Niftii脑MRI多方向切片保存图像拉伸问题求解

你遇到的问题核心是体素各向异性——也就是三个维度的体素物理大小不一样（比如你的1.1mm、0.5mm、0.5mm），直接提取切片保存时，默认会把每个体素当成正方形像素，导致非等体素轴的方向被拉伸。矢状面正常是因为它刚好取了两个体素大小相等的轴，所以比例没问题。

下面给你两种可行的解决思路：

方法一：保存图片时强制应用体素比例（不修改原始数据） #

这种方法不需要改动3D原始数据，只在保存PNG时通过Matplotlib的参数纠正比例，适合想要保留原始数据细节的场景。

步骤示例： #

import nibabel as nib
import matplotlib.pyplot as plt

# 加载NIfTI文件
img = nib.load("your_flair.nii")
data = img.get_fdata()
# 获取三个轴的体素大小（pixdim[0]是占位符，取后三个值）
pixdim = img.header["pixdim"][1:4]

# ---------------------- 提取轴向切片示例 ----------------------
# 假设轴向切片是固定第三个维度（z轴），取x-y平面的切片
axial_slice = data[:, :, 100]  # 替换成你需要的切片索引
# 计算正确的aspect比例：y轴体素大小 / x轴体素大小
aspect_ratio = pixdim[1] / pixdim[0]

# 根据体素实际尺寸设置图的物理大小（避免保存时分辨率异常）
# 转换为英寸（Matplotlib的figsize单位）：1英寸=25.4mm
fig_width = (data.shape[0] * pixdim[0]) / 25.4
fig_height = (data.shape[1] * pixdim[1]) / 25.4

# 绘制并保存
plt.figure(figsize=(fig_width, fig_height))
plt.imshow(axial_slice, cmap="gray", aspect=aspect_ratio)
plt.axis("off")  # 去掉坐标轴
# 保存时去掉多余空白，保证切片完整
plt.savefig("axial_slice.png", bbox_inches="tight", pad_inches=0, dpi=100)
plt.close()

# ---------------------- 提取冠状面切片示例 ----------------------
# 冠状面是固定第二个维度（y轴），取x-z平面的切片
coronal_slice = data[:, 100, :]
# 这里x轴体素是pixdim[0]，z轴体素是pixdim[2]，所以aspect比例是 pixdim[2]/pixdim[0]
coronal_aspect = pixdim[2] / pixdim[0]

fig_width = (data.shape[0] * pixdim[0]) / 25.4
fig_height = (data.shape[2] * pixdim[2]) / 25.4

plt.figure(figsize=(fig_width, fig_height))
plt.imshow(coronal_slice, cmap="gray", aspect=coronal_aspect)
plt.axis("off")
plt.savefig("coronal_slice.png", bbox_inches="tight", pad_inches=0, dpi=100)
plt.close()

关键点： #

• 不同平面的切片要对应计算正确的aspect_ratio，核心是切片两个轴的体素大小比值
• 设置figsize是为了让保存的图片物理尺寸符合实际扫描比例，避免因dpi导致的变形

方法二：重采样3D数据为各向同性体素（适合CNN输入） #

如果你的目标是给CNN提供输入，更推荐先把3D数据重采样成各向同性体素（比如统一为0.5mm×0.5mm×0.5mm），这样提取的切片天然是正方形比例，不需要再调整参数。

步骤示例（用SimpleITK实现，比nibabel更简便）： #

import SimpleITK as sitk
import matplotlib.pyplot as plt

# 加载NIfTI文件
sitk_img = sitk.ReadImage("your_flair.nii")
original_spacing = sitk_img.GetSpacing()
original_size = sitk_img.GetSize()

# 设置目标体素大小（这里用最小的0.5mm，你也可以自定义）
target_spacing = (0.5, 0.5, 0.5)

# 计算重采样后的目标尺寸
target_size = [
    int(round(original_size[0] * original_spacing[0] / target_spacing[0])),
    int(round(original_size[1] * original_spacing[1] / target_spacing[1])),
    int(round(original_size[2] * original_spacing[2] / target_spacing[2])),
]

# 配置重采样器
resampler = sitk.ResampleImageFilter()
resampler.SetOutputSpacing(target_spacing)
resampler.SetSize(target_size)
resampler.SetOutputDirection(sitk_img.GetDirection())
resampler.SetOutputOrigin(sitk_img.GetOrigin())
resampler.SetInterpolator(sitk.sitkLinear)  # 线性插值适合MRI数据，平衡细节与平滑度
resampler.SetDefaultPixelValue(sitk_img.GetPixelIDValue())

# 执行重采样
resampled_img = resampler.Execute(sitk_img)
# 转换为Numpy数组（注意SimpleITK的数组顺序是(z, y, x)）
resampled_data = sitk.GetArrayFromImage(resampled_img)

# 现在提取任意平面的切片，直接保存即可
axial_slice = resampled_data[100, :, :]  # 轴向切片，固定z轴
plt.imshow(axial_slice, cmap="gray")
plt.axis("off")
plt.savefig("resampled_axial.png", bbox_inches="tight", pad_inches=0)
plt.close()

优缺点： #

• ✅ 优点：重采样后所有切片比例正常，不需要额外调整；输入CNN的图片尺寸更统一，符合模型预期
• ❌ 缺点：会增加数据存储空间，插值过程可能损失少量细节（线性插值的影响很小，MRI数据完全可接受）

注意事项 #

1. 注意数组维度顺序：nibabel的get_fdata()返回的维度顺序是(i, j, k)，对应空间中的三个轴；而SimpleITK的GetArrayFromImage()返回的是(z, y, x)，提取切片时要确认索引对应正确的平面。
2. 如果用方法一，要确保每个平面的aspect_ratio计算正确，你可以先在Matplotlib中用plt.imshow(..., aspect=aspect_ratio)预览，确认比例正常后再保存。

内容的提问来源于stack exchange，提问作者Nanex1011