nii.gz格式是医学图像常用的压缩格式，python中可用nibabel和sitk来读取保存。
因为后期主要的研究方向是医学图像处理，而现有手头的大部分数据都是nii格式或者是hdr，img格式的数据，所以首先第一步我们需要解决图像的读写问题。
以上这篇python 读取.nii格式图像实例就是小编分享给大家的全部内容了，希望能给大家一个参考。
Dicom文件包含了诸多的元数据信息（比如像素尺寸，每个维度的一像素代表真实世界里的长度），Dicom文件即文件后缀为.dcm的文件。
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。
选自Medium 作者：Taposh Dutta-Roy 机器之心编译 参与：Nurhachu Null、李泽南 今年 3 月，英伟达的 GTC 2017 大会上展示了很多深度学习技术在医疗领域中的卓越工作。Ian GoodFellow、Jeremy Howard 以及其他的深度学习专家都分享了他们对深度学习的见解。顶尖的医科学校（例如西奈山医院、纽约大学、麻省综合医院等）以及肺癌 BOWL 的获奖者 Kaggle 一起解释了他们的建模策略。回顾我们的系列文章，在上一篇文章中，我们讨论了在文本和图像数据上的
FreeSurfer 是美国哈佛-麻省理工卫生科学与技术部和马萨诸塞州总医院共同开发的一款磁共振数据处理软件包，是基于 Linux 平台的全免费开源软件。FreeSurfer 能完成对高分辨率的 MRI 图像进行分割、配准及三维重建，其处理过程主要包含去头骨、B1 偏差场校正、体数据配准、灰白质分割、面数据配准等。FreeSurfer 可以方便地处理大脑 MRI 图像，并生成高精度的灰、白质分割面和灰质、脑脊液分割面，根据这两个表面可以计算任何位置的皮质厚度及其他面数据特征如皮质 外表面积、曲率、灰质体积等，这些参数可以映射到通过白质膨胀算法得到的大脑皮质表面上直观显示。另外，FreeSurfer 还具有特征的组间差异分析及结果的可视化功能。
DLTK是用于医学图像的深度学习工具包，它扩展了TensorFlow， 以实现生物医学图像的深度学习。它为经典的应用程序提供特殊的操作和功能、模型的实现、教程(如本文中所使用的)和代码示例。
Rose小哥今天给大家介绍一款用于神经成像工具Nilearn以及它的基本操作和数据保存查看。
tips:点击”paste last polygon”按钮使用上一层的勾画结果,拖动勾画框可以进行修改
MATLAB转格式,需要使用spm package(https://github.com/neurodebian/spm12).
一般来说，深度学习的训练数据和训练后的参数都会保存为h5格式文件，对于训练数据来说，深度学习中当训练大量数据时，如果从硬盘中加载再预处理，再传递进网络，这是一个非常耗时的过程。其中从硬盘中读取图片会花费大量时间，更可行在方法是将其存在单个文件中，如h5文件。
上一篇文章介绍了《保姆级教程：nnUnet在2维图像的训练和测试》，采用的是自己的2d数据集进行2d到3d的数据转换，内容包括nnUnet介绍、环境配置、数据配置、预处理、训练过程、确定最佳的U-Net配置、运行推断，算是带着大家在2d数据情况下把nnUnet训练和测试了一遍。
对与深度学习相关的医疗保障工作而言，2017 年的 “Nvidia GTC 大会” 绝对是一个绝佳的信息来源。在大会上，有诸如 Ian GoodFellow 和 Jeremy Howard 的深度学习专家分享了他们对深度学习的见解；还有一些顶级医学院（例如西奈山医学院、纽约大学医学院、麻省综合医院等）和 Kaggle 在大会上介绍他们的建模战略。 在上一篇文章中，我们谈论了深度学习相关的基本内容。本文，我们将关注于医学图像及其格式。 本文分为三个部分——医学图像及其组成、医学图像格式和医学图像的格式转换
主要实现的部分是利用NameGeneratorType读入系列图像，见头文件#include “itkNumericSeriesFileNames.h”。
早期脑肿瘤切除可有效提高患者的生存率。然而，由于重力、给药、颅内压变化和组织切除等因素，术中脑组织移位通常会严重影响切除质量和安全性。这种组织移位可以使术前图像中显示的手术目标和重要结构（例如，血管）移位，而这些移位在外科医生的视野中可能不直接可见。术中超声 (iUS) 是一种强大且相对便宜的技术，用于跟踪术中组织移位和手术工具。iUS 中脑组织分割的自动算法，特别是脑肿瘤和切除腔，可以极大地促进通过图像配准进行脑移位校正的鲁棒性和准确性，并且可以轻松解释 iUS。这有可能改善手术结果和患者存活率。
CMR 成像质量易受呼吸运动伪影的影响。挑战赛目标是评估呼吸运动对 CMR 成像质量的影响，并检查自动分割模型在不同呼吸运动水平下的鲁棒性。心脏磁共振 (CMR) 成像是目前评估心脏结构和功能的金标准模式。基于机器学习的方法在以前的 CMR 挑战（例如 ACDC、M&Ms）中取得了显着的性能。然而，在临床实践中，模型性能受到不一致的成像环境（例如，供应商和协议）、人口变化（正常与病理病例）和意外的人类行为（例如，身体运动）的挑战。通过将训练有素的机器学习模型暴露于“压力测试”中的极端情况来调查潜在的故障模式很有用。迄今为止，模型通用性方面的现有挑战大都集中在供应商可变性和解剖结构变化上，而对人类行为的影响的探索较少。对于 CMR 采集，呼吸运动是主要问题之一。有急性症状的患者不能遵守屏气指令，导致图像质量下降和分析不准确。
据国外媒体报道，日本国立情报学研究所（NII）的研究人员宣布，放弃让人工智能系统“Torobo-kun”参加东京大学入学考试的计划。作为NII开发的人工智能机器人，Torobo-kun的终极目标是通过
《Automated Design of Deep Learning Methods for Biomedical Image Segmentation》，来自德国癌症研究中心。
话说孔乙己时常混迹于磁共振基础班，处理功能数据算是得心应手了。虽然时常拖欠学费，但不出几月，定然还上，从粉板上拭去了孔乙己的名字。因此，DTI班第一天，当他悄悄溜进来的时候，掌柜并未在意。 彼时，寿镜
分享一位52CV粉丝Ellis开发的基于PyTorch的专注于医学图像分割的开源库，其支持模型丰富，方便易用。其可算为torchio的一个实例，作者将其综合起来，包含众多经典算法，实用性比较强。
使用pix2pix-gan做医学图像合成的时候，如果把nii数据转成png格式会损失很多信息，以为png格式图像的灰度值有256阶，因此直接使用nii的医学图像做输入会更好一点。
最小路径提取算法在很多领域都有广泛应用，医学图像分析，机器人导航等。2008年来自昆士兰科技大学的Dan Mueller开源了基于Fast Marching方式的最小路径提取算法，原理：利用Fast Marching到达函数T的梯度是与波前正交的事实来求解仅有一个的局部最小值，这也是全局最小值。通过从给定种子（路径终点）反向传播到起点来提取最小路径。起点和终点是隐式嵌入在T中的，反向传播可以通过梯度下降和正阶梯度下降来实现。
比赛链接：https://www.datafountain.cn/competitions/488/datasets
Clinical Data(临床数据) Genetic(基因数据) MRI PET BIOSPECIMEN(生物样本)
术前和术中成像之间的多模态图像配准能够在许多手术和介入任务中融合临床重要信息。磁共振成像 (MR) 和经直肠超声 (TRUS) 图像的配准有助于精确对准前列腺和其他解剖结构，例如在引导前列腺活检期间作为定位相关解剖和潜在病理目标的标准，以及用于前列腺活检和局部治疗/干预计划的方法或决策支持，可以说已经将前列腺癌患者护理转变为侵入性更小、更局部化的诊断、监测和治疗途径。尽管在过去二十年中取得了巨大进步，但该应用程序仍然面临挑战。首先，来自大量患者队列的配对 MR 和 TRUS 数据并未在临床实践中常规存储，而且公开数据稀缺且质量低下。其次，在两张图像上注释解剖和病理标志（对于表示相应位置进行验证至关重要）需要来自泌尿学、放射学和病理学等多个学科的专家领域知识和经验。
小波变换融合算法基本思想：首先对源图像进行小波变换，然后按照一定规则对变换系数进行合并；最后对合并后的系数进行小波逆变换得到融合图像。
本文研究了如何使用Nilearn库从FMRI数据中提取时间序列，并介绍了Nilearn库中的相关函数和步骤。首先，使用compute\_background\_mask函数提取出大脑掩码，然后使用compute\_epi\_mask函数提取出EPI图像的掩码。接着，使用resample\_to\_img函数对数据进行重采样，将时间序列转换为相关矩阵。最后，通过绘制相关矩阵来可视化时间序列数据。
今天将分享纤维化肺病的气道树分割和基于定量 CT成像生物标志物的死亡率预测docker部署完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
数据猿导读 由国家863“超脑计划”牵头研制的“高考机器人”将参加2017年高考的语文、数学和文综三项科目的考试，它的目标是要超过重点本科分数线，2020年考上北京大学。 图 | 东机器人君 作者 |
图像分割是医学图像分析中最重要的任务之一，在许多临床应用中往往是第一步也是最关键的一步。在脑MRI分析中，图像分割通常用于测量和可视化解剖结构，分析大脑变化，描绘病理区域以及手术计划和图像引导干预，分割是大多数形态学分析的先决条件。
今天将分享TensorRT加速推理三维分割网络C++完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
以上这篇使用SimpleITK读取和保存NIfTI/DICOM文件实例就是小编分享给大家的全部内容了，希望能给大家一个参考。
昨天，小芳（隔壁村的）问笔者：为什么我输出不了超过256个大脑区域？ 乍一看，非常绕口。 今天的内容如果直接回答，恐怕绝大多数人要崩溃了，让我一步步给大家讲解，让你来回答这个问题。来，老铁们，双击666，送我上热搜。 ---- 宏观来讲，普通玩家对脑影像分析处理的步骤无非： 读取 -> 分析处理 -> 输出（写入保存）。这三个步骤会变的也就是中间这个步骤：分析处理。结合自己的问题来找到自己特定的分析处理方法。但是今天的重点主要是前、后两个步骤——数据读取与结果保存。通过MATLAB底层函数读取一个功能磁共振
许多用于医学图像分析的基础模型，例如分段任意模型（SAM），已经发布并被证明在多种任务中是有用的。然而，它们对现实世界医学成像数据的有效性尚未得到探索。例如，针对变形较大的器官（即心脏和肝脏）的特定图像对分析提出了更大的挑战。首先，呼吸运动和心脏搏动引起的错位增加了对这些数据进行联合分析的复杂性。其次，现实世界医学图像的不均匀性带来了挑战，包括模态的多样性和来自不同中心的收集引起的分布变化。第三，对于这些基础模型来说，处理不规则的 ROI（例如病变或疤痕）可能更具挑战性，因为它们的尺寸可能非常小且形状不规则。因此，开发有效且高效的迁移学习方法来充分利用这些基础模型进行现实世界的医学图像分割具有重要价值。
绪论：加法原理、乘法原理# 分类计数原理：做一件事，有n类办法，在第1类办法中有m1种不同的方法，在第2类办法中有m2种不同的方法，…，在第n类办法中有mn种不同的方法，那么完成这件事共有N=m1+m2+…+mn种不同的方法。
-- Yosra Kazemi 阿尔茨海默氏病(AD)是一种不可逆转的渐进性神经障碍，会导致记忆和思维能力的丧失 该论文使用深度学习的方法成功地对AD病的五个阶段进行了分类：非病态健康控制(NC)、显著性记忆关注(SMC)、早期轻度认知损害 (EMCI)、晚期轻度认知损害(LMCI)和阿尔茨海默病(AD) 在进行分类之前，fMRI的数据经过严格的预处理以避免任何噪音；然后，利用AlexNet模型提取从低到高水平的特征并学习 阿尔茨海默病以不同的速率发展，每个个体可能在不同的时间经历不同的症状，在不同阶段的阿尔茨海默氏症中，类别间的差异很低。 阿尔茨海默病是痴呆的主要病因,不同类型的痴呆症包括:老年痴呆（AD）、路易体痴呆、额颞叶紊乱症和血管性痴呆 在阿尔茨海默病中，大脑细胞中某些蛋白质水平的变化会影响神经元在海马体区域的交流能力，因此阿尔茨海默氏症的早期症状是失忆 病人的大脑中有一些不正常的团块和缠结在一起的纤维束，它们分别被称为淀粉样斑块和神经纤维缠结。这些现在被认为是老年痴呆症的一些主要症状 研究人员认为AD病人在出现症状之前的20年或更多年以前，大脑就发生了变化 目前，对于AD的阶段没有很好的定义，一些专家为更好地理解疾病的进展使用了七阶段的模型
许多用于医学图像分析的基础模型，例如分段任意模型（SAM），已经发布并被证明在多种任务中是有用的。然而，它们对现实世界医学成像数据的有效性尚未得到探索。例如，针对变形较大的器官（即心脏和肝脏）的特定图像对分析提出了更大的挑战。
资源一：Mac OS X 10.13系统镜像(cdr格式，VMware虚拟机可直接使用)
今天将分享全身PET/CT病灶分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
数据预处理是建立机器学习模型的第一步，对最终结果有决定性的作用：如果你的数据集没有完成数据清洗和预处理，那么你的模型很可能也不会有效
今天将分享基于CT/PET图像头颈肿瘤分割和无复发生存预测完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
今天将分享肾肿瘤多组织结构分割实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
今天将分享纵隔肿瘤检测完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
本文介绍了Nilearn库中的功能连接体，以及如何从功能连接体中提取时间序列，用于建立功能连接体。功能连接体是反映大脑区域之间功能连接的图谱。在Nilearn中，可以通过加载预处理过的功能连接体，以及应用基于功能连接体的分类器来提取时间序列。此外，还介绍了如何基于功能连接体可视化和分析脑功能连接体。
繁琐枯燥的图像标注工作常常让人倍感压力，尤其是医学影像标注领域，标注需求差异巨大、标注场景复杂多变，而标注者却面临着没有一款可以通用的标注软件的尴尬情形。
信息的概念： 一般认为：信息是在自然界、人类社会和人类思维活动中普遍存在的一切物质和事物的属性。 信息能够用来消除事物不确定的因素
中国版以及备用站点：http://www.sci-hub.cn/、http://www.sci-hub.xyz/
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
