图像分割任务的数据预处理

今天我们要处理的肺栓塞数据参考文章（doi.org/10.1007/s00330-020-06699-8），我没有肺栓塞数据，今天使用乳腺癌数据代替。准备的数据image和mask都是nii格式的数据。今天仅处理了image没有处理mask。

1、查看一位患者的数据形状

import nibabel as nib

# 加载 .nii 文件
file_path = r"D:\Data\DegmentData\OriginalNii\DCE\zhang_san.nii"
image = nib.load(file_path)

# 获取数据数组
data = image.get_fdata()

# 打印数据的形状
print("数据的形状:", data.shape)

数据的形状: (480, 480, 36)

 2、将原始的36张图像进行可视化

import nibabel as nib
import matplotlib.pyplot as plt

# 加载处理后的NIfTI文件
processed_path = r"D:\Data\DegmentData\OriginalNii\DCE\CAO_ZHAN_GUO.nii"
processed_img = nib.load(processed_path)
processed_data = processed_img.get_fdata()  # 获取处理后的数据，形状为(480, 480, 36)

# 可视化36张图像
def visualize_slices(data, num_slices):
    """
    可视化3D数据中的多张切片
    :param data: 3D数据，形状为(height, width, depth)
    :param num_slices: 需要可视化的切片数量
    """
    depth = data.shape[2]  # 获取切片的数量
    slice_indices = np.linspace(0, depth - 1, num_slices, dtype=int)  # 均匀选择切片索引

    # 创建子图
    fig, axes = plt.subplots(6, 6, figsize=(15, 15))  # 6x6的子图布局
    fig.suptitle("Processed Image Slices", fontsize=16)

    for i, idx in enumerate(slice_indices):
        ax = axes[i // 6, i % 6]  # 获取当前子图
        ax.imshow(data[:, :, idx], cmap="gray")  # 显示切片
        ax.set_title(f"Slice {idx}")
        ax.axis("off")  # 关闭坐标轴

    plt.tight_layout()
    plt.show()

# 可视化36张切片
visualize_slices(processed_data, 36)

3、对一个文件夹处理，将数据进行窗宽、窗位（窗宽160-180，窗位620-650）及最大最小归一化处理，改为 512,512大小，每个nii数据的36张图像不改变

 DCE文件夹下存放着每位患者的nii数据，处理后保存到一个新的文件夹中

import os
import nibabel as nib
import numpy as np
from scipy.ndimage import zoom
from tqdm import tqdm  # 导入tqdm库用于显示进度条

# 输入文件夹路径和输出文件夹路径
input_folder = r"D:\Data\DegmentData\OriginalNii\DCE"  # 输入文件夹路径
output_folder = r"D:\Data\DegmentData\ProcessedNii\DCE"  # 输出文件夹路径

# 如果输出文件夹不存在，创建它
if not os.path.exists(output_folder):
    os.makedirs(output_folder)

# 获取输入文件夹中的所有.nii文件
nii_files = [f for f in os.listdir(input_folder) if f.endswith(".nii")]

# 使用tqdm显示处理进度
for filename in tqdm(nii_files, desc="Processing files", unit="file"):
    file_path = os.path.join(input_folder, filename)  # 获取每个文件的完整路径
    print(f"\n正在处理文件: {file_path}")

    # 读取NIfTI文件
    img = nib.load(file_path)
    data = img.get_fdata()  # 获取图像数据，形状为(480, 480, 36)

    # 定义窗口宽度和窗位
    window_width = 180  # 窗宽
    window_level = 635  # 窗位 (620-650的中间值)

    # 计算窗口范围
    window_min = window_level - window_width / 2
    window_max = window_level + window_width / 2

    # 窗口处理：将像素值限制在[window_min, window_max]范围内
    data_windowed = np.clip(data, window_min, window_max)

    # 最小-最大归一化到[0, 1]范围
    data_normalized = (data_windowed - window_min) / (window_max - window_min)

    # 确保归一化后的值在[0, 1]范围内
    data_normalized = np.clip(data_normalized, 0, 1)

    # 调整图像大小到(512, 512, 36)，只改变前两个维度，第三维不变
    new_shape = (512, 512, data_normalized.shape[2])
    zoom_factors = (new_shape[0] / data_normalized.shape[0], new_shape[1] / data_normalized.shape[1], 1)  # 保持张数不变
    data_resized = zoom(data_normalized, zoom_factors, order=1)  # 使用双线性插值 (order=1)

    # 打印调整后的数据形状
    print(f"调整后的数据形状: {data_resized.shape}")

    # 构建新的文件名，将原始文件名的`.nii`替换为`_processed.nii`
    output_filename = filename.replace(".nii", "_processed.nii")
    output_file_path = os.path.join(output_folder, output_filename)

    # 保存处理后的数据为新的NIfTI文件
    processed_img = nib.Nifti1Image(data_resized, img.affine, img.header)
    nib.save(processed_img, output_file_path)
    
    print(f"处理完成，文件已保存到: {output_file_path}")

# 所有文件处理完成
print("\n所有数据处理完成！")

 对处理后的一位患者数据进行可视化，仅画出9张图像。

import nibabel as nib
import matplotlib.pyplot as plt
import numpy as np

# 加载处理后的NIfTI文件
processed_path = r"D:\Data\DegmentData\OriginalNii\DCE\CAO_ZHAN_GUO_processed.nii"
processed_img = nib.load(processed_path)
processed_data = processed_img.get_fdata()  # 获取处理后的数据，形状为(480, 480, 36)

# 可视化9张图像
def visualize_slices(data, num_slices):
    """
    可视化3D数据中的多张切片
    :param data: 3D数据，形状为(height, width, depth)
    :param num_slices: 需要可视化的切片数量
    """
    depth = data.shape[2]  # 获取切片的数量
    slice_indices = np.linspace(0, depth - 1, num_slices, dtype=int)  # 均匀选择切片索引

    # 创建子图
    fig, axes = plt.subplots(3, 3, figsize=(12, 12))  # 3x3的子图布局
    fig.suptitle("Processed Image Slices", fontsize=16)

    for i, idx in enumerate(slice_indices):
        ax = axes[i // 3, i % 3]  # 获取当前子图
        ax.imshow(data[:, :, idx], cmap="gray")  # 显示切片
        ax.set_title(f"Slice {idx}")
        ax.axis("off")  # 关闭坐标轴

    plt.tight_layout()
    plt.show()

# 可视化9张切片
visualize_slices(processed_data, 9)

 这里处理的不好，因为论文中的是CT肺栓塞的图像，我的是乳腺MRI的图像。如果是肺栓塞的图像应该是好的。

4对一个文件夹处理，将数据进行窗宽160-180，窗位620-650及最大最小归一化处理，并进行三通道处理。改为（ 512,512，3）--可以不进行三通处理，论文中处理了

可以不进行三通道处理，之前的是36张图像，处理后成了3张图像。 对image进行了三通道处理，mask也要进行三通道处理，但是，mask进行插值缩放512×512是，使用的是最邻近插值。

 将文件夹下的所有数据进行处理保存到新的文件夹下

import os
import nibabel as nib
import numpy as np
from scipy.ndimage import zoom
from tqdm import tqdm  # 导入tqdm库用于显示进度条

# 输入文件夹路径和输出文件夹路径
input_folder = r"D:\Data\DegmentData\OriginalNii\DCE"  # 输入文件夹路径
output_folder = r"D:\Data\DegmentData\ProcessedNii\DCE"  # 输出文件夹路径

# 如果输出文件夹不存在，创建它
if not os.path.exists(output_folder):
    os.makedirs(output_folder)

# 获取输入文件夹中的所有.nii文件
nii_files = [f for f in os.listdir(input_folder) if f.endswith(".nii")]

# 使用tqdm显示处理进度
for i, filename in tqdm(enumerate(nii_files, 1), desc="Processing files", total=len(nii_files), unit="file"):
    file_path = os.path.join(input_folder, filename)  # 获取每个文件的完整路径
    print(f"\n正在处理第{i}个文件: {file_path}")

    # 读取NIfTI文件
    img = nib.load(file_path)
    data = img.get_fdata()  # 获取图像数据，形状为(480, 480, 36)

    # 定义窗口宽度和窗位
    window_width = 180  # 窗宽
    window_level = 635  # 窗位 (620-650的中间值)

    # 计算窗口范围
    window_min = window_level - window_width / 2
    window_max = window_level + window_width / 2

    # 窗口处理：将像素值限制在[window_min, window_max]范围内
    data_windowed = np.clip(data, window_min, window_max)

    # 最小-最大归一化到[0, 1]范围
    data_normalized = (data_windowed - window_min) / (window_max - window_min)

    # 确保归一化后的值在[0, 1]范围内
    data_normalized = np.clip(data_normalized, 0, 1)

    # 调整图像大小到(512, 512, 36)，只改变前两个维度，第三维不变
    new_shape = (512, 512, data_normalized.shape[2])
    zoom_factors = (new_shape[0] / data_normalized.shape[0], new_shape[1] / data_normalized.shape[1], 1)  # 保持张数不变
    data_resized = zoom(data_normalized, zoom_factors, order=1)  # 使用双线性插值 (order=1)

    # 创建三通道图像 (512, 512, 3)，我们将从数据的不同切片生成RGB通道
    # 例如，我们使用第1、第18、第36个切片作为R、G、B通道（也可以选择其他合适的切片）
    channel_1 = data_resized[:, :, 0]  # 使用第1个切片作为R通道
    channel_2 = data_resized[:, :, 17]  # 使用第18个切片作为G通道
    channel_3 = data_resized[:, :, 35]  # 使用第36个切片作为B通道

    # 合并为三通道图像
    rgb_image = np.stack([channel_1, channel_2, channel_3], axis=-1)

    # 打印调整后的数据形状
    print(f"调整后的三通道图像形状: {rgb_image.shape}")

    # 构建新的文件名，将原始文件名的`.nii`替换为`_processed.nii`
    output_filename = filename.replace(".nii", "_processed.nii")
    output_file_path = os.path.join(output_folder, output_filename)

    # 保存处理后的数据为新的NIfTI文件
    processed_img = nib.Nifti1Image(rgb_image, img.affine, img.header)
    nib.save(processed_img, output_file_path)
    
    print(f"处理完成，文件已保存到: {output_file_path}")

# 所有文件处理完成
print("\n所有数据处理完成！")

对一个病人的数据进行可视化

import matplotlib.pyplot as plt
import numpy as np

# 假设已经有 rgb_image (512, 512, 3)，即三个通道的合成图像
# 这里是如何以灰度图显示每个通道以及合成后的RGB图像

def visualize_rgb_channels_in_gray(rgb_image):
    # 分离RGB通道
    channel_1 = rgb_image[:, :, 0]  # R通道
    channel_2 = rgb_image[:, :, 1]  # G通道
    channel_3 = rgb_image[:, :, 2]  # B通道

    # 创建子图，展示R、G、B通道以及合成的RGB图像（以灰度显示）
    fig, axes = plt.subplots(2, 2, figsize=(10, 10))

    # 可视化R通道（灰度）
    axes[0, 0].imshow(channel_1, cmap="gray")
    axes[0, 0].set_title("Red Channel (Gray)")
    axes[0, 0].axis('off')

    # 可视化G通道（灰度）
    axes[0, 1].imshow(channel_2, cmap="gray")
    axes[0, 1].set_title("Green Channel (Gray)")
    axes[0, 1].axis('off')

    # 可视化B通道（灰度）
    axes[1, 0].imshow(channel_3, cmap="gray")
    axes[1, 0].set_title("Blue Channel (Gray)")
    axes[1, 0].axis('off')

    # 可视化合成后的RGB图像（灰度）
    axes[1, 1].imshow(rgb_image, cmap="gray")
    axes[1, 1].set_title("RGB Image (Gray)")
    axes[1, 1].axis('off')

    # 调整布局
    plt.tight_layout()
    plt.show()

# 调用可视化函数
visualize_rgb_channels_in_gray(rgb_image)