您现在的位置：程式師世界 >> 編程語言 > >> 更多編程語言 >> Python

python 筆記：打開nii格式（nibabel 庫）

編輯：Python

1 nii格式介紹

1.0 Analyze 格式

在解釋NII（NIFTI，neuroimaging information technology initiative）格式之前，我們需要先知道一下Analyze格式。

每一個Analyze格式的數據包含了兩個文件：帶有二進制圖像信息的.img，包含圖像元數據的頭文件.hdr

但是，Analyze的頭文件不能很真實地反應元數據（比如沒有方向信息，eg在左邊還是在右邊），於是NIFTI格式文件應運而生

1.1 組成部分

nii格式（nifti格式的擴展）是為多維神經影像學發明的。一個nii格式主要包含三部分：hdr, ext, img

hdr
- header，數據頭
- 這部分數據長度是固定的，當然不同版本可能規定的長度不同，但是同一版本的多個nii文件是相同的。
- header裡包含的信息有：
  - --維度，至少三個維度，x,y,z，單位是毫米。還有可能有第四個維度，就是時間。這部分儲存的主要是四個數字。
  - --voxel size(體素大小)：毫米單位的x,y,z大小。
  - --數據類型，一般是int16，這個精度不夠，最好使用double類型。
  - Form和轉換矩陣，每一個Form都對應一個轉換矩陣。
    - 轉換矩陣可以輕松分清圖像的左右，作用是將體素索引（i，j，k）轉換為空間位置（x，y，z）。
    - 具體使用方法是轉換矩陣乘以一個包含（i，j，k）的矩陣，就可以得到一個包含（x，y，z）的矩陣。
      - 體素可以類比成二維圖像中的像素。體素就是固定分辨率的三維柵格地圖
ext
- extension
- 是自己可以隨意定義數據的部分，可以自己用。
img
- image
- 儲存3D或者4D的圖像數據
- .hdr 和 .img可以用單文件.nii存儲

1.2 坐標

醫學影像數據有兩種格式，dicom和nii格式，他們定義了不同的方向

2 打開圖像

2.1 ITK-SNAP軟件

注意：使用這個軟件的時候，路徑中不能有中文

三視圖

3 nibabel （python庫）

3.1 基本操作

3.1.1 導入nii

import nibabel as nib
filename = 'CTC-1835078273_seg.nii'
img = nib.load(filename)
img.shape
#(512, 512, 539)

一個nibable 圖像有三部分組合而成：

image數據，三維/四維圖像
一個仿射數組 affine，image數據在參考空間中的位置
image元數據（header）

3.1.2 獲得圖像的ndarray類型數據

data = img.get_fdata()
data.shape,type(data)
#((512, 512, 539), numpy.memmap)

3.1.3 創建新image

至少需要一些image 數據和一個image 坐標轉換矩陣（affine）

import numpy as np
data = np.random.randint((32, 32, 15, 100), dtype=np.int16)
img = nib.Nifti1Image(data, np.eye(4))
nib.save(img, 'exa.nii')

這裡numpy.memmap是內存映像文件。它是一種將磁盤上的非常大的二進制數據文件當做內存中的數組進行處理的方式。它允許將大文件分成小段進行讀寫，而不是一次性將整個數組讀入內存。

memmap也擁有跟普通數組一樣的方法，因此，基本上只要是能用於ndarray的算法就也能用於memmap。

3.2 坐標系和affine

在官方文檔中，提供了一個人大腦的MRI圖像。

import nibabel as nib
epi_img = nib.load('someones_epi.nii.gz')
epi_img_data = epi_img.get_fdata()
epi_img_data.shape
#(53, 61, 33)

[EPI數據]我們看看數組的第一維、第二維和第三維上的切片。
import matplotlib.pyplot as plt
def show_slices(slices):
""" Function to display row of image slices """
fig, axes = plt.subplots(1, len(slices))
for i, slice in enumerate(slices):
axes[i].imshow(slice.T, cmap="gray", origin="lower")
slice_0 = epi_img_data[0, :, :]
slice_1 = epi_img_data[:, 0, :]
slice_2 = epi_img_data[:, :, 0]
show_slices([slice_0, slice_1, slice_2])
plt.suptitle("Center slices for EPI image") 
image維度是(53, 61, 33)，可以想成是53張61*33的圖，可以想成是61張53*33的圖，還可以想成是33張53*61的圖

[結構數據（解剖)]
anat_img = nib.load('someones_anatomy.nii.gz')
anat_img_data = anat_img.get_fdata()
print(anat_img_data.shape)
#(57, 67, 56)
show_slices([anat_img_data[0, :, :],
anat_img_data[:, 0, :],
anat_img_data[:, :, 0]])
plt.suptitle("Center slices for anatomical image")
通常情況下，我們有不同的解剖掃描視野，因此解剖圖像具有不同的形狀、大小和方向。