如何使用MONAI加载和处理自定义fMRI数据-Python教程-PHP中文网

如何使用MONAI加载和处理自定义fMRI数据

心靈之曲

发布： 2025-08-01 15:42:11

原创

322人浏览过

如何使用monai加载和处理自定义fmri数据

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：

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'
```
登录后复制
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）。
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
```
登录后复制

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。

通义听悟

阿里云通义听悟是聚焦音视频内容的工作学习AI助手，依托大模型，帮助用户记录、整理和分析音视频内容，体验用大模型做音视频笔记、整理会议记录。

查看详情

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。

安装 Nilearn:
```
pip install nilearn
```
登录后复制

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

登录后复制

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"))

登录后复制

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。