如何处理.nii文件

最近读了一篇论文^[1]，是利用深度学习进行MRI图像重建的，作者在github^[2]上提供给我们的他的实现代码，他使用的一个MRI分割比赛的数据集^[3]，但是将数据集下载下来发现全部都是.nii格式的文件，用普通的方法也是打不开的，经过一个星期的摸索，也是大概了解了如何读取以及处理.nii文件。

1. NIFTI出现原因

.nii文件是NIFTI格式的文件，出现的原因是原来一种图像格式是ANALYZE 7.5 format，但是这个图像格式缺少一些信息，比如没有方向信息，病人的左右方位等，如果需要包括额外的信息，就需要一个额外的文件，比如ANALYZE7.5就需要一对<.hdr, .img>文件来保存图像的完整信息。因此，解决这个问题Data Format Working Group (DFWG) 将图像格式完整的定义为NIFTI（Neuroimaging Informatics Technology Initiative）格式。^[4]

2. 读取.nii文件

2.1 利用FSL软件读取.nii文件

FSL是一个FMRI, MRI和DTI数据的的分析库. 支持OSX和linux系统, windows需要在虚拟机运行. 所有的命令可以在命令行调用,也可以通过GUI调用.

因为我是使用Linux系统的，关于Linux系统如何安装这个软件，可以参考这篇博客^[5]，下面仅仅从直观上了解一下这个软件如何打开.nii文件。
我们可以调用：
fslview 052212_s09_dti.nii 命令来显示我们想要的图像。
另外，我们也可以利用FSL数据快视^[6]，其中一些切片拿出来在html中批量显示，一个NifTI文件对应一排切片图像, 这样就可以到达快速检查的目的。

这里写图片描述

2.2 利用matlab处理.nii文件

网上关于matlab处理.nii文件说明的都不是很清楚，这里一步一步讲解如何利用matlab读取.nii文件。

2.2.1 准备阶段

首先需要下载一个matlab扩展包： Tools for NIfTI and ANALYZE image^[7]。
因为这个需要matlab账号，所以需要的可以私聊我。然后就是将这个工具箱安装好，具体的可以参考这篇文章^[8]。
接下来就是利用这个toolbox处理我们的.nii数据了。

参考程序(matlab代码)：

close all;
clear all;
clc;
nii = load_nii( 'tmp91337586.nii' );  % 装载.nii数据
img = nii.img;  % 因为这个文件有img和head二个部分，其中img部分是图像数据
save image.mat img  % 将数据变成mat格式
load 'image.mat'  % 加载数据
[n1, n2, n3] = size(img);   % 获取.nii文件的三个维度，一般1、2维是图像维度，第三维是切片
% imshow(img(:,:,100),[]);  这个是正常显示第100个切片的图像
for i = 1:n3   % 开始切片数据轮寻
    figure(i)   % 开始显示图片
    ti = imshow(img(:,:,i),[]);  % 显示每一张切片图像
    pause(0.1);  % 防止显示过快看不见，简单延时
end

这样我们就可以显示.nii文件了。

2.3 利用python处理nii文件

python处理主要是利用nibabel这个包。首先我个人的各种包的版本为：
1. nibabel 2.2.1
2. tensorflow-gpu 1.2.0
3. tensorlayer 1.8.3
3. numpy 1.14.1

一开始我在使用nibabel包中的函数的时候，发现使用

nib.load(img_path).get_data()

一直出现错误：
raise ValueError('w2 should be positive, but is %e' % w2) ValueError: w2 should be positive, but is -6.401211e-07
而且更要命的是这个错误在网上找了好久没有找到解决办法，最后在一篇博客的最后找到了解决相似的问题：

上面解释说：python3.6/site-packages/nibabel/quaternions.py可能w2_thresh阈值太过于严格，所以我们需要放松一下条件。

解决：我们只需要在程序开头加上这样一句代码，原来数字是3现在将他改成10，松弛一下条件就不会出错了！

nib.Nifti1Header.quaternion_threshold = - np.finfo(np.float32).eps * 10  # 注意是负号哦

参考程序(python版本)

import tensorlayer as tl
import numpy as np
import os
import nibabel as nib
import threading
import tensorflow as tf
import matplotlib.pyplot as plt
import scipy
from tensorlayer.prepro import *
import skimage.measure

nib.Nifti1Header.quaternion_threshold = - np.finfo(np.float32).eps * 10  # 松弛一下限制
training_data_path = "Training_100"
preserving_ratio = 0.25 # filter out 2d images containing < 25% non-zeros


f_train = tl.files.load_file_list(path=training_data_path,
                                      regx='.*.gz',
                                      printable=False)  # 将test测试集合中的数据以list形式存下来
X_train = []  # 处理训练集数据
for fi, f in enumerate(f_train):   # 相当于取出下标索引以及list里面相关的数据
    img_path = os.path.join(training_data_path, f)
    # print(img_path)
    img = nib.load(img_path).get_data()  
    # print(img.shape)
    img_3d_max = np.amax(img)  
    img = img / img_3d_max * 255  # 对所求的像素进行归一化变成0-255范围,这里就是三维数据
    for i in range(img.shape[2]):   # 对切片进行循环
        img_2d = img[:, :, i]  # 取出一张图像
       # plt.imshow(img_2d) 显示图像
       # plt.pause(0.001)
        # filter out 2d images containing < 10% non-zeros
        # print(np.count_nonzero(img_2d))
        #print("before process:", img_2d.shape)
        if float(np.count_nonzero(img_2d)) / img_2d.size >= preserving_ratio:  # 表示一副图像非0个数超过整副图像的10%我们才把该图像保留下来
            img_2d = img_2d / 127.5 - 1  # 对最初的0-255图像进行归一化到[-1, 1]范围之内
            img_2d = np.transpose(img_2d, (1, 0))  # 这个相当于将图像进行旋转90度
            # plt.imshow(img_2d)
            # plt.pause(0.01)
            X_train.append(img_2d)
        # print(len(X_train)) 
X_train = np.asarray(X_train, dtype=np.float32)  # 将训练的图像数据原来是list现在变成np.array格式
X_train = X_train[:, :, :, np.newaxis]  # 变成4维数据