如何处理.nii文件

.nii文件是NIFTI格式的文件，出现的原因是原来一种图像格式是ANALYZE 7.5 format，但是这个图像格式缺少一些信息，比如没有方向信息，病人的左右方位等，如果需要包括额外的信息，就需要一个额外的文件，比如ANALYZE7.5就需要一对<.hdr, .img>文件来保存图像的完整信息。因此，解决这个问题Data Format Working Group (DFWG) 将图像格式完整的定义为NIFTI（Neuroimaging Informatics Technology Initiative）格式。[4]

FSL是一个FMRI, MRI和DTI数据的的分析库. 支持OSX和linux系统, windows需要在虚拟机运行. 所有的命令可以在命令行调用,也可以通过GUI调用.

因为我是使用Linux系统的，关于Linux系统如何安装这个软件，可以参考这篇博客[5]，下面仅仅从直观上了解一下这个软件如何打开.nii文件。
我们可以调用：
fslview 052212_s09_dti.nii 命令来显示我们想要的图像。
另外，我们也可以利用FSL数据快视[6]，其中一些切片拿出来在html中批量显示，一个NifTI文件对应一排切片图像, 这样就可以到达快速检查的目的。

网上关于matlab处理.nii文件说明的都不是很清楚，这里一步一步讲解如何利用matlab读取.nii文件。
###2.2.1 准备阶段

1. 首先需要下载一个matlab扩展包： Tools for NIfTI and ANALYZE image[7]。
2. 因为这个需要matlab账号，所以需要的可以私聊我。然后就是将这个工具箱安装好，具体的可以参考这篇文章[8]。 针对大家有需要这个工具包的，为了方便，这里已经上传到我的github网站了，Alxemade/NIfTI_20140122
3. 接下来就是利用这个toolbox处理我们的.nii数据了。

参考程序(matlab代码)：

close all;
clear all;
clc;
cd('F:\syz\B超\test_data')
nii = load_nii( 'frame000239_img.nii' );  % 装载.nii数据
img = nii.img;  % 因为这个文件有img和head二个部分，其中img部分是图像数据
save image.mat img  % 将数据变成mat格式
load 'image.mat'  % 加载数据
[n1, n2, n3] = size(img);   % 获取.nii文件的三个维度，一般1、2维是图像维度，第三维是切片
% imshow(img(:,:,100),[]);  这个是正常显示第100个切片的图像
for i = 1:n3   % 开始切片数据轮寻figure(i)   % 开始显示图片ti = imshow(img(:,:,i),[]);  % 显示每一张切片图像pause(0.1);  % 防止显示过快看不见，简单延时
end

这样我们就可以显示.nii文件了。

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()

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.measurenib.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-zerosf_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

1. DAGAN: Deep De-Aliasing Generative Adversarial Networks for Fast Compressed Sensing MRI Reconstruction
2. DAGAN的github地址
3. MICCAI 2013 grand challenge
4. NIFTI格式(.Nii)数据version 1格式分析
5. DTI数据处理: from scanner to statistics
6. 核磁数据处理之: FSL数据快视
7. Tools for NIfTI and ANALYZE image
8. 给Matlab添加工具箱Toolbox的方法