### Python NII 文件预处理 NII文件通常用于存储医学影像数据，特别是神经成像领域。为了有效利用这些数据进行进一步分析或机器学习任务，预处理是一个重要环节。 #### 使用 `nibabel` 库读取和操作 NII 数据 通过 `nibabel` 库可以方便地加载 `.nii` 文件并将其转换为 NumPy 数组以便于后续处理[^1]： ```python import nibabel as nib import numpy as np # 加载 nii 文件 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()) # 查看数据维度 print(f"Image data shape: {im_data.shape}") ``` 这段代码展示了如何使用 `load()` 方法来读取指定路径下的 NII 文件，并调用 `get_fdata()` 获取其中的数据作为多维数组输出。这里得到的结果 `(128, 128, 63, 1)` 表明该图像是由多个切片组成的三维体素集合，最后一个参数表示通道数，在这个例子中只有一个通道。 #### 对 NII 图像执行标准化和其他变换 对于深度学习应用来说，除了简单的读入之外还需要对原始数据做一些必要的调整，比如归一化、裁剪等。下面给出了一些常见的预处理步骤及其对应的实现方式： ##### 归一化像素值范围至 [0, 1] ```python def normalize_image(image): """将输入图像的像素值缩放到区间 [0, 1].""" min_val = image.min() max_val = image.max() normalized_image = (image - min_val) / (max_val - min_val) return normalized_image normalized_im_data = normalize_image(im_data) ``` ##### 裁剪图像到固定大小 有时可能需要确保所有样本具有相同的尺寸以适应特定网络架构的要求。此时可以根据实际情况设定目标分辨率并对原图做适当截断或填充： ```python target_shape = (96, 96, 48) def crop_or_pad_to_target_shape(image, target_shape): current_shape = image.shape[:3] # 计算各轴方向上的差异 diff_x = abs(current_shape[0] - target_shape[0]) diff_y = abs(current_shape[1] - target_shape[1]) diff_z = abs(current_shape[2] - target_shape[2]) padded_image = None if all([s >= t for s,t in zip(current_shape,target_shape)]): start_x = int(diff_x // 2) end_x = start_x + target_shape[0] start_y = int(diff_y // 2) end_y = start_y + target_shape[1] start_z = int(diff_z // 2) end_z = start_z + target_shape[2] cropped_image = image[start_x:end_x, start_y:end_y, start_z:end_z] padded_image = cropped_image elif any([s < t for s,t in zip(current_shape,target_shape)]): pad_widths = [(int((t-s)//2), int(np.ceil((t-s)/2))) for s,t in zip(current_shape,target_shape)] padded_image = np.pad(image, pad_width=pad_widths, mode='constant', constant_values=0.) return padded_image.reshape((*target_shape,-1)) processed_im_data = crop_or_pad_to_target_shape(normalized_im_data, target_shape) ``` 上述两个函数分别实现了基本的线性映射以及基于中心位置的裁减/补零逻辑，能够帮助准备更适配下游任务需求的数据形式。