1 nii格式介绍

?1.0 Analyze 格式

在解释NII（NIFTI，neuroimaging information technology initiative）格式之前，我们需要先知道一下Analyze格式。

每一个Analyze格式的数据包含了两个文件：带有二进制图像信息的.img，包含图像元数据的头文件.hdr

但是，Analyze的头文件不能很真实地反应元数据（比如没有方向信息，eg在左边还是在右边），于是NIFTI格式文件应运而生

1.1 组成部分

nii格式（nifti格式的扩展）是为多维神经影像学发明的。一个nii格式主要包含三部分：hdr, ext, img

hdr
- header，数据头
- 这部分数据长度是固定的，当然不同版本可能规定的长度不同，但是同一版本的多个nii文件是相同的。
- header里包含的信息有：
  - --维度，至少三个维度，x,y,z，单位是毫米。还有可能有第四个维度，就是时间。这部分储存的主要是四个数字。
  - --voxel size(体素大小)：毫米单位的x,y,z大小。
  - --数据类型，一般是int16，这个精度不够，最好使用double类型。
  - Form和转换矩阵，每一个Form都对应一个转换矩阵。
    - ?转换矩阵可以轻松分清图像的左右，作用是将体素索引（i，j，k）转换为空间位置（x，y，z）。
    - 具体使用方法是转换矩阵乘以一个包含（i，j，k）的矩阵，就可以得到一个包含（x，y，z）的矩阵。
      - ?体素可以类比成二维图像中的像素。体素就是固定分辨率的三维栅格地图
ext
- extension
- 是自己可以随意定义数据的部分，可以自己用。
img
- image
- 储存3D或者4D的图像数据
- .hdr 和 .img可以用单文件.nii存储

1.2 坐标

医学影像数据有两种格式，dicom和nii格式，他们定义了不同的方向?

2 打开图像

2.1 ITK-SNAP软件

注意：使用这个软件的时候，路径中不能有中文?

三视图?

3 nibabel （python库）

3.1 基本操作

3.1.1 导入nii

import nibabel as nib
filename = 'CTC-1835078273_seg.nii'
img = nib.load(filename)
img.shape
#(512, 512, 539)

一个nibable 图像有三部分组合而成：

image数据，三维/四维图像
一个仿射数组 affine，image数据在参考空间中的位置
image元数据（header）

3.1.2 获得图像的ndarray类型数据?

data = img.get_fdata()
data.shape,type(data)
#((512, 512, 539), numpy.memmap)

?3.1.3 创建新image

至少需要一些image 数据和一个image 坐标转换矩阵（affine）

import numpy as np
data = np.random.randint((32, 32, 15, 100), dtype=np.int16)
img = nib.Nifti1Image(data, np.eye(4))
nib.save(img, 'exa.nii')

这里numpy.memmap是内存映像文件。它是一种将磁盘上的非常大的二进制数据文件当做内存中的数组进行处理的方式。它允许将大文件分成小段进行读写，而不是一次性将整个数组读入内存。

memmap也拥有跟普通数组一样的方法，因此，基本上只要是能用于ndarray的算法就也能用于memmap。
?

3.2? 坐标系和affine

在官方文档中，提供了一个人大脑的MRI图像。

import nibabel as nib
epi_img = nib.load('someones_epi.nii.gz')
epi_img_data = epi_img.get_fdata()
epi_img_data.shape
#(53, 61, 33)

[EPI数据]我们看看数组的第一维、第二维和第三维上的切片。
import matplotlib.pyplot as plt
def show_slices(slices):
       """ Function to display row of image slices """
       fig, axes = plt.subplots(1, len(slices))
       for i, slice in enumerate(slices):
           axes[i].imshow(slice.T, cmap="gray", origin="lower")

slice_0 = epi_img_data[0, :, :]
slice_1 = epi_img_data[:, 0, :]
slice_2 = epi_img_data[:, :, 0]
show_slices([slice_0, slice_1, slice_2])
plt.suptitle("Center slices for EPI image") 
?image维度是(53, 61, 33)，可以想成是53张61*33的图，可以想成是61张53*33的图，还可以想成是33张53*61的图

[结构数据（解剖)]
anat_img = nib.load('someones_anatomy.nii.gz')
anat_img_data = anat_img.get_fdata()
print(anat_img_data.shape)
#(57, 67, 56)
show_slices([anat_img_data[0, :, :],
             anat_img_data[:, 0, :],
             anat_img_data[:, :, 0]])
plt.suptitle("Center slices for anatomical image")
??

通常情况下，我们有不同的解剖扫描视野，因此解剖图像具有不同的形状、大小和方向。