使用 MONAI 加载和保存各种格式的医学图像

发布时间:2024年01月08日

本教程属于实战,手把手教你加载各种医学图像数据(nii.gz, .dcm, .png等)。并学会查看医学图像数据的元数据(shape, affine, orientation)。学会使用monai全方位了解你的数据,并把它用于之后的深度学习训练。以及学会保存transform处理后的图像以及分割结果。干货很多,动手跟着一起来。

查看本教程前,请自行下载参考代码,边跑代码边看教程,学习效率更高哦

使用默认 image reader 加载 Nifti 图像

monai 根据文件后缀选择默认阅读器:

  • nii、nii.gz -> NibabelReader
  • png、jpg、bmp -> PILReader
  • npz、npy -> NumpyReader
  • 其他 -> ITKReader

开始实验前准备你的 nifti 格式图像,

filename = '/Users/Downloads/WORD-V0.1.0/imagesTr/word_0002.nii.gz'

如果没有,可以下载monai的示例

# download a test image
tempdir = tempfile.mkdtemp()
test_url = "https://github.com/Project-MONAI/MONAI-extra-test-data/releases/download/0.8.1/avg152T1_RL_nifti.nii.gz"
filename = os.path.join(tempdir, "avg152T1_RL_nifti.nii.gz")
monai.apps.download_url(test_url, filepath=filename)

接下来使用LoadImage加载图像

data = LoadImage(image_only=True, ensure_channel_first=True, simple_keys=True)(filename)
print(f"image data shape: {data.shape}")
print(f"meta data: {data.meta.keys()}")

参数解析

  • image_only: 默认为True,只返回图像;if False, 返回的data就是tuple, image=data[0], metadata(元数据)=data[1]
  • ensure_channel_first:默认为False, if True, 会给图像加一个channel,假如图像shape=[512, 512, 64], 加了channel就变成[1, 512, 512, 64]. 这在深度学习训练中基本都是要设为True, 向本教程的目的是加载图像的话,就不必设为True
    其余参数可以在pycharm源代码里查看

接下来,重点解释一下元数据,这是医学图像独有的信息。可以使用data.meta获取所有的元数据。包括

打勾的几个数据就是我平时用的比较多的,比如做图像分割的时候,要保存图像和分割结果,就需要知道affine信息。分割结果命名想同图像命名对应的时候,就需要知道filename_or_obj.

加载进来的3D图像如何展示出来呢?可以使用monai.visualize.matshow3d功能。

data1 = monai.transforms.Orientation("IPL")(data) # (Left, Right), (Posterior, Anterior), (Inferior, Superior).
fig = monai.visualize.matshow3d(volume=data1, 
                                # title='abdomen CT', 
                                figsize=(20,20),
                                frames_per_row=6, 
                                frame_dim=-3,
                                channel_dim=0,
                                every_n=5,
                                vmin=-300, vmax=600,
                                cmap='gray',
                                fill_value=255)

关于matshow3d函数的更多使用技巧,参考这篇文章【添加文章地址】

加载3D DICOM 图像

LoadImage同样支持加载DICOM图像和DICOM文件夹

filenames = ['/Users/Downloads/CBA60D87FAB145C3A9EB31A1C371C07E/0F9B3029D79B4B7DBE18776D284BB713.dcm',
            '/Users/Downloads/CBA60D87FAB145C3A9EB31A1C371C07E/0F9B3029D79B4B7DBE18776D284BB713.dcm']

folder_path = '/Users/Downloads/CBA60D87FAB145C3A9EB31A1C371C07E'

# load single image
# data = LoadImage(image_only=True)(filenames)

# load  DICOM series
data = LoadImage(image_only=True, ensure_channel_first=True)(folder_path)
print(f"image data shape: {data.shape}")

使用data.meta也可以查看元数据

加载 2D PNG图像

# 下载png图像
tempdir = tempfile.mkdtemp()
filename = os.path.join(tempdir, "MONAI-logo_color.png")
monai.apps.download_url("https://monai.io/assets/img/MONAI-logo_color.png", filepath=filename)

data, meta = LoadImage(image_only=False, reader="PILReader", reverse_indexing=False)(filename)
fig = monai.visualize.matshow3d(data, frame_dim=-1)
print(f"image data shape: {data.shape}")
print(f"meta data: {meta}")

保存图像

例如在图像分割中,想保存分割结果或者预处理后的图像。可以使用SaveImage方法。代码以Nifti图像格式为例

假设加载图像并进行了一些transform

# 假设加载图像并进行了一些transform
filenames = '/Users/Downloads/WORD-V0.1.0/imagesTr/word_0002.nii.gz'
transform = Compose(
    [
        LoadImaged(keys="image", image_only=True, ensure_channel_first=True),
        Resized(keys="image", spatial_size=[256, 256, 240])
    ]
)
test_data = {"image": filenames}
result = transform(test_data)
print(f"image data shape:{result['image'].shape}")
print(result["image"].affine)

保存处理后的图像

img = result["image"]
saver = SaveImage(
    output_dir='./output',
    output_ext=".nii.gz",
    output_postfix="trans",
    # output_dtype=np.uint8, # type改变,保存出来的图像变化大,慎重选择type
    resample=False,
    squeeze_end_dims=True,
    writer="NibabelWriter",
)
img = saver(img)

SaveImage将图像(可以是torch tensor或numpy ndarray的形式)和元数据字典保存到文件中。

保存的文件名将为{input_image_name}_{output_postfix}{output_ext},其中input_image_name是从提供的元数据字典中提取的。如果没有提供元数据,将使用从0开始的递增索引作为文件名前缀。

重要参数解析

  • output_ext:输出扩展名
  • output_postfix:输出后缀,默认为trans,如果输出是分割结果,可以设为seg, 最后文件名就是:{input_image_name}_seg.nii.gz
  • resample: 布尔值。if True, 就会重采样到原始图像大小。适用于在transform中对image做了采样后,保存分割结果又重新采样回去。使得分割结果同原始图像一样大小。此操作会利用原始图像元数据信息的spatail_shape以及original_affine.
  • squeeze_end_dims:if True, 去掉为1的维度,比如chanenl维度一般为1,保存的时候【C,H,W,D】-> 【H, W, D】
  • writer: 可以设置为 None,自动根据 output_ext 来选择合适的读写器。也可以是[“NibabelWriter”、“ITKWriter”、“PILWriter”]

当然,你也可以手动指定 metadata, 以及 filename

saver(img, meta_data=img.meta, filename='img_trans.nii.gz')

注意:这个要看版本,1.3版本没有filename

总结:图像的输出非常依赖于元数据(metadata), 对医学图像不是很熟悉的,重点关注本次内容中关于元数据的部分。monai的好处是加载图像后,图像的元数据(image dir, affine, spatial shape等信息全部都保存下来了,只需要img.meta就可以调出来)。

文章持续更新,可以关注微公【医学图像人工智能实战营】获取最新动态,一个关注于医学图像处理领域前沿科技的公众号。坚持以实践为主,手把手带你做项目,打比赛,写论文。凡原创文章皆提供理论讲解,实验代码,实验数据。只有实践才能成长的更快,关注我们,一起学习进步~

我是Tina, 我们下篇博客见~

白天工作晚上写文,呕心沥血

觉得写的不错的话最后,求点赞,评论,收藏。或者一键三连
在这里插入图片描述

文章来源:https://blog.csdn.net/u014264373/article/details/135447440
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。