PET图像特征提取

对于深度学习任务，特征提取是非常重要的一步。

!pip install nibabel

首先要下载NiBabel库，NiBabel提供对一些常见医学和神经影像文件格式的读/写访问，包括ANALYZE（plain，SPM99，SPM2及更高版本），GIFTI，NIfTI1，NIfTI2，CIFTI-2，MINC1，MINC2，AFNI BRIK/HEAD，MGH和ECAT以及Philips PAR/REC。

img = nib.load(path)

通过路径加载PET图像

img = img.dataobj[:, :, :, 0]

img.dataobj即图片的图像矩阵，通过[:, :, :, 0]获得图片第一个通道的数据

random_img = img[:, :, np.random.choice(range(img.shape[2]), 10)]

随机筛选其中10个通道提取特征 

 

feat = [
        (random_img != 0).sum(),               # 非零像素的数量
        (random_img == 0).sum(),               # 零像素的数量
        random_img.mean(),                     # 平均值
        random_img.std(),                      # 标准差
        len(np.where(random_img.mean(0))[0]),  # 在列方向上平均值不为零的数量
        len(np.where(random_img.mean(1))[0]),  # 在行方向上平均值不为零的数量
        random_img.mean(0).max(),              # 列方向上的最大平均值
        random_img.mean(1).max()               # 行方向上的最大平均值
    ]

对图片计算统计值

if 'NC' in path:
    return feat + ['NC']
else:
    return feat + ['MCI']

 由于文件夹名称为样本类别

 故根据路径path的字符串来判断样本类别并返回保存