代码收藏家技术教程 2022-08-01

使用SimpleITK读取、保存、处理nii文件

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

def setMetaMessage(target, origin):

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


def process(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: