使用imwrite将.nii转.tif时掩码存为黑图的问题咨询

一、标签转TIF全黑的原因及修复 #

核心原因 #

你标签里的数值大概率是0（背景）、1、2这类小整数，直接转成int8保存的话，这些值在8位图像的0-255动态范围里占比极低，肉眼看起来就是黑色。比如值为1的像素，亮度仅为1/255，几乎和背景0没区别。另外你的代码还有几个小问题没处理：

• 缺少Path和re的导入，运行会报错
• 重复导入了nibabel和numpy，没必要
• imageio保存单通道标签的兼容性不如tifffile

修复后的代码 #

import nibabel as nib
import numpy as np
import glob
from pathlib import Path
import re
from tifffile import imsave

# 遍历所有标签文件
for filepath in glob.iglob('data/Task04_Hippocampus/labelsTr/*.nii.gz'):
    # 加载nii数据
    label_data = nib.load(filepath).get_fdata()
    # 将标签值映射到0-255范围（根据你的标签类别数调整，比如类别是0、1、2，乘以127即可）
    # 确保转换为uint8，这是tif图像常用的无符号8位格式
    label_data = (label_data * 127).astype(np.uint8)
    
    # 处理文件名
    base = Path(filepath).stem
    base = re.sub('.nii', '', base)
    
    # 遍历所有切片
    _, _, z = label_data.shape
    for i in range(z):
        slice_data = label_data[:, :, i]
        # 用tifffile的imsave保存，更稳定
        save_path = f'data/Task04_Hippocampus/masks/{base}_{i}.tif'
        imsave(save_path, slice_data)

关键改动说明 #

• 把标签值乘以127（如果你的标签有3类：0、1、2，1127=127，2127=254，这样在图像里能明显区分）
• 改用np.uint8类型，避免int8的负数范围干扰
• 用tifffile.imsave替代imageio.imwrite，对医学标签的支持更友好

二、直接用NII格式喂U-Net的方法 #

完全没必要转成TIF，直接在PyTorch的Dataset里读取NII文件就行，步骤如下：

1. 自定义Dataset类 #

import nibabel as nib
import numpy as np
from torch.utils.data import Dataset

class NiiDataset(Dataset):
    def __init__(self, image_dir, label_dir):
        self.image_paths = sorted(glob.glob(f'{image_dir}/*.nii.gz'))
        self.label_paths = sorted(glob.glob(f'{label_dir}/*.nii.gz'))
    
    def __len__(self):
        return len(self.image_paths)
    
    def __getitem__(self, idx):
        # 加载图像和标签
        image = nib.load(self.image_paths[idx]).get_fdata().astype(np.float32)
        label = nib.load(self.label_paths[idx]).get_fdata().astype(np.int64)
        
        # 调整维度：U-Net通常需要 (通道数, 深度, 高度, 宽度) 格式（3D U-Net）
        # 如果是2D U-Net，需要遍历切片，这里以3D为例
        image = np.expand_dims(image, axis=0)  # 添加通道维度 (1, D, H, W)
        label = np.expand_dims(label, axis=0)
        
        # 转换为tensor
        import torch
        image = torch.from_numpy(image)
        label = torch.from_numpy(label)
        
        return image, label

2. 构建Dataloader #

from torch.utils.data import DataLoader

train_dataset = NiiDataset(
    image_dir='data/Task04_Hippocampus/imagesTr',
    label_dir='data/Task04_Hippocampus/labelsTr'
)
train_loader = DataLoader(train_dataset, batch_size=2, shuffle=True)

说明 #

• 如果是2D U-Net训练，只需要在__getitem__里遍历切片，把每个切片作为一个样本，或者在Dataloader里处理
• 这种方式省去了格式转换的步骤，避免了图像压缩或格式转换带来的信息损失，训练效率更高

内容的提问来源于stack exchange，提问作者AMAS AL