脑PET图像分析与疾病预测 - nii文件数据处理与简单CNN训练

背景

笔者正在 Datawhale 举办的 AI 夏令营中参与 CV 方向的学习，研究课题为发布在讯飞 AI 开发者大赛上的脑PET图像分析和疾病预测挑战赛，需要对 nii 格式的医学影像文件进行学习，并进行疾病预测

第一轮学习中，Datawhale 团队给出了基于logistic回归进行预测的baseline，但其中并没有对 nii 文件进行详细介绍；且为了适配 logistic 回归模型，并缩小数据规模，其数据处理过程（个人认为）产生了不可忽视的信息丢失，直接导致预测的准确度仅略高于0.5——这跟瞎猜也没啥区别了吧……

鉴于此，笔者在探索中，总结出一篇对nii文件进行数据处理，并采用学习能力更强的简单CNN模型进行训练的教程

nii文件

数据格式

nii 文件是医学图像处理中经常使用的一种 NIFTI 格式图像，关于 nii 文件具体的底层原理，这里不做详细介绍，有兴趣的同学可以参见：Brainder.org的讲解。我们今天主要聚焦于，如何合理地处理 nii 文件中的数据，以便模型训练

数据集中的nii文件对一个人脑进行了三维建模。python 的 nibabel 库专门用于处理 nii 文件，我们可以通过 load() 函数读取 nii 文件，获取其信息：

#1.py
import nibabel as nib
import numpy as np
im=nib.load('脑PET图像分析和疾病预测挑战赛数据集/Train/NC/1.nii')
im_data=np.array(im.get_fdata()) #获取文件中的所有数值，并转换为numpy数组便于后续处理
print(im_data.shape) #查看数据的形状

#返回：(128, 128, 63, 1)

可以看到，数据集中的 nii 文件包含四维数据：其中前三维确定某一个像素点的空间位置，其中左右和前后方向各分128层，上下方向分63层；第四维记录了该点的状态值（类似图片的灰度） 

数据处理

在整份 nii 数据中，所有的数值均为正整数，随便挑出一个值看一看：

#1.py
print(im_data[64,64,55,0])

#返回：10550.0

如此多这么大的数值，如果直接将其投入模型进行训练，效果会很差，必须对数据进行预处理，减小其规模。前面提到的 baseline 中的示例代码给出的方法是人工进行特征提取：

#1.py
feat = [(im_data != 0).sum(),               # 非零像素的数量
        (im_data == 0).sum(),               # 零像素的数量
        im_data.mean(),