Pytorch 使用 nii数据做输入数据

使用pix2pix-gan做医学图像合成的时候，如果把nii数据转成png格式会损失很多信息，以为png格式图像的灰度值有256阶，因此直接使用nii的医学图像做输入会更好一点。

但是Pythorch中的Dataloader是不能直接读取nii图像的，因此加一个CreateNiiDataset的类。

先来了解一下pytorch中读取数据的主要途径——Dataset类。在自己构建数据层时都要基于这个类，类似于C++中的虚基类。

自己构建的数据层包含三个部分

class Dataset(object):
"""An abstract class representing a Dataset.
All other datasets should subclass it. All subclasses should override
``__len__``, that provides the size of the dataset, and ``__getitem__``,
supporting integer indexing in range from 0 to len(self) exclusive.
"""
def __getitem__(self, index):
	raise NotImplementedError
def __len__(self):
	raise NotImplementedError
def __add__(self, other):
	return ConcatDataset([self, other])

根据自己的需要编写CreateNiiDataset子类：
因为我是基于https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix
做pix2pix-gan的实验，数据包含两个部分mr 和 ct，不需要标签，因此上面的 def getitem(self, index):中不需要index这个参数了，类似地，根据需要，加入自己的参数，去掉不需要的参数。

class CreateNiiDataset(Dataset):
    def __init__(self, opt, transform = None, target_transform = None):
        self.path1 = opt.dataroot # parameter passing
        self.A = 'MR' 
        self.B = 'CT'
        lines = os.listdir(os.path.join(self.path1, self.A))
        lines.sort()
        imgs = []
        for line in lines:
            imgs.append(line)
        self.imgs = imgs
        self.transform = transform
        self.target_transform = target_transform

    def crop(self, image, crop_size):
        shp = image.shape
        scl = [int((shp[0] - crop_size[0]) / 2), int((shp[1] - crop_size[1]) / 2)]
        image_crop = image[scl[0]:scl[0] + crop_size[0], scl[1]:scl[1] + crop_size[1]]
        return image_crop

    def __getitem__(self, item):
        file = self.imgs[item]
        img1 = sitk.ReadImage(os.path.join(self.path1, self.A, file))
        img2 = sitk.ReadImage(os.path.join(self.path1, self.B, file))
        data1 = sitk.GetArrayFromImage(img1)
        data2 = sitk.GetArrayFromImage(img2)

        if data1.shape[0] != 256:
            data1 = self.crop(data1, [256, 256])
            data2 = self.crop(data2, [256, 256])
        if self.transform is not None:
            data1 = self.transform(data1)
            data2 = self.transform(data2)

        if np.min(data1)<0:
            data1 = (data1 - np.min(data1))/(np.max(data1)-np.min(data1))

        if np.min(data2)<0:
            #data2 = data2 - np.min(data2)
            data2 = (data2 - np.min(data2))/(np.max(data2)-np.min(data2))

        data = {}
        data1 = data1[np.newaxis, np.newaxis, :, :]
        data1_tensor = torch.from_numpy(np.concatenate([data1,data1,data1], 1))
        data1_tensor = data1_tensor.type(torch.FloatTensor)
        data['A'] = data1_tensor # should be a tensor in Float Tensor Type

        data2 = data2[np.newaxis, np.newaxis, :, :]
        data2_tensor = torch.from_numpy(np.concatenate([data2,data2,data2], 1))
        data2_tensor = data2_tensor.type(torch.FloatTensor)
        data['B'] = data2_tensor # should be a tensor in Float Tensor Type
        data['A_paths'] = [os.path.join(self.path1, self.A, file)] # should be a list, with path inside
        data['B_paths'] = [os.path.join(self.path1, self.B, file)]
        return data

    def load_data(self):
        return self

    def __len__(self):
        return len(self.imgs)

注意：最后输出的data是一个字典，里面有四个keys=[‘A’,‘B’,‘A_paths’,‘B_paths’], 一定要注意数据要转成FloatTensor。
其次是data[‘A_paths’] 接收的值是一个list，一定要加[ ] 扩起来，要不然测试存图的时候会有问题，找这个问题找了好久才发现。

然后直接在train.py的主函数里面把数据加载那行改掉就好了

data_loader = CreateNiiDataset(opt)
dataset = data_loader.load_data()

Over！