背景：在医学图像的组学、深度学习等应用中，数据预处理和Unet等网络模型分割后处理中经常涉及dicom、nii、png、jpg、及pytorch中的array、tensor变换。通过Unet等网络训练出的分割模型，进行图像分割后需要生成新的mask文件，对于医学类的三维图像则需要保存为nii格式方便后续处理。
因此记录下学习nii,png与np.array之间格式转换的学习及踩坑过程，以itk-snap勾画的mask为例，原始保存为nii格式。
# 导入相关的包
import radiomics
import SimpleITK as sitk
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np
import glob
# 读取nii数据
itk_img=sitk.ReadImage('C:\\Users\\Administrator\\Desktop\\Untitled.nii')
img = sitk.GetArrayFromImage(itk_img)
img.shape # 查看形状 (109, 512, 512) 共109张512*512的单通道灰度图片
plt.imshow(img[50],cmap='gray') # 展示其中一张有mask的图片
image.png
（一）将nii转换为png格式，若批量加for循环即好
# 通过plt.imsave保存为png格式（此处有坑，有空了再补吧）
all_img=[]
for n,im in enumerate(img):
plt.imsave('C:\\Users\\Administrator\\Desktop\\img\\mask_{:0>3d}.png'.format(n),im,cmap='gray') # {:0>3d}字符串格式化右对齐3位，用0补齐
image.png
（二）通过批量读取png转为np.array储存，并转为nii格式
# 查看其中一个图片
mask_1=Image.open('C:\\Users\\Administrator\\Desktop\\img\\mask_051.png')
np.array(mask_1).shape # mask的形状为(512, 512, 4) 4个通道的，需要转换为单个通道的灰度图
s=np.array(mask_1.convert('L'))
s.shape # mask转换后的形状(512, 512)
# 读取png的path
img_path=glob.glob('C:\\Users\\Administrator\\Desktop\\img\\'+'*')
allmask_array=[]
for i in img_path:
mask_one=Image.open(i)
mask_array=np.array(mask_one.convert('L')) # 转变为单通道的灰度图
allmask_array.append(mask_array)
print('总共图片数量：',len(allmask_array)) # 总共图片数量： 109
print(type(allmask_array)) # <class 'list'>
# 将list转为np.array
allmask_array=np.array(allmask_array)
allmask_array.shape # (109, 512, 512) 与之前读取的nii形状相同
# 通过sitk的包读取array，保存为nii
out_mask = sitk.GetImageFromArray(np.array(allmask_array))
sitk.WriteImage(out_mask,'C:\\Users\\Administrator\\Desktop\\out_mask.nii.gz')
（三）在itk-snap中打开新的out_mask,完美重合
image.png
注：本人为医学专业，自学影像组学和人工智能方向，其中的大部分学习资料及代码来自网上，仅以此纪录学习过程及后续复习所用。若有任何问题可联系：wzj9846@163.com
第一次发文，仅以此激励自己不断学习。
