使用SimpleITK读取、保存、处理nii文件

目录

前言

nii.gz格式是保存医学图像非常重要一种格式，下面来介绍一下如何使用

SimpleITK

这个包来处理

nii

文件。我们首先会介绍最简单的读取、保存、以及如何转为numpy数组；然后再来介绍一些高级操作，什么是

Direction

、

Origin

、

Spacing

、

重采样

。

nii格式

首先nii格式就是后缀名为

.nii

或

.nii.gz

的文件，该格式又叫

NIfTI-1

。

MRI

图像或者

CT

图像通常会以这种格式保存。

至于这种格式的作用，简单来理解就是将

索引坐标

映射到

体素坐标

。我们知道计算机中的数据都是离散的，比如一个数组可以按照索引取对应的值，但是在显示生活中，距离都是连续的，那如何给计算机中离散的点（索引坐标）赋予一个连续的坐标（即体素坐标）呢？

在nii格式中，为了将

索引坐标(数组下标)

映射到

体素坐标（空间坐标）

，除了保存图像的数据外，即那一个个离散的像素，还保存了一些额外信息，比如每个

像素间的距离

，

原点坐标

，

方向

等等，这样根据像素间的距离就可以计算某一像素在空间中真正的坐标了。

更为详细的解释在这里可以看到。

那我们做深度学习需要空间坐标干嘛呢，确实，在训练过程中我们并不关心

空间坐标

，只需要把nii文件中保存的像素值拿出来转化为

numpy

或

tensor

输入网络就可以了，空间距离对我们也没什么用。但还是想写给大家，因为当我们做对比实验时，你会发现将不同网络输出的预测结果保存为nii文件，然后用3DSlicer打开后，二者的预测结果可能完全不一样，这是因为

起始坐标

和

原始label

是对不上的，所以需要设置成一样的，这个问题我们后面再说。

读取nii成numpy格式

这个非常容易，只需要使用SimpleITK先读取图像，然后从图像中获取数组就可以了。
最后image就是一个numpy数组，但是需要注意的是nii文件默认保存数据的顺序是

[x, y, z]

，但是numpy数组保存数据的顺序是

[z, y, x]

，刚好是反过来的.。因为在训练时一般是

[x, y, z]

，所以我们在dataset中需要将图像的坐标轴转换一下，即做一个

transpose(2, 1, 0)

操作。

import SimpleITK as sitk
image_path =''
image = sitk.ReadImage(image_path)
image = sitk.GetArrayFromImage(image)

将numpy格式保存成nii

代码也是非常简单，仍然需要注意的是，可能从网络中输出预测结果的坐标顺序为

[x, y, z]

，但是保存时numpy数组轴的顺序一定要是

[z, y, x ]

，做一下

transpose(2, 1, 0)

或

permute(2, 1, 0)

操作，这样才是正确的。当然，这一步操作取决于你的

dataset类

是否交换了维度，如果交换了维度，网络输出后自然需要交换回来。不知道我讲清楚了没有

# image是一个三维numpy数组，image_path是要保存的路径
sitk.WriteImage(image, image_path)

什么是origin、Direction、Spacing，以及如何设置它们

origin就是原点的坐标，direction我还不太清楚，大概是轴的方向吧，spacing就是每个像素间所代表的真实世界的距离，下面的这个图比较容易理解

对这些有一个大概的认识后，实际使用中，我们只需要

以原图为基准

，将不同网络输出预测结果的

元数据

属性设置成和原图一样就可以了，这样用3D Slicer打开时位置就能对应起来~，代码如下：
需要注意的是保存前的numpy轴的顺序必须得是

[z, y, x]

，否则需要先交换再设置

元数据属性

，这样才是正确的！！！

# 读取原图像
origin_path =''
origin = sitk.ReadImage(origin_path)# 读取预测图像
pred_path =''
pred = sitk.ReadImage(pred_path)# 将预测结果的元数据属性设置成和原图像一样
pred.SetDirection(origin.GetDirection())
pred.SetOrigin(origin.GetOrigin())
pred.SetSpacing(origin.GetSpacing())# 保存处理后的
sitk.WriteImage(pred, pred_path)

示例

把自己的代码保存在这里吧，我做了四个对比试验，nnunet，nnformer，unetr，our，根据nii的ID来依次处理，将他们的元数据都设成和原始image的元数据一样，应该比较好理解吧~

import SimpleITK as sitk

defsetMetaMessage(target, origin):

    target.SetDirection(origin.GetDirection())
    target.SetOrigin(origin.GetOrigin())
    target.SetSpacing(origin.GetSpacing())return target

defprocess(id):
    image_path ='C:/Users/hejianfei/Desktop/vessel result/result'

    image = sitk.ReadImage(os.path.join(image_path,str(id)+'_image.nii.gz'))print('image size:', image.GetSize())
    sitk.WriteImage(image, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result',str(id)+'_image.nii.gz'))

    label = sitk.ReadImage(os.path.join(image_path,str(id)+'_label.nii.gz'))print('label size:', label.GetSize())
    label = setMetaMessage(label, image)
    sitk.WriteImage(label, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result',str(id)+'_label.nii.gz'))

    nnunet = sitk.ReadImage(os.path.join(image_path,str(id)+'_nnunet.nii.gz'))print('nnunet size:', nnunet.GetSize())
    nnunet = setMetaMessage(nnunet, image)
    sitk.WriteImage(nnunet, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result',str(id)+'_nnunet.nii.gz'))

    nnformer = sitk.ReadImage(os.path.join(image_path,str(id)+'_nnformer.nii.gz'))print('nnformer size:', nnformer.GetSize())
    nnformer = setMetaMessage(nnformer, image)
    sitk.WriteImage(nnformer, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result',str(id)+'_nnformer.nii.gz'))

    unetr = sitk.ReadImage(os.path.join(image_path,str(id)+'_unetr.nii.gz'))
    unetr = sitk.GetArrayFromImage(unetr)
    unetr = unetr.transpose(2,1,0)# 换轴
    unetr = sitk.GetImageFromArray(unetr)print('unetr size:', unetr.GetSize())
    unetr = setMetaMessage(unetr, image)
    sitk.WriteImage(unetr, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result',str(id)+'_unetr.nii.gz'))

    our = sitk.ReadImage(os.path.join(image_path,str(id)+'_our.nii.gz'))
    our = sitk.GetArrayFromImage(our)
    our = our.transpose(2,1,0)# 换轴
    our = sitk.GetImageFromArray(our)print('our size:', our.GetSize())
    our = setMetaMessage(our, image)
    sitk.WriteImage(our, os.path.join('C:/Users/hejianfei/Desktop/vessel result/process result',str(id)+'_our.nii.gz'))if __name__ =='__main__':

    process(447)

重采样

重采样可以这样理解，现在我们有一个

2m*2m*2m

的正方体，它的像素分辨率为

100*100*100

，即每个方向都存了

100

个离散的像素点，现在我们保持正方体的尺寸不变，还是

2m*2m*2m

，但是像素分辨率插值变为

150*150*150

，这样就缩小了每个像素间的

space

。所以这个函数也是需要我们传入一个目标

space

。大家先简单理解一下，

相当于体积不变，密度增大了

，类比二维的

resize

操作，等用到的时候去查一下文档~
这里说一下我对重采样的简单理解，重采样改变的是每个像素间所代表的物理距离，在重采样代码中，我们是重采样前像素个数为

x

，每个像素间的距离(即Spacing)为

y

；重采样后的像素个数为

z

，每个像素间的距离为

m

；我们为了保持物理体积不变(即

x*y = z*m

)，所以当改变

m

(即Spacing)后，相应的像素个数

z

也会通过插值改变。
在神经网络中，我们除了通过重采样改变像素个数外，还可以通过

Resize

操作来改变像素点。只不过为了最终可视化和原

label

大小一样，最好先把两者的

Spacing

调整为一样的。
否则会出现如下情况，可以看到长宽比发生了变形：
原图

预测label:

重采样代码

defresampleVolume(outspacing, vol,type):"""
    将体数据重采样的指定的spacing大小\n
    paras：
    outpacing：指定的spacing，例如[1,1,1]
    vol：sitk读取的image信息，这里是体数据
    type：指定插值方法，一般对image采取线性插值，对label采用最近邻插值
    return：重采样后的数据
    """
    outsize =[0,0,0]# 读取文件的size和spacing信息
    inputsize = vol.GetSize()
    inputspacing = vol.GetSpacing()
 
    transform = sitk.Transform()
    transform.SetIdentity()# 计算改变spacing后的size，用物理尺寸/体素的大小
    outsize[0]=round(inputsize[0]* inputspacing[0]/ outspacing[0])
    outsize[1]=round(inputsize[1]* inputspacing[1]/ outspacing[1])
    outsize[2]=round(inputsize[2]* inputspacing[2]/ outspacing[2])# 设定重采样的一些参数
    resampler = sitk.ResampleImageFilter()
    resampler.SetTransform(transform)# 图像使用线性插值，标签使用最近邻插值iftype=='linear':
        resampler.SetInterpolator(sitk.sitkLinear)
        resampler.SetOutputPixelType(sitk.sitkFloat32)# image用float32存else:
        resampler.SetInterpolator(sitk.sitkNearestNeighbor)
        resampler.SetOutputPixelType(sitk.sitkUInt8)# 标签用int8存储
    resampler.SetOutputOrigin(vol.GetOrigin())
    resampler.SetOutputSpacing(outspacing)
    resampler.SetOutputDirection(vol.GetDirection())
    resampler.SetSize(outsize)
    newvol = resampler.Execute(vol)return newvol

参考链接

https://blog.csdn.net/qq_39482438/article/details/106711272
重采样代码