如何用手机打开dcm格式图片_实现原始Dicom自动转换BIDS格式 —

Python神经影像社区日趋完善，Linux shell搭配Python的神经影像工具开发方式越来越受追捧，催生出fMRIPrep、fMRIDenoise、Nipype、Nilearn、PyMVPA等优秀的toolbox，今天给大家介绍一个前期准备数据，自动整理BIDS格式的软件

基于Linux及MacOS的Heudiconv是一款很方便的dicom转nifti格式的工具，不同于dcm2nii等传统软件仅提供格式转换，Heudiconv的亮点在于自动组织图像路径，生成结构化的影像数据存储模式——BIDS格式

软件包的细节不赘述了，感兴趣的可以去Heudiconv的官网去研究：

https://neuroimaging-core-docs.readthedocs.io/en/latest/pages/heudiconv.htmlneuroimaging-core-docs.readthedocs.io

这里主要分享自己使用Heudiconv的具体操作步骤：

Step 1：整理自己的Dicom数据格式

首先我们需要将自己的Dicom格式文件整理好，建议存放的路径为项目文件夹 -> Dicom数据文件夹 -> 被试文件夹 -> session文件夹 (optional) -> 各模态文件夹 -> 具体的DCM/IMA文件

/Project/SourceData/001/pretreatment (optional)T1Func.../sub002/sub003...

session一般指研究里大部分被试参与了的两次及以上相同扫描序列的扫描，纵向研究中涉及较多，如治疗前后，或者纵向多时间点随访等，如果你的数据涉及可以加这一级文件夹，如果不涉及则可以忽略这一级。

Step 2：读取原始Dicom数据头文件信息

现在开始任意读取一个Dicom数据的头文件信息

sudo docker run --rm -it -v /home/dell/project:/base nipy/heudiconv:latest -d /base/SourceData/{subject}/{session}/*/*.dcm -o /base/RawData/ -f convertall -s 001 -ss pretreatment -c none --overwrite

这里借助Docker运行（推荐），具体安装参照官网及我在fMRIPrep里给出的docker安装方法

-v 后面时定义你的project所在路径为base路径

nipy/heudiconv:latest 则是调用最新版的heudiconv

-d 后面是所有dcm文件存放的位置，利用了通配符实现，{subject}和{session}必须这样表示，用来获取相应字段名命名后续的Nifti

-o Nifti文件放置的位置，这里我们命名为RawData

-s 是你选择的被试文件夹名

-ss 是你选择的session文件夹名 (optional)

其他参数完全一致不用变

运行过后，我们会在RawData下找到一个.heudiconv的隐藏文件夹，显示隐藏文件夹如下勾选Show hidden files (Ubuntu)

这样在.heudiconv/001/info 下会有如下几个文件，我们重点关注dicominfo.tsv和heuristic.py两个文件

打开这个tsv文件，观察我们所有序列的头文件信息（用一个公开数据做演示）

观察你序列的信息用来创建关键的heuristic.py文件

我们将这里的heuristic.py文件拷贝出来，推荐RawData目录下创建一个code文件夹，符合BIDS社区规范，并且修改下权限（如果非root用户可能这个文件是只读）

# 拷贝文件
sudo cp /home/dell/project/RawData/.heudiconv/001/info/heuristic.py /home/dell/project/Rawdata/code/# 修改整个code文件夹的权限
sudo chmod -R 777 /home/dell/project/RawData/code

打开heuristic.py文件并修改，不推荐使用普通的文本编辑器打开，这样会导致一些缩进错误的问题，熟悉Python的话，最好用Pycharm打开修改，熟悉Linux的话可以尝试用vim打开修改，未经修改的文件如下：

import osdef create_key(template, outtype=('nii.gz',), annotation_classes=None):if template is None or not template:raise ValueError('Template must be a valid format string')return template, outtype, annotation_classesdef infotodict(seqinfo):"""Heuristic evaluator for determining which runs belong whereallowed template fields - follow python string module:item: index within categorysubject: participant idseqitem: run number during scanningsubindex: sub index within group"""data = create_key('run{item:03d}')info = {data: []}last_run = len(seqinfo)for s in seqinfo:"""The namedtuple `s` contains the following fields:* total_files_till_now* example_dcm_file* series_id* dcm_dir_name* unspecified2* unspecified3* dim1* dim2* dim3* dim4* TR* TE* protocol_name* is_motion_corrected* is_derived* patient_id* study_description* referring_physician_name* series_description* image_type"""info[data].append(s.series_id)return info

文件里定义了两个函数，第一个我们不用管，重点是第二个，需要参考dicominfo.tsv文件来对我们想转换的序列做筛选

比如根据上面的dicominfo.tsv我想转T1和rest两个模态，则heuristic.py文件修改如下：

import osdef create_key(template, outtype=('nii.gz',), annotation_classes=None):if template is None or not template:raise ValueError('Template must be a valid format string')return template, outtype, annotation_classesdef infotodict(seqinfo):"""Heuristic evaluator for determining which runs belong whereallowed template fields - follow python string module:item: index within categorysubject: participant idseqitem: run number during scanningsubindex: sub index within group"""t1w = create_key('sub-{subject}/ses-{session}/anat/sub-{subject}_ses-{session}_T1w')rest = create_key('sub-{subject}/ses-{session}/func/sub-{subject}_ses-{session}_task-rest_bold')info = {t1w: [], rest: []}last_run = len(seqinfo)for s in seqinfo:"""The namedtuple `s` contains the following fields:* total_files_till_now* example_dcm_file* series_id* dcm_dir_name* unspecified2* unspecified3* dim1* dim2* dim3* dim4* TR* TE* protocol_name* is_motion_corrected* is_derived* patient_id* study_description* referring_physician_name* series_description* image_type"""if (s.dim3 == 176) and ('mpr' in s.protocol_name):info[t1w].append(s.series_id)if (s.dim4 == 175) and ('rest' in s.protocol_name):info[rest].append(s.series_id)return info

这里改动了的地方（需要一些轻度Python基础）：

1. data = create_key('run{item:03d}')
改为（声明Nifti文件命名规则）：
t1w = create_key('sub-{subject}/ses-{session}/anat/sub-{subject}_ses-{session}_T1w')
rest = create_key('sub-{subject}/ses-{session}/func/sub-{subject}_ses-{session}_task-rest_bold')2. for循环里添加筛选条件，需要一些能区分出该序列的特征，s所涉及的所有字段都可以拿来作筛选，比如dim3（图像层数），protocol名称等
if (s.dim3 == 176) and ('mpr' in s.protocol_name):info[t1w].append(s.series_id)
if (s.dim4 == 175) and ('rest' in s.protocol_name):info[rest].append(s.series_id)

更改完成后保存退出即可

Step 3：调用dcm2niix重新运行Heudiconv，通过shell的for循环实现所有被试的批处理转换

cd /home/dell/project/SourceData/for sub in `ls -d *`
do
sudo docker run --rm -it -v /home/dell/project:/base nipy/heudiconv:latest -d /base/SourceData/{subject}/{session}/*/*.dcm -o /base/RawData/ -f /base/RawData/code/heuristic.py -s $sub -ss pretreatment -c dcm2niix -b --overwrite
done

这样整个处理过程即完成，参考下我的SourceData和最后生成的RawData

SourceData

RawData

RawData for sub-B0006A

最后再把RawData放入BIDS validator验证这是不是一个有效的BIDS dataset（BIDS的介绍、命名规范以及BIDS validator，可参考之前fMRIPrep的介绍）

QKmeans：fMRIPrep安装与使用笔记---BIDS formatzhuanlan.zhihu.com

这样的RawData就可以直接放入fMRIPrep、MRIQC等支持BIDS格式的toolbox中进行预处理

关于Heudiconv更多详细信息可参考：

DICOMS to BIDSnipy.orgBIDS Tutorial Series: HeuDiConv WalkthroughDICOMS to BIDSnipy.orgBIDS Tutorial Series: HeuDiConv Walkthroughreproducibility.stanford.edu