求助：修复基于MRI数据的K-means聚类Python脚本问题

问题1：聚类数远低于设定值 #

原因分析 #

1. 特征维度错误：代码中将3D图像reshape为(-1, 3)，实际是把每个体素的**空间坐标(x,y,z)**作为聚类特征，而非体素的强度值。空间坐标的分布特性决定了无法生成100个有效聚类。
2. 迭代参数设置不合理：n_init=1（仅1次初始化）和max_iter=1（仅1次迭代），KMeans算法没有足够的收敛次数，无法达到设定的100个聚类。

修复步骤 #

• 将特征维度修正为体素强度：3D图像应reshape为(-1, 1)，每个样本对应一个体素的强度值；若为4D多模态图像，则对应(-1, 模态数)。
• 调整KMeans参数：恢复n_init默认值10、max_iter默认值300，确保算法有足够次数收敛到设定聚类数。

问题2：生成的NIfTI显示为3x3网格而非单图 #

原因分析 #

代码中labels.reshape(-1, 290, 292)手动指定维度顺序，与原NIfTI文件的维度顺序不匹配，导致图像轴被打乱，显示时出现网格错位。

修复步骤 #

• 使用原数据的形状直接reshape聚类标签：labels.reshape(ztkmeans.shape)，确保新图像的维度、轴顺序与原文件完全一致。

修正后的完整代码 #

# 加载NIfTI文件（假设kmeansnifti已通过nibabel.load加载）
ztkmeans = kmeansnifti.get_fdata()

# 修正特征维度：将3D体素强度转为单特征样本矩阵
# 若为4D多模态数据，改为reshape(-1, ztkmeans.shape[-1])
ztk2d = ztkmeans.reshape(-1, 1)

n_clusters = 100
to_kmeans = km(
    init='k-means++',
    n_clusters=n_clusters,
    n_init=10,  # 多次初始化保证聚类稳定性
    max_iter=300,  # 保证算法充分收敛
    tol=0.0001,
    verbose=1,
    random_state=None,
    copy_x=True,
    algorithm='lloyd'
)

kmeans = to_kmeans.fit(ztk2d)
labels = kmeans.labels_

# 修正reshape，与原数据形状完全一致
labels_reshaped = labels.reshape(ztkmeans.shape)

# 创建新NIfTI文件，保留原文件的空间信息
kmeans_img = nibabel.Nifti1Image(labels_reshaped, kmeansnifti.affine, kmeansnifti.header)

# 保存文件
save_path = f"{cruise}/{Patient[i]}/{ereg[b]}/kmeans.nii.gz"
print(f'Saving kmeans_img as {save_path}')
nibabel.save(kmeans_img, save_path)
print('Done')

内容的提问来源于stack exchange，提问作者Björn