ITK-SNAP + c3d 处理 3D 图像以及 DICOM 格式

最新推荐文章于 2023-01-08 16:48:17 发布
最新推荐文章于 2023-01-08 16:48:17 发布
阅读量4.8k 收藏 40
点赞数 3
分类专栏： 深度学习 IDE工具 文章标签： c3d dicom nii itk-snap
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/run_bomb/article/details/120395578
版权

❤️❤️❤️ c3d 是一个免费的、强大到无以复加的 3D 图像处理工具，它尤其在深度学习医学图像研究和应用中能发挥出无与伦比的生产力 —— 我 😷

我将以 Pancreas-CT 数据集及其标签为例，简要介绍 c3d 处理 dicom 格式 3D 图像（dicom 转成 nii）、Nifti 格式 3D 图像的常用功能

下载安装 c3d 和 ITK-SNAP

官网下载地址：http://www.itksnap.org/pmwiki/pmwiki.php?n=Downloads.C3D

记得把 c3d 命令加入到环境变量中，方便调用。

数据

处理 dicom 图片

dicom 图片是一系列 .dcm 格式的文件组成的一个文件夹，没错，一个 dicom 图片是一个文件夹。

接下来我们使用 c3d 把一个 dicom 图片（PANCREAS_0001）转成 Nifti（.nii.gz） 格式：

  • 进入到 dicom 图片文件夹 Pancreas-99667 的父目录

    $ cd \Pancreas-CT\PANCREAS_0001\11-24-2015-PANCREAS0001-Pancreas-18957

  • 使用命令 c3d -dicom-series-list 获取 dicom series id

    $ c3d -dicom-series-list Pancreas-99667

输出: 
SeriesNumber	Dimensions	NumImages	SeriesDescription	SeriesID
512x512x240	    240	        Pancreas	                    1.2.826.0.1.3680043.2.1125.1.68878959984837726447916707551399667.512512

    那长串序列就是 dicom series id。

  • 使用命令 c3d -dicom-series-read 读取 dicom 文件并保存成 .nii.gz 格式

    $ c3d -dicom-series-read Pancreas-99667 1.2.826.0.1.3680043.2.1125.1.64196995986655345161142945283707267.512512 -o PANCREAS_0001.nii.gz

    不一会儿，当前文件夹下便生成了由 dicom 格式转换而来的 Nifty 图像。

    需要注意的是每次运行 c3d -dicom-series-list 命令获取到的 dicom series id 是不同的，一定要即时获取 ID，即时复制该 ID 来读取图片，使用错误的 dicom series id 会报错说找不到 series dicom files。

处理 nii 图片

c3d 提供了许多可选参数来处理 .nii.gz 格式的 3D 图像，比如：-info、-region、-resample、-type、-thresh、-voxel-sum 等等，给深度学习医学图像的数据预处理带来了许多便利。

  • 进入到 label_tcia_multiorgan 文件夹

    $ cd label_tcia_multiorgan

  • 使用 c3d label0002.nii.gz -info 命令查看该 label 的信息

    $ c3d label0002.nii.gz -info

输出：
Image #1: dim = [512, 512, 195];  bb = {[0 0 0], [460 460 195]};  vox = [0.898438, 0.898438, 1];  range = [0, 14];  orient = RPS

  • 使用以下命令 cropped 3D label，并 resample 到指定的分辨率

    $ c3d label0002.nii.gz -region 84x153x0vox 378x279x169vox -resample 144x144x144 -type short -o label_processed.nii.gz

    其中：

    • -region vOrigin vSize：第一个参数 vOrigin 是裁剪的起始点（原点）位置（xyz），第二个参数 vSize（xyz）是从起始点开始需裁剪的大小，参数的格式如上命令所示，其中的乘号 x 为英文字母 x。

    • -resample <dimensions>：通过改变体素间距来改变图像大小。

    • -type：指定输出图像的像素值类型，默认为 float，这里 label 图像的分割标签像素值为整形，所以指定为 short。

    这里不得不提到如何寻找 -region 的裁剪起始点及裁剪大小：使用 ITK-SNAP 软件打开 label 图像：
    1

    • 先后在三个视图中向上滑动红圈中的滑块，使图中的有色标签都正好看不到，然后记录左边大红圈中 xyz 的坐标值（95，164，1），以此为裁剪起始点；

    在这里插入图片描述

    • 先后在三个视图中向下滑动红圈中的滑块，使图中的有色标签都正好看不到，然后记录左边大红圈中 xyz 的坐标值（445，406，184），以此为裁剪终点；

    裁剪大小 vSize 便可由以上两个坐标相减得到：（445，406，184）-（95，164，1）=（350，242，183），即，vSize = 350x242x183vox，vOrigin = 95x146x1vox。

  • 使用相同的命令处理 3D Pancreas-CT。

    同理，Pancreas-CT 图像也使用同样的裁剪坐标。

使用 python 进行批处理

  • 转 dicom 为 nii
import os
import subprocess

# from subprocess import call

list_of_labels = [2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 16, 17, 18, 19, 20, 21, 22, 24, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49]

root = '~/pancreas_ct/'  # 原 Pancreas-CT 数据集文件夹
saved_dir = root + "preprocess/Pancreas_CT/"  # 转换完成的 nii.gz 保存路径
if not os.path.exists(saved_dir):
    os.mkdir(saved_dir)

for i in range(len(list_of_labels)):
    name = 'PANCREAS_' + str(list_of_labels[i]).zfill(4)
    print('name:', name)
    dict0 = root + 'Pancreas-CT/' + name
    dict1 = next(os.walk(dict0))[1][0]

    dict1 = os.path.join(dict0, dict1)
    dict2 = next(os.walk(dict1))[1][0]
    dict2 = os.path.join(dict1, dict2).replace("\\", "/")  # windows下使用 \ 来拼接路径，这会出错
    print("dict2:", dict2)

    # 首先要获取 dicom series id
    list_command = 'c3d -dicom-series-list ' + dict2
    proc = subprocess.Popen(list_command, stdout=subprocess.PIPE, shell=True)
    out, err = proc.communicate()  # out 就是执行命令的输出结果, type=bytes
    p_status = proc.wait()  # 等待子进程结束

    line = out.splitlines()[1].decode()  # Decode the bytes
    series_id = line.split()[-1]
    print('reading series_id:', series_id)

    # 使用 dicom read 来读取 dicom 及转换格式
    # saved_name = saved_dir + name + '.nii.gz'
    read_command = 'c3d -dicom-series-read ' + dict2 + ' ' + series_id + ' -o ' + name + '.nii.gz'
    proc = subprocess.Popen(read_command, stdout=subprocess.PIPE, shell=True)
    p_status = proc.wait()

    # subprocess.call(read_command)
    print("err:", err)
    print("out:", out)
    print(f'{name} has been converted to nii.gz')

    # 查看值为 0 的体素数量
    count_command = 'c3d ' + name + '.nii.gz -thresh 0 0 1 0 -voxel-sum'
    proc = subprocess.Popen(count_command, stdout=subprocess.PIPE, shell=True)
    out, err = proc.communicate()
    p_status = proc.wait()

    print('out check:', out.decode())

c3d label.nii.gz -thresh 0 0 1 0 -voxel-sum 表示：把在 range(0，0) 之间的体素设成 1，其余体素设成 0，-voxel-sum 计算整个图像的体素值之和。这里即计算值为 0 的体素数量。

  • 裁剪 nii 图像
import os
import subprocess
# from subprocess import call
import pandas

label_path = r"~\label_tcia_multiorgan"  # 标签数据集文件夹
ct_path = r"~\preprocess\Pancreas_CT"  # 转换完成的 nii.gz格式 Pancreas-CT 图像文件夹

df1 = pandas.read_csv('cropping.csv')  # cropping.csv 通过上面的方法记录下来的裁剪坐标，你可以用你的方式记录
print(len(df1))
for i in range(1, 43 + 1, 1):  # len(list_of_labels)):

    # Image #1: dim = [512, 512, 210];  bb = {[0 0 0], [439.296 439.296 210]};  vox = [0.858, 0.858, 1];  range = [
    # -2048, 1371];  orient = RPS

    list_id = int(df1.loc[i - 1, :]['original_id'])
    new_id = int(df1.loc[i - 1, :]['id'])

    name_ct = 'PANCREAS_' + str(list_id).zfill(4)
    name_label = 'label' + str(list_id).zfill(4)
    name_ct_path = os.path.join(ct_path, name_ct).replace("\\", "/")
    name_label_path = os.path.join(label_path, name_label).replace("\\", "/")
    print('name', name_ct, 'label', name_label)

    info_command = 'c3d ' + name_label_path + ' -info'
    proc = subprocess.Popen(info_command, stdout=subprocess.PIPE, shell=True)
    line, err = proc.communicate()
    p_status = proc.wait()

    print("line:", line.decode().split())
    dim_z = int(line.decode().split()[6][:-2])
    print('dimension_z_str', dim_z)

    print(df1.loc[i - 1, :])
    # print(df1.loc[i-1,:]['extent_ant'])

    A1 = int(df1.loc[i - 1, :]['extent_ant'])
    A2 = int(df1.loc[i - 1, :]['extent_post'])
    A3 = int(df1.loc[i - 1, :]['extent_left'])
    A4 = int(df1.loc[i - 1, :]['extent_right'])
    A5 = int(df1.loc[i - 1, :]['extent_inf'])
    A6 = int(df1.loc[i - 1, :]['extent_sup'])

    # 读取裁剪坐标
    region1 = str(A3) + 'x' + str(512 - A2) + 'x' + str(dim_z - A6) + 'vox ' + str(A4 - A3) + 'x' + str(
        A2 - A1) + 'x' + str(A6 - A5) + 'vox'
    print('region', region1)  # vOrigin: 84x153x0vox vSize: 378x279x169vox
    
    # 裁剪 label
    label_command = 'c3d ' + name_label_path + '.nii.gz -region ' + region1 + \
                    ' -int 0 -resample 144x144x144 -type short -o label_ct' + str(new_id) + '.nii.gz'
    proc = subprocess.Popen(label_command, stdout=subprocess.PIPE, shell=True)
    out, err = proc.communicate()
    p_status = proc.wait()

    print("out:", out.decode())
    
    # 用同样的坐标裁剪 CT
    scan_command = 'c3d ' + name_ct_path + '.nii.gz -type float -region ' + region1 + \
                   ' -resample 144x144x144 -o pancreas_ct' + str(new_id) + '.nii.gz'

    proc = subprocess.Popen(scan_command, stdout=subprocess.PIPE, shell=True)
    out, err = proc.communicate()
    p_status = proc.wait()

    print("out:", out.decode())

    print('pancreas_ct' + str(new_id) + '.nii.gz')

    # 查看值为 0 的体素数量
    count_command = 'c3d pancreas_ct' + str(new_id) + '.nii.gz -thresh 0 0 1 0 -voxel-sum'
    proc = subprocess.Popen(count_command, stdout=subprocess.PIPE, shell=True)
    out, err = proc.communicate()
    p_status = proc.wait()

    print("out:", out.decode())

    # line = (out.splitlines()[1])
    # series_id = str.split(line)[-1]
    # print('reading series_id',series_id)
Skr.B
关注
  • 3
    点赞
  • 踩
  • 40
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
图像分割ITK-SNAP分割标注（点坐标）
05-14
使用ITK-SNAP分割软件对图像的两个点坐标进行标注，用于识别两个点的线性回归任务。
ITK图像数据导出
最新发布
qq_41361935的博客
10-12 168
【代码】ITK图像数据导出。
ITK和VTK读取DICOM图像文件
qq_41060452的博客
07-07 3178
ITK和VTK读取DICOM图像文件 ITK读取DICOM图像 相比于VTK类库中vtkDICOMImageReader类读取DICOM序列图像，借助ITK类库实现对DICOM序列图像的读取要复杂许多。但是，使用ITK类库读取图像不像使用VTK类库那么功能局限，VTK类库对每种图像格式都有着专门的读写类，像vtkDICOMImageReader类只能读取普通的DICOM图像，对于压缩后的DICOM图像则只能通过ITK类库来实现读取。 当系统使用ITK来进行读取DICOM格式文件时，基于ITK类库中itkG
MC+itk-snap.zip
04-26
计算机视觉、可视化，利用移动立方体算法提取等值面，并通过itksnap可视化出结果，代码注释清晰明了！
ITKsnap软件和分割后查看结果使用说明
07-27
ITKsnap软件是医学图像处理中的强大软件之一，使用其对医学图像进行分割标注，及校验使用方法
Pancreas-CT数据集-Attention Unet实验数据集之一
lgc050900的博客
11-13 1052
Attention unet论文实验数据集之一
ITK-SNAP使用教程
热门推荐
学习 & 分享 ~
10-23 3万+
官方文档：http://www.itksnap.org/docs/fullmanual.php提供用于 3D 图像分割的工具包，SNAP 有两种不同的使用模式：1）人工分割；2）半自动分割人工分割模式：1）手动标记分割轮廓；2）修正自动分割的结果 半自动分割：使用了分割算法对 3D 解剖结构进行分割，这种分割算法需要用户的 guidance，而 SNAP 就提供了进行 guidance 的接口SNAP 可用于分割各种 3D 图像，但条件是图像必须均匀。 也就是每个像素须具有单个强度值 所以应用范围是 MRI
医学图像可视化软件ITK-SNAP的使用方法
qiannai3993的博客
03-12 2万+
医学图像可视化软件ITK-SNAP的使用方法软件下载地址使用方法 软件下载地址 ITK-SNAP 安装包下载： 资源链接：https://sourceforge.net/projects/itk-snap/?source=directory 使用方法 首先，ITK-SNAP只能导入医学图像相关格式，例如Dicom、.nii等格式，在导入CT图像时，在一个目录下即使导入一个断层该软件也会自动将整个C...
ITK-SNAP基础教程
m0_55764111的博客
01-08 5166
使用INK-SNAP查看分割结果
readfile.zip_ITK SNAP_itk-snap_snap_图像转换数据_显示mha
07-13
把bmp格式的图像序列转换成mha格式的数据，可以导入ITK_snap软件中显示。
itksnap:ITK-SNAP医学图像分割工具
05-10
ITK-SNAP自述文件欢迎！ 感谢您对ITK-SNAP的关注！ 通过使用此程序，您将加入一个来自世界各地研究实验室的日益增长的用户社区。 ITK-SNAP是一种开放源代码的软件应用程序，它由专门的开发人员来实现，这些开发人员...
使用ITK-SNAP进行抠图操作并保存mask的实例
12-17
2.利用软件ITK-SNAP把一幅图像中自己想要的部分抠出来 步骤: 1.保存mask 打开ITK-SNAP ,这是一款可以方便进行勾画操作,制作标签的软件 1.点击勾画按钮 2.在图像中选点进行勾画 3.勾画完成后点击accept,可以看到所...
简明易懂——卷积神经网络的输入输出特征图大小计算
过招
10-08 1万+
???? 参考文档：《百度飞浆：零基础入门深度学习》 假设输入图片尺寸是 H×WH \times WH×W，卷积核（池化窗口）大小为 kh×kwk_h \times k_wkh​×kw​ 卷积层： 假设填充为 (ph,pw)(p_h, p_w)(ph​,pw​)，步幅为 (sh,sw)(s_h, s_w)(sh​,sw​)，则卷积层输出特征图的大小为： Hout=H+2ph−khsh+1H_{out} = \frac{H + 2p_h - k_h}{s_h} + 1Hout​=sh​H+2ph​−kh
Cross-Modality Domain Adaptation
过招
01-05 1716
Cross-Modality Domain Adaptation for Medical Image Segmentation Unsupervised 3D Semantic Segmentation Domain Adaptation 领域适应（DA）最近引起了医学成像界的强烈兴趣。通过鼓励算法对未知情况或不同的输入数据域具有鲁棒性，域自适应提高了机器学习方法对各种临床环境的适用性。虽然已经提出了各种各样的 DA 技术用于图像分割，但这些技术中的大多数已经在私有数据集或小型公共可用数据集上得到验证。此外
飞桨论文复现挑战赛（第四期）冠军 —— paddle-SAM
过招
09-27 1641
论文复现：Only a Matter of Style: Age Transformation Using a Style-Based Regression Model 一、简介 本文提出了一种图像到图像（image-to-image）的年龄转换方法，该方法促使编码器学习将真实面部图像编码到预先训练的无条件 GAN（例如 StyleGAN）的潜在空间中，该编码器会受到给定的年龄变化的影响。 本文将老化过程作为输入年龄和目标年龄之间的回归任务，对生成图像的年龄提供细粒度控制（而不是只能老化到给定的年龄），使
Flask + Vue + PyTorch 前后端分离部署，配合 Gunicorn + Nginx + 阿里云ECS
过招
06-05 1509
前期准备： 一、系统环境配置： 阿里云系统镜像最好选择Ubuntu系统（CentOS安装Tensoflow会踩很多坑），我选择镜像市场的免费镜像：NVIDIA GPU Cloud VM Image with TensorFlow，已经自带python2.7+和python3.6+，区分python和python3。 python3.7+安装参考：《在阿里云CentOS服务器上安装Python3.7并设置为默认Python》 nginx安装：cd ~，apt-get install nginx。 二、源代
pytorch flask 实现的图像风格转换 Web 应用
过招
06-19 827
WCT Style Transfer ???? 图像风格转换的深度学习算法研究和应用开发 [Live Demo: WCT Style Transfer] 部署在阿里云ECS，2020.10将会过期 Introduction Theories Style Transfer Manual Installation Backend Frontend Acknowledgments Authors License Introduction 实现一个高效的图像风格转换算法，通过Web应用让更多..
itk-snap 3.6.0
09-08
itk-snap 3.6.0 是一款医学图像处理软件，主要用于对医学影像数据进行可视化、分析和操作。该软件基于开放源码的图像处理库ITK开发，具有丰富的功能和强大的性能。 itk-snap 3.6.0 支持多种医学图像格式，包括DICOM、NIfTI、NRRD等，用户可以方便地导入和导出不同的医学影像数据。软件提供了丰富的图像处理工具，如图像分割、体素标注、区域生长、曲线绘制等，可以对医学影像数据进行精确的分析和处理。 此外，itk-snap 3.6.0 还提供了三维可视化功能，可以将医学图像数据以立体的方式显示，帮助用户更直观地观察和分析数据。软件还支持多模态图像的配准，可以将不同模态的医学图像进行对齐，提供更全面的信息。 itk-snap 3.6.0 的界面简洁明了，操作方便，同时具有较好的稳定性和性能。在医学影像研究领域，itk-snap 3.6.0 被广泛应用于临床诊断、病理学研究、医学教育等方面。 总之，itk-snap 3.6.0 是一款功能强大、易于使用的医学图像处理软件，可以帮助医学专业人士对医学影像数据进行准确的分析和处理。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Skr.B

WUHOOO~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值