如何处理并转换扩展名为.nii.gz的医学图像？

基础维度说明 #

你读取的BRATS脑肿瘤数据集的NIfTI图像是3D多序列MRI数据，各维度含义如下：

• 前两维(240,240)：单张二维切片的像素尺寸
• 第三维155：3D MRI数据的轴向切片数量，你可以理解为将完整的3D大脑模型从头到脚方向切为155张连续的二维断层切片，索引从0到154对应不同的脑部位置
• 第四维4：对应4种不同的MRI扫描序列，通常为T1、T1增强（T1ce）、T2、FLAIR，不同序列对不同脑组织/病灶的显影特性不同

转换实现方法 #

可以实现转常规图像格式，操作步骤如下：
注意：nibabel的get_data()方法已被弃用，推荐替换为get_fdata()保证兼容性

1. 转(240,240)单通道灰度图像 #

核心逻辑是选取指定切片的单个MRI序列，归一化到0-255的像素范围后转uint8格式：

import nibabel as nib
import glob
import numpy as np
from PIL import Image

path = "./Task01_BrainTumour/imagesTr"
path_list = glob.glob(path+'/*.gz')
# 读取3D多序列图像
img = nib.load(path_list[0]).get_fdata() 

# 选取目标切片和序列：示例取第80层（索引79，通常是大脑中间层信息最丰富）、第0个序列（T1）
slice_2d = img[:, :, 79, 0]

# 归一化到0-255灰度范围
normalized_slice = (slice_2d - np.min(slice_2d)) / (np.max(slice_2d) - np.min(slice_2d)) * 255
gray_img = normalized_slice.astype(np.uint8)

# 保存为png格式
Image.fromarray(gray_img).save("brain_gray_slice.png")

2. 转(240,240,3)三通道RGB图像 #

有两种常用转换逻辑：

方案A：多序列合成伪彩RGB

将3种不同的MRI序列分别映射到R、G、B通道，得到的伪彩图可同时展示多序列信息：

# 定义单通道归一化函数
def normalize_channel(channel_arr):
    return ((channel_arr - np.min(channel_arr)) / (np.max(channel_arr) - np.min(channel_arr)) * 255).astype(np.uint8)

# 取第80层的三个不同序列分别对应R、G、B通道
r_channel = normalize_channel(img[:, :, 79, 0]) # T1序列对应R
g_channel = normalize_channel(img[:, :, 79, 1]) # T1ce序列对应G
b_channel = normalize_channel(img[:, :, 79, 2]) # T2序列对应B

# 堆叠为三通道RGB数组
rgb_img = np.stack([r_channel, g_channel, b_channel], axis=-1)

# 保存
Image.fromarray(rgb_img).save("brain_rgb_slice.png")

方案B：灰度图转三通道灰度RGB

如果需要和普通灰度照片格式对齐（三个通道数值完全相同），直接堆叠单通道灰度图三次即可：

rgb_gray = np.stack([gray_img, gray_img, gray_img], axis=-1)
Image.fromarray(rgb_gray).save("brain_rgb_gray_slice.png")

优化提示 #

如果导出的图像对比度差，通常是因为信号存在极端离群值，可使用百分位截断优化归一化效果：

# 取1%和99%分位数截断离群值
p1, p99 = np.percentile(slice_2d, (1, 99))
clipped_slice = np.clip(slice_2d, p1, p99)
# 再执行归一化操作
normalized_slice = (clipped_slice - p1) / (p99 - p1) * 255

内容的提问来源于stack exchange，提问作者Azzurra