TorchIO 的使用方法

基本功能

1. 加载数据

TorchIO 使用 torchio.Subject 和 torchio.SubjectsDataset 来管理医学图像数据。

import torchio as tio

# 创建一个 Subject (可以包含图像、标签等)
subject = tio.Subject(
    t1=tio.ScalarImage('path_to_t1_image.nii.gz'),
    label=tio.LabelMap('path_to_label_image.nii.gz')
)

# 创建 SubjectsDataset
dataset = tio.SubjectsDataset([subject])

2. 数据增强与变换

与torchvision相似的，TorchIO 提供了许多数据增强方法，可以通过 tio.transforms 模块来使用。例如：

# 定义变换
transform = tio.Compose([
    tio.RandomFlip(axes=(0, 1), flip_probability=0.5),  # 随机翻转
    tio.RandomAffine(scales=(0.9, 1.1), degrees=10),   # 随机仿射变换
    tio.RescaleIntensity(out_min_max=(0, 1)),          # 强度归一化
])

# 应用变换到 Subject
transformed_subject = transform(subject)

3. 重采样与归一化

医学图像通常具有不同的空间分辨率和强度范围。TorchIO 提供了重采样和归一化工具：

# 重采样到固定分辨率 (例如 1x1x1 mm)
resample_transform = tio.Resample((1, 1, 1))

# 强度归一化
normalize_transform = tio.ZNormalization()

# 应用变换
processed_subject = resample_transform(subject)
processed_subject = normalize_transform(processed_subject)

4. 用于 PyTorch 的Dataloader

可以将 tio.SubjectsDataset 包装成 PyTorch 数据加载器，直接用于模型训练：

from torch.utils.data import DataLoader

# 数据集与增强
subjects = [
    tio.Subject(t1=tio.ScalarImage('image1.nii.gz')),
    tio.Subject(t1=tio.ScalarImage('image2.nii.gz'))
]
dataset = tio.SubjectsDataset(subjects, transform=transform)

# DataLoader
dataloader = DataLoader(dataset, batch_size=2, shuffle=True)

# 迭代数据
for batch in dataloader:
    images = batch['t1'][tio.DATA]  # 获取图像张量
    print(images.shape)  # 输出形状

5. ROI 操作

对感兴趣区域（ROI）的处理：

# 裁剪到指定 ROI
crop_transform = tio.CropOrPad((128, 128, 128))  # 固定裁剪/填充到 128x128x128
processed_subject = crop_transform(subject)

6. 医学图像可视化

TorchIO 支持可视化功能，结合 Matplotlib 进行简单可视化

import matplotlib.pyplot as plt

# 加载图像
image = tio.ScalarImage('path_to_image.nii.gz')

# 可视化切片
plt.imshow(image.data[0, :, :, 64], cmap='gray')  # 可视化第64层
plt.show()

常见功能总结

• 加载图像：支持多种医学图像格式（NIfTI、DICOM 等）。
• 数据增强：支持随机翻转、仿射变换、添加噪声等。
• 重采样：将图像重采样到统一分辨率。
• 归一化：标准化强度值。
• ROI 操作：提取和处理感兴趣区域。