savename = os.path.join(getpath, 'StrctrSets.dcm')
            os.rename(tmp, savename)
'''
以上主要部分是将20210020_StrctrSets.dcm,20210020_Dose.dcm重命名为StrctrSets.dcm和dose.dcm
'''

4、批量处理整合后的数据

通过以上的步骤后，已经可以将得到原始数据进行批量处理。把CT.dcm、dose.dcm、StrctrSets.dcm 转换为nii保存到新的文件夹

'''
此文件用于将原始数据进行解析
将RTdose，RTstruct，以及RTDICOM 转换为nii或npy
数据文件结构为：
--data
  --patient1
    --DICOM
    --RTdose.dcm
    --RTstruct.dcm
 --patient2
    --DICOM
    --RTdose.dcm
    --RTstruct.dcm
'''
import os
import pydicom
import dicom2nifti
import nibabel as nib
import SimpleITK as sitk
'''
以下部分为解析RTdose 并将RTdose.dcm的剂量数据通过simpleItk 进行重采样后与原始图像对齐
'''
from dcmrtstruct2nii import dcmrtstruct2nii, list_rt_structs

def resize_image_itk(ori_img, target_img, resamplemethod=sitk.sitkNearestNeighbor):
    """
    用itk方法将原始图像resample到与目标图像一致
    :param ori_img: 原始需要对齐的itk图像
    :param target_img: 要对齐的目标itk图像
    :param resamplemethod: itk插值方法: sitk.sitkLinear-线性  sitk.sitkNearestNeighbor-最近邻
    :return:img_res_itk: 重采样好的itk图像
    使用示范：
    import SimpleITK as sitk
    target_img = sitk.ReadImage(target_img_file)
    ori_img = sitk.ReadImage(ori_img_file)
    img_r = resize_image_itk(ori_img, target_img, resamplemethod=sitk.sitkLinear)
    """
    target_Size = target_img.GetSize()  # 目标图像大小  [x,y,z]
    target_Spacing = target_img.GetSpacing()  # 目标的体素块尺寸    [x,y,z]
    target_origin = target_img.GetOrigin()  # 目标的起点 [x,y,z]
    target_direction = target_img.GetDirection()  # 目标的方向 [冠,矢,横]=[z,y,x]

    # itk的方法进行resample
    resampler = sitk.ResampleImageFilter()
    resampler.SetReferenceImage(ori_img)  # 需要重新采样的目标图像
    # 设置目标图像的信息
    resampler.SetSize(target_Size)  # 目标图像大小
    resampler.SetOutputOrigin(target_origin)
    resampler.SetOutputDirection(target_direction)
    resampler.SetOutputSpacing(target_Spacing)
    # 根据需要重采样图像的情况设置不同的dype
    if resamplemethod == sitk.sitkNearestNeighbor:
        resampler.SetOutputPixelType(sitk.sitkUInt8)  # 近邻插值用于mask的，保存uint8
    else:
        resampler.SetOutputPixelType(sitk.sitkFloat32)  # 线性插值用于PET/CT/MRI之类的，保存float32
    resampler.SetTransform(sitk.Transform(3, sitk.sitkIdentity))
    resampler.SetInterpolator(resamplemethod)
    itk_img_resampled = resampler.Execute(ori_img)  # 得到重新采样后的图像
    return itk_img_resampled


def read_Image_and_RTdose(img_path='', dose_path='',savepath = ''):
    """ read image and rtdose file,and convert them to .nii or .npy

    read image and rtdose file,and convert them to .nii or .npy
    :param img_path: the directory of image path(Notice:it is a directory). for exampel:"./data/patient1/img"
    :param dose_path: the directory of RTdose.dcm path. for example:'./data/patient1/RTdose.dcm'
    :return:None

    """
    #  读取病人dicom
    reader = sitk.ImageSeriesReader()
    img_names = reader.GetGDCMSeriesFileNames(img_path)
    reader.SetFileNames(img_names)
    image = reader.Execute()
    #image_array = sitk.GetArrayFromImage(image) #get image data
    # 读取dose文件
    dose = sitk.ReadImage(dose_path)
    #dose_img = sitk.GetArrayFromImage(dose)#get image data
    new_dose = resize_image_itk(dose, image, resamplemethod=sitk.sitkLinear) # 对齐后的dose图像
    #sitk.WriteImage(image,'.dat/1/patient1.nii')

    sitk.WriteImage(new_dose, savepath)
datapath =  './origin_data'
patient_name = os.listdir(datapath) #获取所有病人文件夹

for name in patient_name:
    getpath = os.path.join(datapath, name) #病人路径
    savepath = os.path.join('./ProcessData', name+'/dose.nii.gz')
    tmppath = os.path.join('./ProcessData',  name)
    if os.path.exists(tmppath)==False:
        os.makedirs(tmppath)
    read_Image_and_RTdose(img_path=os.path.join(getpath,'patient'),
                          dose_path=os.path.join(getpath,'dose.dcm'),
                          savepath=savepath)
    name, image = dcmrtstruct2nii(os.path.join(getpath,'StrctrSets.dcm'),
                                  dicom_file=os.path.join(getpath,'patient'),
                                  output_path=tmppath)


'''
解析RT—struct.dcm文件 并转换为nii保存
需要修改dcmrtstruct2nii 源码中 读取dicom 文件时加入参数force=true
'''

from dcmrtstruct2nii import dcmrtstruct2nii, list_rt_structs
path = './RTDICOM/20220356_StrctrSets.dcm'

# #save_path = ''
# #print(list_rt_structs(path)) #显示出有哪些结构体
#
# name, image = dcmrtstruct2nii(path, dicom_file='./wang,defa/patient',output_path='./data/1')
# #参数分别为struct文件、病人图像文件夹，输出文件夹

到此文件解析为nii已经结束，下一步是将ptv，OAR进行拼接，保存为nii，具体方法，请见后续。

吊炸天的小鸿鸿

关注

5
点赞
踩
24

收藏

觉得还不错? 一键收藏
14
评论
将dicomRT数据解析为nii保存

剂量预测项目需要将从TPS导出的DCIOM_RT 数据保存为nii，以便后续处理。开贴记录：1、dose文件解析dose文件是按照3mm体素进行分布的，其大小和原始CT图像并不一致，这里我们使用SimpleITK 包，读取病人CT图像和Dose文件，并通过sitk中的重采样将dose图像和CT图像进行对齐。代码如下：def resize_image_itk(ori_img, target_img, resamplemethod=sitk.sitkNearestNeighbor): """
复制链接

扫一扫