Python医学图像处理：理论学习和nii图像预处理

最新推荐文章于 2024-07-11 09:51:27 发布
最新推荐文章于 2024-07-11 09:51:27 发布
阅读量1.1w 收藏 194
点赞数 20
分类专栏： 机器学习：医疗图像处理 文章标签： 机器学习 python
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/weixin_44157403/article/details/115068372
版权

学习目录

医疗图像

医学图像有4个关键要素：像素深度，光度学解释，元数据和像素数据。 这些组成部分负责图像的大小和分辨率。1

像素深度

像素深度或位深度或颜色深度是用于编码每个像素的信息的位数。 例如，8位栅格可以具有256个唯一值，范围从0到255。

光度学解释

光度学解释指定如何将像素数据解释为正确的图像，显示为单色或彩色图像。为了指定颜色信息是否存储在图像像素值中，我们引入了每像素采样的概念，也称为通道数。单色图像每个像素具有一个样本，并且图像中不存储颜色信息。从黑色到白色的灰度阴影的比例用于显示图像。灰度的数量明显取决于用于存储样本的比特数，在这种情况下，与像素深度一致。临床放射图像，如X射线计算机断层扫描（CT）和磁共振（MR）图像具有灰度光度解释。核医学图像，如正电子发射断层扫描（PET）和单光子发射断层扫描（SPECT），通常用彩色图或调色板显示。

元数据

元数据是用来描述图像的信息。这看起来很奇怪，但在任何文件格式中，总是存在与像素数据之外的图像相关联的信息。这种称为元数据的信息通常作为标题存储在文件的开头，并至少包含图像矩阵尺寸，空间分辨率，像素深度与那数据和光度学解释。

像素数据

这是存储像素数值的部分。根据数据类型，像素数据存储为整数或使用表示值所需的最小字节数的浮点数。
图像大小=标题大小（包括元数据）+行*列*像素深度*（帧数）

行和列应该属于元数据中的矩阵尺寸。

一帧就是一副静止的画面，连续的帧就形成动画，如电影等。我们通常所说的帧数就是在秒钟时间里传输的图片的帧数，通常用fpsFrames Per Second）表示。每一帧都是静止的图像，快速连续地显示帧便形成了运动的假象，还原了物体当时的状态。高帧率可以得到更流畅、更逼真的动画。每秒钟帧数(fps)愈多，所显示的动作就会愈流畅。一般来说，图像帧率设置为25fps30fps已经足够。

视频分辨率是指视频成像产品所成图像的大小或尺寸，它的表达式为：“水平像素数*垂直像素数”。常见的图像分辨率有QCIF（176×144）、CIFDPP1920*1080）。摄像机成像的最大分辨率是由CCD或CMOS感光器件决定的。现在有些摄像机支持修改分辨率，是通过摄像机自带软件裁剪原始图像生成的。

医疗图像格式

放射学图像有6种主要格式：
DICOM（医学数字成像和通信）
NIFTI（神经影像信息技术）
PAR / REC（飞利浦MRI扫描仪格式）
ANALYZE（梅奥医学影像）
NRRD（近原始光栅数据）
MNIC。
在以上五种格式中，DICOM和NIFTI是实用最广的。

DICOM格式

DICOM代表医学数字成像和通信。 DICOM是由美国国家电气制造商协会（NEMA）制定的标准。它定义了在医学成像中处理，存储，打印和传输信息的标准。
DICOM文件由标题和同一文件（* .dcm）中的图像数据组成。标题的大小取决于提供的标题信息量。标题包含诸如患者ID，患者姓名，模态和其他信息的信息。它还定义了包含多少帧以及哪些分辨率。图像查看器使用它来显示图像。对于单次采集，将会有很多DICOM文件。
DICOM结构
读取dicom文件的python库是pydicom。

NIFTI 格式

最初是为神经影像而创作的，除了应用在神经成像领域，也可以用于其他领域。 主要特征是格式包含两个仿射坐标定义，其将每个体素索引（i，j，k）与空间位置（x，y，z）相关联。

读取nifti文件的python库是nibabel。 用于读取nifti数据的R包是“oro.nifti”。

DICOM和NIFTI之间的差异
DICOM和NIfTI之间的主要区别在于NIfTI中的原始图像数据被保存为3d图像，在DICOM中有2d图像切片。 这使得NIFTI比DICOM的某些机器学习应用更受欢迎，因为它被建模为3d图像。 处理单个NIFTI文件比起处理数百个DICOM更容易实现。 Nifti每个3d图像存储2个文件，而DICOM则存储数十个文件。

NRRD 格式

灵活的NRRD格式包括单个头文件和可以分开或组合的图像文件。NRRD标题准确地表示用于科学可视化和医学图像处理的N维光栅信息。 全国医学图像计算联盟（NA-MIC）开发了一种使用NRRD格式表示扩散加权图像（DWI）体积和扩散张量图像（DTI）的方法。NRRD DWI和NRRD DTI数据可以读入3D切片器，在视觉上确认张量的方向与预期的神经解剖学一致。

MINC格式

MINC代表医学影像NetCDF工具包。
Minc2从NetCDF切换到分层数据格式版本5（HDF5）。 HDF5支持无限种类的数据类型，专为灵活高效的I / O以及大容量和复杂数据而设计。 这些新增功能帮助Minc2处理大型复杂数据集。

格式转换

将DICOM转换为NIfTI的流行工具是dicom2nii。 读取和写入nifti文件的python库是nibabel。 如果想将DICOM转换为Nifti，可以使用自动转换工具（例如dcm2nii）。
Python 2库“dcmstack”允许将一系列DICOM图像堆叠成多维数组。这些数组可以写为Nifti文件，带有可选的标题扩展名（DcmMeta扩展名），其中包含源DICOM文件中所有元数据的摘要。Python 3提供了一个较新的库dicom2nifti。建议查看nipy项目。

nii文件预处理

了解nii格式先了解Analyze格式。
Analyze格式储存的每组数据组包含2个文件，一个为数据文件，其扩展名为.img，包含二进制的图像资料；另外一个为头文件，扩展名为.hdr，包含图像的元数据。

在fMRI（功能磁共振成像技术）的早期，Analyze格式最常用的格式，但现在逐渐被NIFTI格式所取代。Analyze格式主要不足就是头文件不能真正反映元数据。

标准NIFTI图像的扩展名是.nii，也包含了头文件及图像资料。由于NIFTI格式和Analyze格式的关系，因此NIFTI格式也可使用独立的图像文件（.img）和头文件（.hdr）。

单独的.nii格式文件的优势就是可以使用标准的压缩软件（如gzip）进行压缩，而且一些分析软件包（比如FSL）可以直接读取和写入压缩的.nii文件（扩展名为.nii.gz）

关于NIFTI格式的专业说明
https://brainder.org/2012/09/23/the-nifti-file-format/
https://blog.csdn.net/DoronLee/article/details/78597868

SimpleITK

  1. pycharm库导入报错
    报错
    解决方法参考：https://blog.csdn.net/Crazy__1/article/details/105076638
    安装成功

Matplotlib

Matplotlib 是一个 Python 的 2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形 。通过 Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。简单的说就是把数据显示成图形用的，比如曲线，棒图，饼图，总之就是数据可视化。

方法说明
figure()创建画布有返回值，重要参数dpi分辨率，figsize画布大小
xlabel(),ylabel()通过plt.ylabel(‘纵轴名’)指定轴的名称
plot()线形图
axis()参数是 [xmin, xmax, ymin, ymax] 列表作为参数来指定了各个轴的视口大小
show()展示方法，展示之后会清空内存中图片，因此要先保存图片再show
savefig()保存图片参数是保存路径和文件名
legend()函数主要的作用就是给图加上图例，plt.legend([x,y,z])里面的参数使用的是list的的形式将图表的的名称喂给这和函数
plt.xticks(bins)xticks(list) 使用list的值进行 x 轴刻度的标识
title()标题
grid()设置为true添加网图格plt.grid(True, linestyle=’–’, alpha=0.5)

Plt.imshow()与plt.show()区别

plt.imshow()函数负责对图像进行处理，并显示其格式，但是不能显示。
其后跟着plt.show()才能显示出来。

Backends

matplotlib针对许多不同的用例和输出格式:有些人从python shell交互使用matplotlib，并在键入命令时弹出绘图窗口；有些人将matplotlib嵌入到图形用户界面（如wxpython或pygtk）中以构建丰富的应用程序；其他人在批处理脚本中使用matplotlib从一些数值模拟生成postscript图像；还有一些在Web应用程序服务器中生成posts动画以动态提供图形。 为了支持所有这些用例，matplotlib可以针对不同的输出，并且这些功能中的每一个都称为后端。“前端”是面向用户的代码，即绘图代码；而“后端”完成幕后的所有艰苦工作以制作图形。有两种类型的后端：用户界面后端和硬拷贝后端来制作图像文件（PNG，SVG，PDF，PS）。

如果使用use()函数，则必须在导入matplotlib.pyplot之前完成此操作。导入pyplot后调用use()将不起作用。如果用户想要使用不同的后端，则使用use()将需要更改代码。因此，除非绝对必要，否则应避免显式调用use()。

Nibabel

1.图像导入，使用的是压缩格式

import nibabel as nib
import matplotlib.pyplot as plt
import numpy as np
import os

# nifti file load
def read_nii_file1(nii_path):
    '''
    根据路径读取文件
    '''
    nii_img=nib.load(nii_path)
    # 可以获取很多信息包括shape，仿射值，数据类型和矩阵
    # print(nii_img)
    # load的包的数据类型 <class 'nibabel.nifti1.Nifti1Image'>
    # print(type(nii_img))
    print(nii_img.shape)
    # (611, 512, 512)
    return nii_img

2.提取其中一片与运行

def nii_one_slice1(image):
    '''
    显示nii image中的其中一张slice
    '''
    # 获取数据矩阵，使用该函数获取的格式是numpy格式
    # get_data()将被弃用，使用get_fdata()来获取数据
    image_arr=image.get_fdata()
    # 打印矩阵类型<class 'numpy.ndarray'>
    print(type(image_arr))
    # 查看图像的长宽高 发现和nifti包的shape是一样的(611, 512, 512)
    # 注意：nibabel读出的image的data的数组顺序为：Width，Height，Channel
    print(image_arr.shape)
    # 将2d数组转置，就是调换xy的位置
    # image_2d = image_arr[0,:,:].transpose((1, 0))
    # 当然也可以不调换
    image_2d = image_arr[0, :, :]
    plt.imshow(image_2d, cmap='gray')
    plt.show()

nii_image1 = read_nii_file1('imaging.nii.gz')
nii_one_slice1(nii_image1)

3.获取和处理仿射矩阵

# 获取放射矩阵，仿射矩阵是对图像实现仿射变换的矩阵，仿射变化包括平移、放缩、旋转
# 3D图像的仿射矩阵大小为4*4，最后一行固定为[0,0,0,1]不起作用
print(nii_image1.affine.shape)
print(nii_image1.affine)

# 第4列控制平移变换，主对角线控制放缩变换，affine[:3,:3]控制旋转变换

医学图像处理库

PyMVPA

PyMVPA（Python MultiVariate Pattern Analysis）是一个用来简化大型数据集的模式分类分析的Python模块。

Nilearn

Nilearn是一个能够快速统计学习神经影像数据的Python模块。它利用Python语言中的scikit-learn工具箱和一些进行预测建模，分类，解码，连通性分析的应用程序来进行多元的统计。

Scikit-learn

Scikit-learn是基于Scipy为机器学习建造的的一个Python模块，它的特色就是多样化的分类，回归和聚类的算法包括支持向量机，逻辑回归，朴素贝叶斯分类器，随机森林，Gradient Boosting，聚类算法和DBSCAN等。

Scikit-learn需要Numpy和Scipy等其他包的支持，因此在安装Scikit-learn之前需要提前安装一些支持包。

Scikit-image

Scikit-image是用于图像处理的Python包，使用原生的NumPy数组作为图像对象。

PyOpenCV（或CV2）

PyOpenCV（或CV2）是一个用Python实现的OpenCV的API。

PyOpenGL

PyOpenGL是一个用Python实现的OpenGL的API。

PIL

PIL（Python Imaging Library）是Python中最常用图像处理库，它的功能非常强大，并且API非常简单易用。

FSL

FSL和AFNI以及SPM一样，是一款常用的神经影像数据处理软件。目前FSL已经出到6.0版本，我们可以通过FSL的官网来学习如何安装和使用FSL。

FreeSurfer

FreeSurfer是一个处理大脑3D结构像数据，进行自动皮层和皮下核团分割的软件。该软件是一款用于分析脑神经数据的工具集合，它提供了一系列的算法来量化人脑的功能、连接以及结构属性，能对高分辨率的磁共振图像进行三维重建，生成展平或胀平图像，并能得到皮质厚度、面积、灰质容积等解剖参数。

Slicer

3D Slicer是一个跨平台的，免费和开源的数据可视化和医学图像计算软件包。

nipy，nibabel

Python医疗影像开发包。

VTK

VTK（visualization toolkit）是一个开源的免费软件系统，主要用于三维计算机图形学、图像处理和可视化。

机器学习开源

https://cloud.tencent.com/developer/article/1465661

  1. https://zhuanlan.zhihu.com/p/68538289 ↩︎

Attention守恒
关注
  • 20
    点赞
  • 踩
  • 194
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
chatgpt赋能python：Python实现从DICOM转换为NIfTI格式的方法
shengcaiy123的博客
06-20 345
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。
python与医学图像处理_医学图像处理与深度学习（一）
weixin_39598941的博客
12-11 1528
从本文开始，作者将开始介绍图像处理的基础知识，基本的医学图像数据，并且对这些数据进行可视化处理。利用深度学习技术，分析图像与视频，并且将之应用在诸如自动驾驶，无人机等等领域已经成为最新研究方向。在最新的一篇名为“A Neural Algorithm of Artistic Style”[1508.06576] A Neural Algorithm of Artistic Style中，作者描述了一...
3D Slicer - 图像分割标注教程
热门推荐
anhec的博客
07-09 3万+
在3D Slicer(4.10.1)中进行三维体数据的图像分割标注。 1. 读取数据 三维体数据一般为DICOM格式或者NIFIT格式， DICOM： 将包含.dcm文件序列的文件夹拖入3D Slicer，或者点击左上角的dcm图标： 在DICOM Browser Import，导入.dcm序列后，examime and load： NIFIT： 直接将.nii文件拖入3D Slicer即可。...
python图像处理：核磁共振图像（3D）的缩放
weixin_42676170的博客
07-13 9568
基于skimage的transform模块，实现3D图像的缩放(reszie)，.nii格式图像。 1. 代码功能：实现91*109*91图像，压缩为56*56*56大小 结果示意： size: 109*91 size: 56*56 2.  尝试cv2.resize()和np.resize()方法，均无法实现同样功能。 3. import skimage可能报错，提示需要安...
2024年大数据最新3D Slicer - 图像分割标注教程_3dslicer标注，2024年最新阿里内部大数据开发应届生就业宝典
2401_84159839的博客
05-09 418
Create之后可以通过Rename修改名字。点击Edit selected之后，会到Segment Editor模块。双击Segment的Color可修改颜色，双击Name可修改名字。通过Effects下的不同工具可在体数据的三个视图上勾画label：点击Show details查看各个工具的使用方法。点击show 3D可显示segment三维图。
python 笔记：打开nii格式（nibabel 库）
qq_40206371的博客
06-28 1万+
在解释NII（NIFTI，neuroimaging information technology initiative）格式之前，我们需要先知道一下Analyze格式。每一个Analyze格式的数据包含了两个文件：带有二进制图像信息的.img，包含图像元数据的头文件.hdr但是，Analyze的头文件不能很真实地反应元数据（比如没有方向信息，eg在左边还是在右边），于是NIFTI格式文件应运而生nii格式（nifti格式的扩展）是为多维神经影像学发明的。一个nii格式主要包含三部分：hdr, ext, im
python 解压 压缩nii.gz文件
weixin_42212897的博客
05-06 739
【代码】python 解压 压缩nii.gz文件。
MR图像预处理（3）——nii文件拆分成2d图像
bosomy_brain的博客
01-20 895
函数对图像进行归一化后*255输出，由于ITK-SNAP在做标签的时候，没标签的位置为0，不同颜色的标签分别是1-6，所以我mask并没有*255（*255会导致每个分类的灰度都是255，从而无法辨别），而是乘了40。前面解决了如何建造nii文件，现在来把nii图像重新拆分成需要的2d图像（已经在构造整体的代码了，所以封装成了函数）为了患者隐私名称就打码了。
RIRE数据集格式转换(转.nii格式)
xiaofeng
11-24 588
RIRE数据集转换脚本
图像分割标签+nii格式的预处理
05-12
接下来，为了使标注的nii图像数据能更好地适应深度学习模型的输入，通常需要将其转换为更便于处理的格式，如numpy数组（npy）。npy格式是一种Python中用于存储任意类型数组的数据结构，它可以快速加载和操作大量数值...
对python读取CT医学图像的实例详解
09-19
而SimpleITK则是一个轻量级的医学图像处理库，特别适合用于医学图像的读取、分析和转换。 安装SimpleITK非常简单，只需要在命令行或终端中输入以下命令： ```bash pip install SimpleITK ``` 在代码中，我们导入这...
TorchIO：用于加载、扩充和写入3D医学图像的PyTorch工具-python
06-18
TorchIO torchio 是一个 Python 包，其中包含一组工具，可在用 PyTorch 编写的深度学习应用程序中高效读取、采样和写入 3D 医学图像，包括用于数据增强和预处理的强度和空间变换。 变换包括典型的计算机视觉操作，...
SimpleITK pytorch学习
04-27
SimpleITK是Image Processing Package for ITK的Python接口，它为医学图像处理提供了一系列的工具和函数。PyTorch则是一种流行的深度学习框架，广泛应用于计算机视觉和自然语言处理等领域。将SimpleITK与PyTorch结合...
LabelMe之json转nii
04-25
医学图像领域常用的.nii格式由NIFTI（Neuroimaging Informatics Technology Initiative）标准定义，它是一种用于存储和交换多维医学成像数据的文件格式。转换过程可能需要用到如NiBabel这样的库，它可以读取和写入....
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)
Constantiny的博客
11-10 2177
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）。
.nii格式文件解析
m0_51431440的博客
10-18 8709
.nii格式文件解析
【医学影像数据处理】nii、npz、npy、dcm、mhd 的数据格式互转，及多目标分割处理汇总
钱多多先森
04-22 2万+
医学领域进行数据处理的DICOM、.nii、.npy、.mha、.npz，jpeg、png等格式。
从数据预处理开始，用最简单的3D的CNN实现五折交叉验证的MRI图像二分类（pytorch）
qq_36421001的博客
10-27 7598
文章目录前言一、将nii图像数据转成npy格式二、加载数据1.加载数据，Dataset.py:1.一些其他函数，utils.py:二、建模 model.py二、训练 train.py二、预测 predict.py总结 前言 本文从数据预处理开始，基于LeNet搭建一个最简单的3D的CNN，计算医学图像分类常用指标AUC，ACC，Sep，Sen，并用5折交叉验证来提升预测指标，来实现3D的MRI图像二分类 一、将nii图像数据转成npy格式 首先将nii图像数据转成npy格式，方便输入网络 import
线性代数|机器学习-P23梯度下降
最新发布
scar2016的博客
07-11 1078
Log-determinant regularization 通过在损失函数中加入一个负对数行列式项来约束矩阵X的结构。具体形式为Penalty−log⁡det⁡XPenalty−logdetX))​​其中X通常是一个正定矩阵， 这一正则化项有利于确保X的特征值远离零，从而避免数值不稳定性和病态矩阵的出现。
python nii图像旋转一定的角度
09-01
要在Python中将nii图像旋转特定角度，你可以使用Scikit-image包中的旋转函数。首先，你需要使用nibabel库读取nii文件，并获取图像数据和仿射矩阵。然后，使用Scikit-image中的旋转函数对图像进行旋转，并将旋转后的图像保存到新的nii文件。 以下是一个示例代码来实现这个过程： ```python import nibabel as nib from skimage.transform import rotate # 读取nii文件 nii_img = nib.load('your_nii_file.nii.gz') img_data = nii_img.get_data() affine = nii_img.affine # 设置旋转角度（例如旋转90度） angle = 90 # 对图像数据进行旋转 rotated_img_data = rotate(img_data, angle) # 创建旋转后的Nifti图像对象 rotated_nii_img = nib.Nifti1Image(rotated_img_data, affine) # 保存旋转后的图像到新的nii文件 nib.save(rotated_nii_img, 'rotated_nii_file.nii.gz') ``` 请注意，此示例代码假设你已经安装了Scikit-image和nibabel库，并将nii文件替换为你自己的文件路径。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [Python医学图像处理：理论学习和nii图像预处理](https://blog.csdn.net/weixin_44157403/article/details/115068372)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* [Python CT图像预处理——nii格式读取、重采样、窗宽窗位设置](https://blog.csdn.net/lavinia_chen007/article/details/125389503)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“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 1
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
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