医学影像数据格式转换（.mha转.jpg）

1. BRAST2015数据集介绍

BRAST2015的数据集格式如上图所示，由5个.mha文件构成。其中Flair,T2,T1c,T2为四种模态（理解为四种提取特征的方式），OT为GroundTruth也就是掩码（0，1，2，3，4五种标签）。

2. 格式转换

在进行图像分割的过程中，数据集最基本的格式为图片＋掩码（图片作为数据，掩码作为真值）。故在处理医学影像时需要将.mha文件转换为.jpg文件。针对该数据集直接附代码。

#数据处理部分，将mah格式转化为jpg和mask_jpgimport SimpleITK as sitk
from SimpleITK.SimpleITK import Imagefrom tqdm import tqdm
from PIL import Image
import numpy as np
import cv2
import os
import matplotlib.pyplot as plt
import globdef mha2jpg(mhaPath,outFolder,out_Mask):mha_names = os.listdir(mhaPath)for file_name in tqdm(mha_names):img_names = os.listdir(mhaPath + file_name)for img_name in img_names:image = sitk.ReadImage(mhaPath + file_name + '/' + img_name)img_data = sitk.GetArrayFromImage(image)#测试图片形状以及像素极值#print(img_data.shape, img_name, np.max(img_data), np.min(img_data))name = img_name.split('.O.')[-1].split('.')[0]max_num, min_num = np.max(img_data), np.min(img_data)channel = img_data.shape[0]#进行归一化操作,*255将其再次可视化img_data = (img_data - min_num) / (max_num - min_num) * 255for s in range(channel):#提取每一张特征图slicer = img_data[s,:,:].astype(np.uint8)#array返回Imageslicer = Image.fromarray(slicer)slicer = slicer.resize((512,384))if name == 'OT' or name == 'VSD':slicer.save(os.path.join(out_Mask,file_name + name + '_Flair_' + str(s) + '.jpg'))slicer.save(os.path.join(out_Mask,file_name + name + '_T1_' + str(s) + '.jpg'))slicer.save(os.path.join(out_Mask,file_name + name + '_T1c_' + str(s) + '.jpg'))slicer.save(os.path.join(out_Mask,file_name + name + '_T2_' + str(s) + '.jpg'))if name != 'OT' and name != 'VSD':slicer.save(os.path.join(outFolder,file_name + name + str(s) + '.jpg'))if __name__ == '__main__':mha = './BRATS2015/training/HGG/'out = './data/train/image/'out_m = './data/train/mask/'mha2jpg(mha,out,out_m)

其中主要的代码如下：

    mha_names = os.listdir(mhaPath)for file_name in tqdm(mha_names):img_names = os.listdir(mhaPath + file_name)for img_name in img_names:image = sitk.ReadImage(mhaPath + file_name + '/' + img_name)img_data = sitk.GetArrayFromImage(image)#测试图片形状以及像素极值#print(img_data.shape, img_name, np.max(img_data), np.min(img_data))name = img_name.split('.O.')[-1].split('.')[0]max_num, min_num = np.max(img_data), np.min(img_data)channel = img_data.shape[0]#进行归一化操作,*255将其再次可视化img_data = (img_data - min_num) / (max_num - min_num) * 255for s in range(channel):#提取每一张特征图slicer = img_data[s,:,:].astype(np.uint8)#array转换Imageslicer = Image.fromarray(slicer)slicer = slicer.resize((512,384))

.mha文件通过sitk.ReadImage函数进行图片的读取，再通过sitk.GetArrayFromImage对图片转化为array格式，通过img_data = (img_data - min_num) / (max_num - min_num) * 255进行归一化操作，最后再将array转化为Image.

输出图片形状，图片文件名，图片像素极大极小值。输出这三者很重要，会更清楚整个数据集的状况，图片形状中155说明一个.mha文件会生成155张特征图做为我们最后的数据集，(240,240)有助于之后输入网络结构后图片形状的resize；图片文件名有利于Image数据集的构建；像素极值有利于进行归一化。（注：这里归一化操作建议自己写，不要用函数直接进行。函数操作将浮点部分的像素直接整型化，导致一定的特征丢失。）

3. 结果展示

Image数据：

Mask数据：