医学nii图像 预处理——图像裁剪 重采样 灰度区域 归一化 修改图像尺寸

鄙人主要研究方向为医学图像配准，在使用CT数据集之前需要对数据进行预处理。
常规预处理步骤：(*代表本代码有)
*1.裁剪出ROI区域。
目的：减小图像尺寸，减小内存消耗，减小无关信息，可提高实验精度
*2.重采样。
一般会重采样到各向同性，例如，将图像重采样到每体素代表111mm实际体积
3.CT转HU，斜率，截距.[CT图像专有，本文代码没写这个]
*4.截取ROI灰度区域。
当处理的图像为肺部图像时，也称为截取肺窗，即肺所在灰度范围，常见肺窗[窗宽：900，窗位：-550]，宽肺窗[窗宽：1600，窗位：-600]
*5.归一化
目的：防止梯度防炸
6.resize图像尺寸。
由算法（有些算法要求输入图片尺寸统一，有些算法则需要保证原图）或电脑性能（显存小，只能缩小图片咯~）决定

直接上代码

import nibabel as nib
import numpy as np
import torch

defget_gray_range(image):'获取图像信息：最大最小值'
    image = np.reshape(image,(1, image.shape[0]* image.shape[1]* image.shape[2]))
    image_gray_list = image.tolist()[0]
    image_gray_list.sort()# 默认升序排列灰度值
    point_num =len(image_gray_list)
    min_num =round(point_num *0.05)
    max_num =round(point_num *0.95)
    min_gray_value = image_gray_list[min_num]
    max_gray_value = image_gray_list[max_num -1]return min_gray_value, max_gray_value

defresampling_isotropic(data,voxel,spacing=[1,1,1]):"""
    利用上下采样原理，恢复到各向同性
    :param data: 输入图像
    :param spacing: 各向同行或异性，默认为1*1*1
    :return:
    """# 获取图像信息：长宽高;
    height, weight, deepth = data.shape

    # 输出图的size
    size_X =int(height*voxel[0]/spacing[0])
    size_Y =int(weight*voxel[1]/spacing[1])
    size_Z =int(deepth*voxel[2]/spacing[2])# ndarray转torch;增加两维，目的是可以在"上下采样"中使用三线性插值法
    data = torch.tensor(data).unsqueeze(0).unsqueeze(0)# torch转.float32
    data = data.to(torch.float32)"""
    函数说明：
    torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None)
    
    input (Tensor) – the input tensor
    size (int or Tuple[int] or Tuple[int, int] or Tuple[int, int, int]) – output spatial size.
    scale_factor (float or Tuple[float]) – 空间大小的乘数。如果scale_factor是一个tuple,它的长度必须匹配input.dim()。
    mode (str) – algorithm used for upsampling: nearest(Default), linear (3D-only), bilinear, bicubic (4D-only), trilinear (5D-only), area
    align_corners (bool, optional):几何上，我们把输入和输出的像素看作正方形而不是点。默认值:False
    如果设置为True，输入和输出张量将由它们的角像素中心点对齐，并保留角像素的值。
    如果设置为False，则输入和输出张量由它们的角像素的角点对齐，并且插值对边界外值使用边值填充，使得在scale_factor保持不变的情况下，该操作与输入大小无关。
    这只在mode is 'linear', 'bilinear', 'bicubic' or 'trilinear'时才有效果。
    recompute_scale_factor (bool, optional) :重新计算用于插值计算的scale_factor。
    如果为True，则必须传入scale_factor，并使用scale_factor计算输出大小。计算出的输出大小将用于为插值推断新的尺度。
    注意，当scale_factor是浮点数时，由于舍入和精度问题，它可能与重新计算的scale_factor不同。
    如果为False，那么size或scale_factor将直接用于插值。
    """
    data = torch.nn.functional.interpolate(data,
                                            size=[size_X,size_Y,size_Z],
                                            mode='trilinear',
                                            align_corners=False)return data[0,0,:,:,:]if __name__ =="__main__":"""
    预处理主程序
    需修改的参数：
    img_name：图片名称
    old_path：数据集旧路径
    new_path：数据集新路径
    """

    img_path = old_path + img_name
    # 打开nii格式
    img = nib.load(img_path)
    img_data = np.asarray(img.dataobj)# 把仿射矩阵和头文件都存下来
    img_affine = img.affine
    img_hdr = img.header

    # 获取图像信息：最大最小值
    img_min, img_max = get_gray_range(img_data)# 获取图像信息：长宽高;
    height, weight, deepth = img_data.shape

    # 获取图像信息：voxel spacing，
    voxel =[img_hdr['pixdim'][1]]
    voxel.append(img_hdr['pixdim'][2])
    voxel.append(img_hdr['pixdim'][3])# 1.裁剪出感兴趣ROI区域,自定义裁剪范围数据
    ROIrange_XYZ=[40,440,20,240,10,130] 
    xmin=ROIrange_XYZ[0]
    xmax=ROIrange_XYZ[1]
    ymin=ROIrange_XYZ[2]
    ymax=ROIrange_XYZ[3]
    zmin=ROIrange_XYZ[4]
    zmax=ROIrange_XYZ[5]
    img_crop = img_data[xmin:xmax,ymin:ymax,zmin:zmax]# 2.重采样。可以恢复到各向同性[1,1,1]
    resample_spacing=[1,1,1]
    img_isotropic = resampling_isotropic(data=img_crop,voxel=voxel,spacing=resample_spacing)# 修改NIfTI affines
    scaling_affine = np.diag([resample_spacing[0], resample_spacing[1], resample_spacing[2],1])# 3.裁剪出肺窗
    TonalRange=[-1000,-100]
    clamp_min = TonalRange[0]if img_min <= TonalRange[0]else img_min
    clamp_max = TonalRange[1]if img_max >= TonalRange[1]else img_max
    intrange = clamp_max - clamp_min
    img_clamp = torch.clamp(img_isotropic,min=clamp_min,max=clamp_max)# 4 归一化处理,灰度范围-》[0,1]
    img_normalize =(img_clamp-clamp_min)/ intrange

    # 5 保存为nii格式# NiBabel网址 https://nipy.org/nibabel/manual.html
    img_new = nib.Nifti1Image(img_normalize, scaling_affine, img_hdr)
    img_new_path = new_path + img_name
    nib.save(img_new, img_new_path)