自定义fMRINIfTI加载教程详解

golang学习网今天将给大家带来《加载自定义fMRI NIfTI文件教程详解》，感兴趣的朋友请继续看下去吧！以下内容将会涉及到等等知识点，如果你是正在学习文章或者已经是大佬级别了，都非常欢迎也希望大家都能给我建议评论哈~希望能帮助到大家！

本文档旨在指导用户如何将自定义的fMRI NIfTI文件加载到现有的Python代码中，该代码使用了monai库进行图像处理。我们将重点介绍如何利用nilearn库加载NIfTI文件，并将其集成到现有的数据处理流程中，以便进行后续的分析和处理。同时，我们也简单提及了多进程处理的建议，以便加速数据处理流程。

使用 nilearn 加载 NIfTI 文件

nilearn 是一个专门用于神经影像数据分析的 Python 库，它提供了方便的函数来加载和处理 NIfTI 文件。相比于从头开始解析文件，使用 nilearn 可以大大简化代码并提高效率。

首先，确保你已经安装了 nilearn 库。如果没有安装，可以使用 pip 进行安装：

pip install nilearn

安装完成后，就可以使用 nilearn.image.load_img 函数加载 NIfTI 文件了。

from nilearn.image import load_img

# 指定 NIfTI 文件的路径
nifti_file_path = "F:\\New folder\\cn_processed data\\Sub1\\S1.nii"

# 加载 NIfTI 文件
try:
    nifti_image = load_img(nifti_file_path)
    print(f"Successfully loaded NIfTI image from: {nifti_file_path}")
except FileNotFoundError:
    print(f"Error: NIfTI file not found at: {nifti_file_path}")
    exit()
except Exception as e:
    print(f"An error occurred while loading the NIfTI image: {e}")
    exit()

# 获取图像数据，返回一个 NumPy 数组
data = nifti_image.get_fdata()

# 打印数据的形状，以确认加载成功
print("Data shape:", data.shape)

代码解释：

1. from nilearn.image import load_img: 导入 nilearn.image 模块中的 load_img 函数。
2. nifti_file_path = "F:\\New folder\\cn_processed data\\Sub1\\S1.nii": 定义 NIfTI 文件的路径。请确保路径正确。
3. nifti_image = load_img(nifti_file_path): 使用 load_img 函数加载 NIfTI 文件。
4. data = nifti_image.get_fdata(): 使用 get_fdata() 方法获取图像数据，返回一个 NumPy 数组。
5. print("Data shape:", data.shape): 打印数据的形状，可以用来验证文件是否正确加载。

将 nilearn 集成到现有代码

现在，我们需要将使用 nilearn 加载 NIfTI 文件的代码集成到你提供的原始代码中。修改 read_data 函数，使用 nilearn 加载数据，并移除 monai 的 LoadImage：

from nilearn.image import load_img
import torch
import os
import time
from multiprocessing import Process, Queue
import numpy as np  # 导入 NumPy

def read_data(filename, load_root, save_root, subj_name, count, queue=None, scaling_method=None, fill_zeroback=False):
    print("processing: " + filename, flush=True)
    path = os.path.join(load_root, filename)
    try:
        # 使用 nilearn 加载 NIfTI 文件
        nifti_image = load_img(path)
        data = nifti_image.get_fdata()
    except FileNotFoundError:
        print(f"Error: NIfTI file not found at: {path}")
        return None
    except Exception as e:
        print(f"An error occurred while loading the NIfTI image: {e}")
        return None

    #change this line according to your file names
    save_dir = os.path.join(save_root,subj_name)
    isExist = os.path.exists(save_dir)
    if not isExist:
        os.makedirs(save_dir)

    # change this line according to your dataset
    data = data[:, 14:-7, :, :]
    # width, height, depth, time
    # Inspect the fMRI file first using your visualization tool. 
    # Limit the ranges of width, height, and depth to be under 96. Crop the background, not the brain regions. 
    # Each dimension of fMRI registered to MNI space (2mm) is expected to be around 100.
    # You can do this when you load each volume at the Dataset class, including padding backgrounds to fill dimensions under 96.

    background = data==0

    if scaling_method == 'z-norm':
        global_mean = data[~background].mean()
        global_std = data[~background].std()
        data_temp = (data - global_mean) / global_std
    elif scaling_method == 'minmax':
        data_temp = (data - data[~background].min()) / (data[~background].max() - data[~background].min())

    data_global = torch.empty(data.shape)
    data_global[background] = data_temp[~background].min() if not fill_zeroback else 0 
    # data_temp[~background].min() is expected to be 0 for scaling_method == 'minmax', and minimum z-value for scaling_method == 'z-norm'
    data_global[~background] = data_temp[~background]

    # save volumes one-by-one in fp16 format.
    data_global = torch.tensor(data_global) #Convert numpy array to tensor
    data_global = data_global.type(torch.float16)
    data_global_split = torch.split(data_global, 1, 3)
    for i, TR in enumerate(data_global_split):
        torch.save(TR.clone(), os.path.join(save_dir,"frame_"+str(i)+".pt"))

def main():
    # change two lines below according to your dataset
    dataset_name = 'ABCD'
    load_root = 'F:\\New folder\\cn_processed data' # This folder should have fMRI files in nifti format with subject names. Ex) sub-01.nii.gz
    save_root = f'/storage/7.{dataset_name}_MNI_to_TRs_minmax'
    scaling_method = 'z-norm' # choose either 'z-norm'(default) or 'minmax'.

    # make result folders
    filenames = os.listdir(load_root)
    os.makedirs(os.path.join(save_root,'img'), exist_ok = True)
    os.makedirs(os.path.join(save_root,'metadata'), exist_ok = True) # locate your metadata file at this folder
    save_root = os.path.join(save_root,'img')

    finished_samples = os.listdir(save_root)
    queue = Queue() 
    count = 0
    for filename in sorted(filenames):
        # Assuming filename is like "Sub1.nii"
        subj_name = filename[:-4]  # extract subject name from nifti file. [:-4] rules out '.nii'
        # we recommend you use subj_name that aligns with the subject key in a metadata file.

        expected_seq_length = 1000 # Specify the expected sequence length of fMRI for the case your preprocessing stopped unexpectedly and you try to resume the preprocessing.

        # change the line below according to your folder structure
        if (subj_name not in finished_samples) or (len(os.listdir(os.path.join(save_root,subj_name))) < expected_seq_length): # preprocess if the subject folder does not exist, or the number of pth files is lower than expected sequence length. 
            try:
                count+=1
                p = Process(target=read_data, args=(filename,load_root,save_root,subj_name,count,queue,scaling_method))
                p.start()
                if count % 32 == 0: # requires more than 32 cpu cores for parallel processing
                    p.join()
            except Exception:
                print('encountered problem with'+filename)
                print(Exception)

if __name__=='__main__':
    start_time = time.time()
    main()
    end_time = time.time()
    print('\nTotal', round((end_time - start_time) / 60), 'minutes elapsed.')

关键修改：

1. 移除 from monai.transforms import LoadImage: 不再需要 monai 的 LoadImage。
2. 使用 nilearn 加载数据: 在 read_data 函数中，使用 load_img 加载 NIfTI 文件，并使用 get_fdata() 获取数据。
3. 错误处理: 添加了 try...except 块来处理文件未找到或其他加载错误。
4. subj_name提取: 修改了 subj_name 的提取方式，从 filename[:-7] 改为 filename[:-4]，以适应 .nii 文件名。
5. load_root修改: 修改了 load_root 以匹配您的数据路径。
6. data_global类型转换: 将data_global从numpy array转换成tensor

注意事项：

• 确保 load_root 变量指向包含 NIfTI 文件的正确目录。
• 根据你的实际文件名修改 subj_name 的提取方式。 如果文件名是 S1.nii.gz，则使用 filename[:-7]。 如果文件名是 S1.nii，则使用 filename[:-4]。
• 根据你的数据特点调整数据处理步骤，例如裁剪操作 data = data[:, 14:-7, :, :]。

多进程处理建议

joblib 库提供了一种更简洁的方式来进行多进程处理，它可以更方便地并行处理多个任务。

from joblib import Parallel, delayed
import os
from nilearn.image import load_img
import numpy as np
import torch

def read_data(filename, load_root, save_root, subj_name, scaling_method=None, fill_zeroback=False):
    path = os.path.join(load_root, filename)
    try:
        nifti_image = load_img(path)
        data = nifti_image.get_fdata()
    except FileNotFoundError:
        print(f"Error: NIfTI file not found at: {path}")
        return None
    except Exception as e:
        print(f"An error occurred while loading the NIfTI image: {e}")
        return None

    save_dir = os.path.join(save_root, subj_name)
    os.makedirs(save_dir, exist_ok=True)

    data = data[:, 14:-7, :, :]
    background = data == 0

    if scaling_method == 'z-norm':
        global_mean = data[~background].mean()
        global_std = data[~background].std()
        data_temp = (data - global_mean) / global_std
    elif scaling_method == 'minmax':
        data_temp = (data - data[~background].min()) / (data[~background].max() - data[~background].min())

    data_global = torch.empty(data.shape)
    data_global[background] = data_temp[~background].min() if not fill_zeroback else 0
    data_global[~background] = data_temp[~background]

    data_global = torch.tensor(data_global) #Convert numpy array to tensor
    data_global = data_global.type(torch.float16)
    data_global_split = torch.split(data_global, 1, 3)
    for i, TR in enumerate(data_global_split):
        torch.save(TR.clone(), os.path.join(save_dir, "frame_" + str(i) + ".pt"))


def main():
    dataset_name = 'ABCD'
    load_root = 'F:\\New folder\\cn_processed data'
    save_root = f'/storage/7.{dataset_name}_MNI_to_TRs_minmax'
    scaling_method = 'z-norm'

    filenames = os.listdir(load_root)
    os.makedirs(os.path.join(save_root, 'img'), exist_ok=True)
    os.makedirs(os.path.join(save_root, 'metadata'), exist_ok=True)
    save_root = os.path.join(save_root, 'img')

    # Use joblib for parallel processing
    Parallel(n_jobs=os.cpu_count())(  # Use all available CPU cores
        delayed(read_data)(
            filename,
            load_root,
            save_root,
            filename[:-4],  # Extract subj_name
            scaling_method
        ) for filename in sorted(filenames)
    )


if __name__ == '__main__':
    start_time = time.time()
    main()
    end_time = time.time()
    print('\nTotal', round((end_time - start_time) / 60), 'minutes elapsed.')

代码解释：

1. from joblib import Parallel, delayed: 导入 joblib 库的 Parallel 和 delayed 函数。
2. Parallel(n_jobs=-1)(delayed(read_data)(...)): 使用 Parallel 函数并行执行 read_data 函数。n_jobs=-1 表示使用所有可用的 CPU 核心。delayed(read_data)(...) 创建一个延迟执行的 read_data 函数调用。
3. 移除了Queue的参数，简化了read_data函数。

总结：

通过使用 nilearn 库，可以方便地加载 NIfTI 文件，并将其集成到现有的代码中。同时，利用 joblib 库可以更有效地进行多进程处理，从而加速数据处理流程。请根据你的实际情况调整代码，并确保数据路径和文件名正确。

本篇关于《自定义fMRINIfTI加载教程详解》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于文章的相关知识，请关注golang学习网公众号！