MONAI自定义fMRI数据加载教程

一分耕耘，一分收获！既然都打开这篇《MONAI加载自定义fMRI数据方法详解》，就坚持看下去，学下去吧！本文主要会给大家讲到等等知识点，如果大家对本文有好的建议或者看到有不足之处，非常欢迎大家积极提出！在后续文章我会继续更新文章相关的内容，希望对大家都有所帮助！

本文旨在指导读者如何修改现有的MONAI代码，以加载和处理存储在特定文件夹结构中的自定义fMRI数据（NIfTI格式）。文章将详细解释如何修改文件路径、调整数据裁剪参数，以及如何将nilearn库集成到现有的MONAI工作流程中，以便更方便地加载NIfTI图像并提取数据，最终实现高效的fMRI数据预处理。

修改文件路径

原始代码使用硬编码的文件路径和数据集名称。你需要根据你的数据存储结构修改以下几个关键变量：

1. load_root: 将此变量设置为你的fMRI数据所在的根目录。例如：

   load_root = 'F:\\New folder\\cn_processed data'

2. filenames: 代码使用os.listdir(load_root)获取文件名列表。 确保load_root目录下直接包含各个被试的文件夹（例如Sub1、Sub2等）。

3. subj_name: 在循环中，subj_name = filename[:-7]用于从文件名中提取被试名称。根据你的文件名格式进行调整。 如果你的文件命名为S1.nii 且位于Sub1文件夹下，则需要在循环中构建完整的文件路径：

   for filename in sorted(filenames):
       subj_name = filename  # 文件名为Sub1
       # 构建完整路径
       full_path = os.path.join(load_root, subj_name, "S1.nii")
       # ...后续处理

调整数据裁剪参数

data = data[:, 14:-7, :, :] 这行代码用于裁剪fMRI数据。你需要根据你的数据的实际尺寸和感兴趣的脑区进行调整。

• 使用可视化工具（例如FSLeyes, MRIcron）检查你的fMRI数据，确定需要保留的区域。
• 根据实际情况修改切片范围。 请注意，索引是从0开始的。
• 如果不需要裁剪，可以直接注释掉这行代码。

重要提示: 确保裁剪后的数据维度在后续处理中保持一致。

集成 Nilearn 库

虽然原始代码使用了MONAI的LoadImage，但Nilearn 提供了更简洁的NIfTI图像加载方式。 可以考虑将Nilearn集成到你的代码中。

1. 安装 Nilearn:

   pip install nilearn

2. 替换 MONAI 的 LoadImage:

   from nilearn.image import load_img
   import numpy as np
   
   def read_data(filename,load_root,save_root,subj_name,count,queue=None,scaling_method=None, fill_zeroback=False):
       print("processing: " + filename, flush=True)
       # 构建完整路径
       path = os.path.join(load_root, filename, "S1.nii") # 修改这里
       try:
           # 使用 nilearn 加载图像
           nifti_image = load_img(path)
           data = nifti_image.get_fdata()  # 获取 numpy 数组
       except Exception as e:
           print(f"Error loading image: {path}, {e}")
           return None
   
       # ...后续处理

代码示例（修改后的 read_data 函数）

from nilearn.image import load_img
import numpy as np
import torch
import os

def read_data(filename,load_root,save_root,subj_name,count,queue=None,scaling_method=None, fill_zeroback=False):
    print("processing: " + filename, flush=True)
    # 构建完整路径
    path = os.path.join(load_root, filename, "S1.nii") # 修改这里
    try:
        # 使用 nilearn 加载图像
        nifti_image = load_img(path)
        data = nifti_image.get_fdata()  # 获取 numpy 数组
    except Exception as e:
        print(f"Error loading image: {path}, {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, :, :] # 裁剪数据，根据你的数据调整
    # 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, dtype=torch.float16) # 确保是 torch.Tensor
    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"))

注意事项：

• 确保nilearn已正确安装。
• 根据你的实际数据结构修改文件路径。
• 使用适当的裁剪参数以保留感兴趣的脑区。
• data_global = torch.tensor(data_global, dtype=torch.float16)，确保data_global是一个torch.Tensor，以便与后续的torch.split和torch.save操作兼容。

总结

通过修改文件路径、调整裁剪参数以及集成 Nilearn 库，你可以轻松地将自定义 fMRI 数据加载到现有的 MONAI 代码中进行处理。 这种方法可以简化数据加载流程，并提高代码的可读性和可维护性。 记得在修改代码后进行充分测试，以确保数据处理的正确性。

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~