本教程属于实战，手把手教你加载各种医学图像数据（nii.gz, .dcm, .png等）。并学会查看医学图像数据的元数据（shape, affine, orientation）。学会使用monai全方位了解你的数据，并把它用于之后的深度学习训练。以及学会保存transform处理后的图像以及分割结果。干货很多，动手跟着一起来。
查看本教程前，请自行下载参考代码，边跑代码边看教程，学习效率更高哦
使用默认 image reader 加载 Nifti 图像
monai 根据文件后缀选择默认阅读器：
- nii、nii.gz -> NibabelReader
- png、jpg、bmp -> PILReader
- npz、npy -> NumpyReader
- 其他 -> ITKReader
开始实验前准备你的 nifti 格式图像，
filename = '/Users/Downloads/WORD-V0.1.0/imagesTr/word_0002.nii.gz'
如果没有，可以下载monai的示例
# download a test image
tempdir = tempfile.mkdtemp()
test_url = "https://github.com/Project-MONAI/MONAI-extra-test-data/releases/download/0.8.1/avg152T1_RL_nifti.nii.gz"
filename = os.path.join(tempdir, "avg152T1_RL_nifti.nii.gz")
monai.apps.download_url(test_url, filepath=filename)
接下来使用LoadImage加载图像
data = LoadImage(image_only=True, ensure_channel_first=True, simple_keys=True)(filename)
print(f"image data shape: {data.shape}")
print(f"meta data: {data.meta.keys()}")
参数解析
image_only: 默认为True,只返回图像；if False, 返回的data就是tuple, image=data[0], metadata(元数据)=data[1]ensure_channel_first:默认为False, if True, 会给图像加一个channel，假如图像shape=[512, 512, 64], 加了channel就变成[1, 512, 512, 64]. 这在深度学习训练中基本都是要设为True, 向本教程的目的是加载图像的话，就不必设为True
其余参数可以在pycharm源代码里查看
接下来，重点解释一下元数据，这是医学图像独有的信息。可以使用data.meta获取所有的元数据。包括
打勾的几个数据就是我平时用的比较多的，比如做图像分割的时候，要保存图像和分割结果，就需要知道affine信息。分割结果命名想同图像命名对应的时候，就需要知道filename_or_obj.
加载进来的3D图像如何展示出来呢？可以使用monai.visualize.matshow3d功能。
data1 = monai.transforms.Orientation("IPL")(data) # (Left, Right), (Posterior, Anterior), (Inferior, Superior).
fig = monai.visualize.matshow3d(volume=data1,
# title='abdomen CT',
figsize=(20,20),
frames_per_row=6,
frame_dim=-3,
channel_dim=0,
every_n=5,
vmin=-300, vmax=600,
cmap='gray',
fill_value=255)
关于matshow3d函数的更多使用技巧，参考这篇文章【添加文章地址】
加载3D DICOM 图像
LoadImage同样支持加载DICOM图像和DICOM文件夹
filenames = ['/Users/Downloads/CBA60D87FAB145C3A9EB31A1C371C07E/0F9B3029D79B4B7DBE18776D284BB713.dcm',
'/Users/Downloads/CBA60D87FAB145C3A9EB31A1C371C07E/0F9B3029D79B4B7DBE18776D284BB713.dcm']
folder_path = '/Users/Downloads/CBA60D87FAB145C3A9EB31A1C371C07E'
# load single image
# data = LoadImage(image_only=True)(filenames)
# load DICOM series
data = LoadImage(image_only=True, ensure_channel_first=True)(folder_path)
print(f"image data shape: {data.shape}")
使用data.meta也可以查看元数据
加载 2D PNG图像
# 下载png图像
tempdir = tempfile.mkdtemp()
filename = os.path.join(tempdir, "MONAI-logo_color.png")
monai.apps.download_url("https://monai.io/assets/img/MONAI-logo_color.png", filepath=filename)
data, meta = LoadImage(image_only=False, reader="PILReader", reverse_indexing=False)(filename)
fig = monai.visualize.matshow3d(data, frame_dim=-1)
print(f"image data shape: {data.shape}")
print(f"meta data: {meta}")
保存图像
例如在图像分割中，想保存分割结果或者预处理后的图像。可以使用SaveImage方法。代码以Nifti图像格式为例
假设加载图像并进行了一些transform
# 假设加载图像并进行了一些transform
filenames = '/Users/Downloads/WORD-V0.1.0/imagesTr/word_0002.nii.gz'
transform = Compose(
[
LoadImaged(keys="image", image_only=True, ensure_channel_first=True),
Resized(keys="image", spatial_size=[256, 256, 240])
]
)
test_data = {"image": filenames}
result = transform(test_data)
print(f"image data shape:{result['image'].shape}")
print(result["image"].affine)
保存处理后的图像
img = result["image"]
saver = SaveImage(
output_dir='./output',
output_ext=".nii.gz",
output_postfix="trans",
# output_dtype=np.uint8, # type改变，保存出来的图像变化大，慎重选择type
resample=False,
squeeze_end_dims=True,
writer="NibabelWriter",
)
img = saver(img)
SaveImage将图像（可以是torch tensor或numpy ndarray的形式）和元数据字典保存到文件中。
保存的文件名将为{input_image_name}_{output_postfix}{output_ext}，其中input_image_name是从提供的元数据字典中提取的。如果没有提供元数据，将使用从0开始的递增索引作为文件名前缀。
重要参数解析
- output_ext：输出扩展名
- output_postfix：输出后缀，默认为trans,如果输出是分割结果，可以设为seg, 最后文件名就是：{input_image_name}_seg.nii.gz
- resample: 布尔值。if True, 就会重采样到原始图像大小。适用于在transform中对image做了采样后，保存分割结果又重新采样回去。使得分割结果同原始图像一样大小。此操作会利用原始图像元数据信息的spatail_shape以及original_affine.
- squeeze_end_dims：if True, 去掉为1的维度，比如chanenl维度一般为1，保存的时候【C,H,W,D】-> 【H, W, D】
- writer: 可以设置为 None，自动根据 output_ext 来选择合适的读写器。也可以是[“NibabelWriter”、“ITKWriter”、“PILWriter”]
当然，你也可以手动指定 metadata, 以及 filename
saver(img, meta_data=img.meta, filename='img_trans.nii.gz')
注意：这个要看版本，1.3版本没有filename
总结：图像的输出非常依赖于元数据（metadata), 对医学图像不是很熟悉的，重点关注本次内容中关于元数据的部分。monai的好处是加载图像后，图像的元数据（image dir, affine, spatial shape等信息全部都保存下来了，只需要img.meta就可以调出来）。
文章持续更新，可以关注微公【医学图像人工智能实战营】获取最新动态，一个关注于医学图像处理领域前沿科技的公众号。坚持以实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~
我是Tina, 我们下篇博客见~
白天工作晚上写文，呕心沥血
觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连
