医疗影像数据预处理-nrrd

读取.nrrd和.dcm文件格式医学图片可视化与预处理 MITK默认会将医学图像保存为格式为NRRD的图像,在这个数据格式中包含:1、一个单个的数据头文件:为科学可视化和医学图像处理准确地表示N维度的栅格信息。2、既能分开又能合并的图像文件。nrrd_options输出{u’dimension’: 3, # 维度u’encoding’: ‘raw’, # 编码方式u’kinds’: [‘domain’, ‘domain’, ‘domain’], # 三个维度的类型u’sizes’: [30, 30, 30], #三个维度的大小。 阅读详情

网上关于nrrd医疗影像的资料比较少,但是实际中有不少医疗影像的存储格式是nrrd。本文就是记录自己处理nrrd文件的过程。

需要的库包

from PIL import Image
import numpy as np
import nrrd

nrrd包 GitHub地址

  1. 读取nrrd文件
# nrrd图片读取
# nrrd图片使用nrrd包gitHub中的data数据
nrrd_filename = './BallBinary30x30x30.nrrd'
nrrd_data, nrrd_options = nrrd.read(nrrd_filename)

nrrd_data:保存图片的多维矩阵
nrrd_options:保存图片的相关信息

# nrrd_options输出
>>
{u'dimension': 3, # 维度
 u'encoding': 'raw', # 编码方式
 u'endian': 'little', # 
 u'keyvaluepairs': {},
 u'kinds': ['domain', 'domain', 'domain'], # 三个维度的类型
 u'sizes': [30, 30, 30], #三个维度的大小
 u'space': 'left-posterior-superior', # 空间信息
 u'space directions': [['1', '0', '0'], ['0', '1', '0'], ['0', '0', '1']],
 u'space origin': ['0', '0', '0'],
 u'type': 'short'}
# nrrd_data输出
>>
array([[[0, 0, 0, ..., 0, 0, 0],
        [0, 0, 0, ..., 0, 0, 0],
        [0, 0, 0, ..., 0, 0, 0],
        ..., 
        [0, 0, 0, ..., 0, 0, 0],
        [0, 0, 0, ..., 0, 0, 0],
        [0, 0, 0, ..., 0, 0, 0]],

       ..., 
        [0, 0, 0, ..., 0, 0, 0],
        [0, 0, 0, ..., 0, 0, 0],
        [0, 0, 0, ..., 0, 0, 0]],

       [[0, 0, 0, ..., 0, 0, 0],
        [0, 0, 0, ..., 0, 0, 0],
        [0, 0, 0, ..., 0, 0, 0],
        ..., 
        [0, 0, 0, ..., 0, 0, 0],
        [0, 0, 0, ..., 0, 0, 0],
        [0, 0, 0, ..., 0, 0, 0]]], dtype=int16)
  1. 将矩阵转换为灰度图
nrrd_image = Image.fromarray(nrrd_data[:,:,29]*1.5) 
#nrrd_data[:,:,29] 表示截取第30张切片
nrrd_image.show() # 显示这图片
  1. 将灰度图转换为RGB图
nrrd_image = nrrd_image.convert("RGB")
  1. 将图片格式转换为np.array数组
nrrd_array = np.asarray(nrrd_image)
  1. 将图片保存
nrrd_image.save("./nrrd_image.png", "PNG") # 第一个参数为保存的地址和文件名,第二个参数为保存的格式。

这是nrrd文件的简单操作。之后图片的相关处理可以查看PIL库中对图片的操作。

参考:
PIL (Python Imaging Library) 教程
NRRD文件官方网址

医学图像格式预处理 医学图像处理,dicom,nii,nrrd 阅读详情

相关推荐

医学影像中用 python 读取 nrrd 文件,nrrd转nii,以及遇到的一些问题和解决方法

DICOM, NII, NRRD 格式的文件是医学影像中处理文件遇到的常用格式,但是关于这方面的内容比较少,我自己在处理图像的过程中遇到了相关的问题,但是没有找到和我直接一模一样的问题,也没有相关的解决方法,所以我在有了解决想法之后,决定将我的想法分享出来。

Admiral_x的博客 8587

医学图像笔记(二)nrrd数据格式

医学图像笔记(二)nrrd数据格式1、nrrd数据格式2、python读取nrrd数据 1、nrrd数据格式 灵活的NRRD格式中包含了一个单个的数据头文件和既能分开又能合并的图像文件。一个NRRD数据头能够为科学可视化和医学图像处理准确地表示N维度的栅格信息。“国家医学图像计算联盟”(NA-MIC)开发了一种用NRRD格式来表示“扩散加权图像”(DWI)和“扩散张量图像”(DTI)的方法。NRRD的“扩散加权图像”和“扩散张量图像”数据可以被解读为一个“3D切片机”,能够直观地确定张量图像的方向与神经解剖

juluwangriyue的博客 1万+

医疗影像格式战争:为何NRRD正在取代传统DICOM?

本文探讨了医疗影像格式从传统DICOM向NRRD的转变,分析了NRRD在三维医学数据处理中的优势。NRRD的单文件结构显著提升了传输效率和存储空间利用率,特别适合现代云计算和深度学习应用。文章详细解析了NRRD的技术特性、转换方法及其在智能医疗中的战略价值,为医疗信息化提供了实用指南。

weixin_29083649的博客 630

docker安装Mysql

1.获取mysql镜像 指定5.6版本 docker pull mysql:5.6 2.运行mysql容器 docker run -p 3306:3306 --name mysql -v $PWD/conf:/etc/mysql/conf.d -v $PWD/logs:/logs -v $PWD/data:/var/lib/mysql -e MYSQL_ROOT...

dianyangxi8759的博客 346

神州医疗科技股份有限公司面试总结

needyn的博客 438

医疗影像分割

1.U-Net 看了好几个帖子这个讲的比较贴!! 介绍内容:医学影像常用图像格式: (1)DICOM (2)MHD/RAW (3)NRRD 1.1 U-Net的架构 U-Net的U形结构如下图所示。网络是一个经典的全卷积网络(即网络中没有全连接操作)。属于FCN的改进型。从某种意义上来说U-Net整体的流程是编码和解码(encoder-decoder)的过程,信息的压缩就是编码,信息的提取就是解码,比如图像,文本,视频的压缩与解压。 网络的输入是一张 572x572 的边缘经过镜像操作的图片(input i

qq_41036272的博客 5737

避坑指南:用Python处理NRRD医学数据时常见的5个报错及解决方案

本文详细解析了使用Python处理NRRD医学数据时常见的5个报错及解决方案,包括环境配置差异、编码格式错误、维度不匹配、数据类型转换精度丢失和多文件关联路径解析问题。通过实战代码示例和优化建议,帮助开发者高效解决pynrrd库使用中的典型问题,提升医学影像处理效率。

qsc901234的博客 151

SimpleITK医疗影像预处理:从DICOM到可训练3D张量的四步铁律

医学影像是带有物理空间语义的三维数据,其核心在于像素在解剖坐标系中的精确定位,而非普通图像的视觉表达。SimpleITK作为ITK的Python封装,专为保留Direction方向矩阵、Spacing体素尺寸和Origin空间原点这三大元数据而设计,解决了NumPy和OpenCV在DICOM处理中丢失HU值、层厚信息与坐标对齐能力的根本缺陷。它支撑CT/MRI/PET等多模态数据的物理校正、各向异性重采样与BIDS兼容导出,是构建可复现、可临床验证的AI模型(如3D U-Net)不可或缺的工程基座。本文聚焦

hintcnuie 492

vue+three.js展示nrrd+vtk3D模型-html展示(上)

nrrd3D模型文件、vtk3D模型文件浏览器端展示 话不多说上图 这里我发发牢骚,网上资源视频关于nrrd模型和vtk模型是真的少,累死了要。大家有同感可以看看,没兴趣的直接去看下文步骤。 官网上有一个html的静态实例,在静态页面可以使用,但是当我想在vue框架下进行集成我发现出现一系列问题。 问题一:包的引入有问题 1、我查了大量的网站:如可以改webpack的配置文件\build\webpack.base.conf.js中rules,然后我发现我的vue项目没有bulid文件夹,然后我找怎么使用v

weixin_43909743的博客 2471

Python实战:5分钟搞定.nrrd和.dcm医学影像的读取与可视化(附完整代码)

本文详细介绍了如何使用Python快速读取和可视化.nrrd和.dcm格式的医学影像文件。通过pydicom和nrrd库,开发者可以轻松实现医学影像的预处理和可视化,包括DICOM文件的窗宽窗位调整和NRRD三维数据的切片展示。附完整代码,帮助医学影像处理新手和开发者快速上手。

weixin_42570296的博客 203

医学影像格式解析:DICOM/NIfTI/NRRD数据处理实战

医学影像是临床诊断与AI建模的核心数据源,其本质是带有物理单位(如HU值)和空间坐标系的三维体数据,而非普通RGB图像。理解DICOM的元数据结构、NIfTI的仿射矩阵定义及NRRD的灵活维度支持,是实现精准预处理的前提。关键技术价值在于保障像素值的物理可解释性、维持解剖结构的空间一致性,并支撑后续深度学习训练。典型应用场景包括CT/MRI病灶分割、多模态配准、动态灌注分析及3D可视化验证。本文聚焦DICOM、NIfTI、NRRD三大临床与科研主流格式,覆盖从原始设备数据到PyTorch张量的端到端工程化流

weixin_33939716的博客 575

【GitHub项目推荐--MONAI:医疗影像AI开源工具库】

​MONAI​(Medical Open Network for AI)是一个专为医疗影像分析设计的开源AI工具包,由学术界、工业界和临床研究人员共同开发维护。项目采用Apache 2.0开源协议,旨在为医疗影像AI研究提供标准化、高性能的深度学习解决方案。MONAI建立在PyTorch之上,为医疗影像领域提供了专门的网络架构、损失函数、评估指标和工作流工具。​核心价值​:​社区驱动​:汇聚全球医学影像AI研究人员,形成活跃的开源社区​端到端解决方案​:提供从数据预处理到模型部署的完整工作流​。

j8267643的博客 1149

MedVision:医疗影像数据集托管与处理技术解析

医疗影像数据处理是医疗AI领域的关键技术,涉及DICOM、NIfTI等多种数据格式的转换与标准化。传统方法面临数据碎片化、标注不一致等挑战,而动态切片技术和多模态统一接口等创新方案能显著提升效率。MedVision项目基于Hugging Face平台,通过分层架构设计实现医疗影像数据的高效托管与处理,支持从原始数据到特征提取的全流程自动化。该技术在医学影像分析、AI辅助诊断等场景具有重要应用价值,特别是在处理3D体积数据时,能节省90%的存储空间并降低内存占用。

weixin_30580341的博客 394

医疗影像R特征提取全流程拆解(含临床数据验证的4大模型对比)

掌握医疗影像R的特征提取关键方法,提升临床诊断效率。本文拆解全流程,涵盖深度学习与传统算法在肿瘤识别等场景的应用,对比4大模型性能优势,附临床数据验证结果。方法实用、结论可靠,值得收藏。

PixelWander的博客 996

pynrrd:用于读取和写入nrrd文件的简单纯Python模块

yn pynrrd是一个纯Python模块,用于在numpy数组中读取和写入文件。 依存关系 该模块的唯一依赖项是 。 安装 通过pip和PyPi存储库安装(推荐) pip install pynrrd 通过pip和GitHub安装 pip install git+https://github.com/mhe/pynrrd.git 从源代码安装(建议对pynrrd有所贡献) 对于想要为pynrrd做出贡献的开发人员,您可以克隆pynrrd存储库并使用以下命令进行安装: git clone https://github.com/mhe/pynrrd.git cd pynrrd pip install . 或者,对于最后一行,请使用: pip install -e . 以“开发”或“可编辑”模式安装,可以在其中更改本地工作代码,Python将使用更新的pynrrd代码。 测

手机拍照也能玩高光谱?教你用TensorFlow Lite在Android上实现实时RGB转高光谱

本文介绍了如何利用TensorFlow Lite在Android设备上实现实时RGB到高光谱的图像重构技术。通过深度学习模型优化和移动端部署策略,使智能手机具备专业级光谱分析能力,适用于农业检测、化妆品分析等多个领域。

weixin_29091105的博客 247

MONAI医疗影像AI实战指南:从零构建医学深度学习应用

MONAI(Medical Open Network for AI)是基于PyTorch构建的开源医疗影像AI工具包,为医学影像深度学习提供完整的解决方案。作为医疗AI开发的核心框架,MONAI通过模块化设计、专业医学数据转换和高效训练引擎,帮助开发者快速构建从数据处理到模型部署的全流程医疗AI应用。 ## 🔬 技术背景:医疗影像AI的挑战与机遇 医学影像分析在临床诊断、疾病筛查和治疗规划中

gitblog_01097的博客 390

【Cadence软件技巧集萃】从Capture到Allergo——分布演示从原理符号导出到网络表

Cadence软件功能多样、性能强大,但是使用起来颇费步骤,尤其是从原理图到网络表的导入步骤,没有经过上手实践还真不一定一次就能搞定哩。本文笔者用将分步演示:1、在Capture软件上绘制原理图;2、将原理图导出网络表;3、在Allergo软件上更新网络表;希望给予使用Cadence的读者有效的帮助1、本文简述了建立Capture项目的步骤,演示了调用元件符号库的方法,并绘制了电气原理图;2、针对加载元件封装库可能遇到的问题,做了排查步骤建议;

qq_33175704的博客 2538

EISeg 视频与 3D 医疗影像交互式标注指南:模型选择、数据准备与帧传播实战

EISeg(Efficient Interactive Segmentation)是 PaddlePaddle 生态下的高效交互式分割标注工具,其视频标注能力(文档中亦称为 EIVSeg)将交互式图像分割与视频帧传播相结合,并进一步将医疗切片数据视为视频帧序列,从而支持 3D 医疗影像的标注。本文基于 [EISeg/docs/video.md](https://link.gitcode.com/i

gitblog_00210的博客 484

让 AI 自己“画施工图”——基于扩散模型的智能 CAD 管线生成

AI驱动CAD管线设计革命:Layout2CAD实现30秒自动化出图 针对设计院70%时间耗费在管线绘制的问题,研究团队基于Stable Diffusion开发了Layout2CAD系统,实现建筑草图到DWG施工图的智能转换。该系统采用三阶段流程:语义分割建筑底图→扩散生成多通道Heatmap(含管径/标高信息)→矢量化输出DWG实体,结合129M参数的多模块模型(Diffusion UNet+GraphRefiner)及规范判别器,确保1mm精度并自动满足GB50015-2019标准。

qq_74383080的博客 2018

Avalonia 超级详细学习指南

什么是 Avalonia?Avalonia 是一个开源的、跨平台的 GUI 框架,允许开发者使用 XAML 和 C# 构建现代化、高性能的桌面应用程序。与其他框架相比,Avalonia 具有强大的跨平台能力和灵活的界面设计。} }()Avalonia 的特点和优势跨平台性:Avalonia 可以在 Windows、Linux、macOS 等多个平台上运行,开发者可以编写一套代码,然后在不同的操作系统上运行相同的应用程序。

仰望星空的博客 1万+
上一篇: VIM剪贴板使用指南
下一篇: python数据分析代码优化小结
我就想叫这个
博客等级 码龄11年 52粉丝 39原创
评论 16
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值