Dicom 医学图像与 nii 标签数据处理

Ⅰ. Dicom医学图像处理

reference: https://blog.csdn.net/u011764992/article/details/84501300

dicom 图像就长这样

dicom图像的源数据范围相当大，而转化为图像形式保存的数据则为uint8类型，直接转化会有损失，本文将其转为.npy形式。

Ⅱ. nii标记数据处理

reference: https://blog.csdn.net/weixin_43330946/article/details/89576759
这里有以前写的ITK-SNAP使用技巧: https://www.jianshu.com/p/79ac3ce55a93

使用ITK-SNAP对dicom 图像进行标记

同样转化为.npy格式

Ⅲ. 综合数据处理

1. code1

使用本代码是在dicom数据转化为.npy格式，而.nii的标记数据还未进行转化的情况下

import numpy as np
import os                #遍历文件夹
import nibabel as nib    #nii格式一般都会用到这个包
import imageio           #转换成图像
from matplotlib import pyplot as plt
import cv2
 
def nii_to_image(niifile):
    filenames = os.listdir(filepath)  #读取nii文件夹
    slice_trans = []

    for f in filenames:
        #开始读取nii文件
        img_path = os.path.join(filepath, f)
        img = nib.load(img_path)                #读取nii
        img_fdata = img.get_fdata()
        fname = f.replace('.nii','')            #去掉nii的后缀名
        #开始转换为图像
        (x,y,z) = img.shape
        for i in range(0,z): 
            silce = img_fdata[:, :, i]
            slice_trans.append(silce)
    return slice_trans

def get_image_file(file_dir):
    image_data = []
    files = os.listdir(file_dir)
    files.sort(key= lambda x:int(x[:-4]))
    for file in files:
        if os.path.splitext(file)[1] == '.npy':
            img_item = np.load(file_dir + file)
            image_data.append(img_item)
    return image_data
 
if __name__ == '__main__':
    filepath = './imgData/seg12190000'
    label = nii_to_image(filepath)
    file_dir = './Documents/dicom2npy_75989854/'
    image_data = get_image_file(file_dir)

    imgfile = './imgData/label/'
    for i in range(len(image_data)):
        filename_item = imgfile + str(i + 1)
        img_item = image_data[i]

        # 简单对 img 进行处理
        img_item[img_item < 0] = 0
        img_item[img_item > 512] = 512
        # img_item.dtype = np.uint8
        img_item = img_item.astype(np.uint8)
        
        # 不知道为什么只有这样才能整出来
        label_item = label[149-i]
        label_item = np.rot90(label_item, -1)
        label_item = np.flip(label_item, 1)

        # 图片做成三通道查看一下效果
        img_item = cv2.merge([img_item, img_item, img_item])
        img_item[label_item > 0] = img_item[label_item > 0] * 0.6 + (80, 0, 0)
        
        # imageio.imwrite(os.path.join(imgfile, '{}.png'.format(i)), img_item)
        # imageio.imwrite(os.path.join(imgfile, '{}.png'.format(i)), label_item)
        # 保存调试好的label, 反序 + 左右翻转 + 旋转-1*90
        np.save(os.path.join(imgfile, '{}.npy'.format(i)), label_item)
        print(i)

2. 需要说明

不知道为什么，采用上述博客的做法即对提取出的标记数据以silce = img_fdata[:, :, i]直接进行切片效果对不上。在几番尝试后摸索出了这样的逻辑:

label_item = label[149-i]
label_item = np.rot90(label_item, -1)
label_item = np.flip(label_item, 1)

真是惊呆了，倒序+旋转+左右翻转？

不过总而言之这样就匹配上了

3. code2

针对前面已经提取好的.npy格式的源数据，编写了读入训练数据的类如下:

import os
import numpy as np
import matplotlib.pyplot as plt
import random
import cv2

class trainData():
    def __init__(self):
        ''' 图像数据与标记数据路径 s1: 各为 150张 '''
        self.image_dir = './imgData/train_data/s1/image/'
        self.label_dir = './imgData/train_data/s1/label/'
        self.image_data = None
        self.label_data = None
        
    def get_image_file(self):
        ''' 图像数据为 512 * 512, 为源数据值, 未作改动(范围在: -500左右 ~ 1000+ ) '''
        file_dir = self.image_dir
        image_data = []

        files = os.listdir(file_dir)
        files.sort(key= lambda x:int(x[:-4]))
        for file in files:
            if os.path.splitext(file)[1] == '.npy':
                img_item = np.load(file_dir + file)
                image_data.append(img_item)
        self.image_data = image_data
        return image_data
    
    def get_label_file(self):
        ''' 标签数据为 512 * 512, 为0/1 '''
        file_dir = self.label_dir
        label_data = []

        files = os.listdir(file_dir)
        files.sort(key= lambda x:int(x[:-4]))
        for file in files:
            if os.path.splitext(file)[1] == '.npy':
                img_item = np.load(file_dir + file)
                label_data.append(img_item)
        self.label_data = label_data
        return label_data
    
    def test_show(self):
        ''' 随机取九张展示 '''
        if self.image_data == None or self.label_data == None:
            self.get_image_file()
            self.get_label_file()
        
        _, figs = plt.subplots(3, 3)
        for i in range(3):
            for j in range(3): 
                index = random.randint(0,len(self.image_data)-1)
                img_item = self.image_data[index]
                label_item = self.label_data[index]
                # 标签处简单处理，显示浅红色
                img_item[img_item < 0] = 0
                img_item[img_item > 255] = 255
                img_item = img_item.astype(np.uint8)
                img_item = cv2.merge([img_item, img_item, img_item])
                img_item[label_item > 0] = img_item[label_item > 0] * 0.6 + (80, 0, 0)

                figs[i][j].imshow(img_item)
        plt.show()
    
    def get_train_data(self):
        ''' 
        TODO：先试试使用未经处理的图像数据, 返回对象为包含np矩阵的列表
        '''
        self.get_image_file()
        self.get_label_file()
        return self.image_data, self.label_data

if __name__ == "__main__":
    # 处理源图像与标记数据
    trainDataLoader = trainData()
    trainDataLoader.test_show()
    
    x,y = trainDataLoader.get_train_data()

看看随机展示九张图的效果: