您当前的位置:首页 > IT编程 > python
| C语言 | Java | VB | VC | python | Android | TensorFlow | C++ | oracle | 学术与代码 | cnn卷积神经网络 | gnn | 图像修复 | Keras | 数据集 | Neo4j | 自然语言处理 | 深度学习 | 医学CAD | 医学影像 | 超参数 | pointnet | pytorch |

自学教程:深度学习训练时利用python处理nii文件

51自学网 2020-10-31 14:01:49
  python
这篇教程深度学习训练时利用python处理nii文件写得很实用,希望能帮到您。

利用python处理nii文件

python处理主要是利用nibabel这个包。首先我个人的各种包的版本为:

  1. nibabel 2.2.1
  2. tensorflow-gpu 1.2.0
  3. tensorlayer 1.8.3
  4. numpy 1.14.1

一开始我在使用nibabel包中的函数的时候,发现使用

nib.load(img_path).get_data()
  • 1

一直出现错误:
raise ValueError('w2 should be positive, but is %e' % w2) ValueError: w2 should be positive, but is -6.401211e-07
而且更要命的是这个错误在网上找了好久没有找到解决办法,最后在一篇博客的最后找到了解决相似的问题:

上面解释说:python3.6/site-packages/nibabel/quaternions.py可能w2_thresh阈值太过于严格,所以我们需要放松一下条件。

解决:我们只需要在程序开头加上这样一句代码,原来数字是3现在将他改成10,松弛一下条件就不会出错了!

nib.Nifti1Header.quaternion_threshold = - np.finfo(np.float32).eps * 10  # 注意是负号哦
  • 1

参考程序(python版本)

import tensorlayer as tl
import numpy as np
import os
import nibabel as nib
import threading
import tensorflow as tf
import matplotlib.pyplot as plt
import scipy
from tensorlayer.prepro import *
import skimage.measure

nib.Nifti1Header.quaternion_threshold = - np.finfo(np.float32).eps * 10  # 松弛一下限制
training_data_path = "Training_100"
preserving_ratio = 0.25 # filter out 2d images containing < 25% non-zeros


f_train = tl.files.load_file_list(path=training_data_path,
                                      regx='.*.gz',
                                      printable=False)  # 将test测试集合中的数据以list形式存下来
X_train = []  # 处理训练集数据
for fi, f in enumerate(f_train):   # 相当于取出下标索引以及list里面相关的数据
    img_path = os.path.join(training_data_path, f)
    # print(img_path)
    img = nib.load(img_path).get_data()  
    # print(img.shape)
    img_3d_max = np.amax(img)  
    img = img / img_3d_max * 255  # 对所求的像素进行归一化变成0-255范围,这里就是三维数据
    for i in range(img.shape[2]):   # 对切片进行循环
        img_2d = img[:, :, i]  # 取出一张图像
       # plt.imshow(img_2d) 显示图像
       # plt.pause(0.001)
        # filter out 2d images containing < 10% non-zeros
        # print(np.count_nonzero(img_2d))
        #print("before process:", img_2d.shape)
        if float(np.count_nonzero(img_2d)) / img_2d.size >= preserving_ratio:  # 表示一副图像非0个数超过整副图像的10%我们才把该图像保留下来
            img_2d = img_2d / 127.5 - 1  # 对最初的0-255图像进行归一化到[-1, 1]范围之内
            img_2d = np.transpose(img_2d, (1, 0))  # 这个相当于将图像进行旋转90度
            # plt.imshow(img_2d)
            # plt.pause(0.01)
            X_train.append(img_2d)
        # print(len(X_train)) 
X_train = np.asarray(X_train, dtype=np.float32)  # 将训练的图像数据原来是list现在变成np.array格式
X_train = X_train[:, :, :, np.newaxis]  # 变成4维数据

Python画图 plt.plot()函数细节颜色字符,风格字符,和标记字符
python使用SimpleITK 和 Nibabel 读取医学图像 nii 数据并保存为图片
51自学网,即我要自学网,自学EXCEL、自学PS、自学CAD、自学C语言、自学css3实例,是一个通过网络自主学习工作技能的自学平台,网友喜欢的软件自学网站。
京ICP备13026421号-1