在DCE图像上勾画的ROI转换为nii格式形成的mask,形状和DCE的原始图像一致,用于特征提取,形状不一致不能特征提取;
DCE图像和T2图像的形状不一致,所以mask不能用于T2的特征提取;
这个脚本根据DCE勾画的mask,和T2的图像,生成T2的mask,形状和T2一致,用于特征提取;
import glob
import os
import shutil
import numpy as np
import pandas as pd
import pydicom
import nibabel as nib
import SimpleITK as sitk
import torch
import torch.nn.functional as F
from matplotlib import pyplot as plt
'''
在DCE图像上勾画的ROI转换为nii格式形成的mask,形状和DCE的原始图像一致,用于特征提取,形状不一致不能特征提取;
DCE图像和T2图像的形状不一致,所以mask不能用于T2的特征提取;
这个脚本根据DCE勾画的mask,和T2的图像,生成T2的mask,形状和T2一致,用于特征提取;
将mask插值为T2图像的大小,然后与T2图像进行相乘,得到T2的mask;
nii文件不但有图像的值信息还有位置等其他信息,所以将mask插值为T2图像的大小不能用于特征提取;而是在dcm文件转化为nii过程中今替换里面的图像的值,不改变其他信心。
dcms_root_path文件夹下是每一个患者的姓名,每个患者的姓名文件夹下是每张dcm文件
mask_dir_path 勾画好的mask文件夹,用DCE图像勾画的ROI,形状和DCE图像一致
savenii_path 存放新生成的nii文件
'''
def dcm2nii(dcmdir_path, mask_path, savenii_path):
# 1.构建dicom序列文件阅读器,并执行(即将dicom序列文件“打包整合”)
label_nii = sitk.ReadImage(mask_path)
label_array = sitk.GetArrayFromImage(label_nii)
label_array = F.interpolate(torch.tensor(label_array, dtype=torch.float32).unsqueeze(0), size=(672, 672),
mode='nearest').squeeze().numpy().astype(np.uint8)
reader = sitk.ImageSeriesReader()
dicom_names = reader.GetGDCMSeriesFileNames(dcmdir_path)
reader.SetFileNames(dicom_names)
image2 = reader.Execute()
# 2.将整合后的数据转为array,并获取dicom文件基本信息
image_array = sitk.GetArrayFromImage(image2) # z, y, x
# 将数组中所有的数值都变为1
image_array = np.ones_like(image_array)
label = image_array * label_array
origin = image2.GetOrigin() # x, y, z
spacing = image2.GetSpacing() # x, y, z
direction = image2.GetDirection() # x, y, z
# 3.将array转为img,并保存为.nii.gz
image3 = sitk.GetImageFromArray(label)
image3.SetSpacing(spacing)
image3.SetDirection(direction)
image3.SetOrigin(origin)
sitk.WriteImage(image3, os.path.join(savenii_path, ))
dcms_root_dir_path = r"F:\300多的乳腺MR图像\良性\T2"
mask_dir_path = r"C:\Users\Administrator\Desktop\Breast\benign_label"
savenii_dir = r"C:\Users\Administrator\Desktop\Breast\lianxi"
patients = os.listdir(dcms_root_dir_path)
mask_dir = os.listdir(mask_dir_path)
for mask_name in mask_dir:
label_name = mask_name.split("-")[0]
for i , p in enumerate(patients):
name = p.split("-")[0]
if name == label_name:
dcms_path = os.path.join(dcms_root_dir_path, p)
mask_path = os.path.join(mask_dir_path, mask_name)
dcm2nii(dcms_path,mask_path, os.path.join(savenii_dir, f'{name}-T2label.nii'))
print(f'正在处理第{i+1}个文件')
print("finished")