图像分割中根据mask的ROI，去除mask和image中没有勾画ROI层数以外的图像

在分割任务中，一个患者有很多层图像，但是勾画的ROI仅有那么几层。我想去除ROI以外层数的那些没用的图像。这里以一个36张图像的nii格式数据为例

 

查看一下mask文件中有多少个非0图像

import nibabel as nib
import numpy as np# 加载 .nii 文件
file_path = r"C:\Users\梦里梦见梦不见的\Desktop\练习\ROI\zhangsan-label.nii"#
image = nib.load(file_path)# 获取数据数组
data = image.get_fdata()# 打印数据的形状
print("数据的形状:", data.shape)# 初始化一个列表来存储非全零图像的序号
non_zero_indices = []# 遍历每张图像
for i in range(data.shape[2]):  # 遍历第三维，即36张图像image_slice = data[:, :, i]  # 提取第i张图像if np.any(image_slice):  # 检查图像是否包含非零像素non_zero_indices.append(i)  # 将序号加入列表# 打印筛选结果
print(f"包含非零像素的图像序号: {non_zero_indices}")
print(f"筛选出的非全零图像数量: {len(non_zero_indices)}")

 

数据的形状: (480, 480, 36)
包含非零像素的图像序号: [13, 14, 15, 16]
筛选出的非全零图像数量: 4

 对mask中勾画的ROI进行查看

import nibabel as nib
import matplotlib.pyplot as plt# 加载处理后的NIfTI文件
processed_path = r"C:\Users\梦里梦见梦不见的\Desktop\练习\ROI\CAO_ZHAN_GUO-label.nii"
processed_img = nib.load(processed_path)
processed_data = processed_img.get_fdata()  # 获取处理后的数据，形状为(480, 480, 36)# 可视化36张图像
def visualize_slices(data, num_slices):"""可视化3D数据中的多张切片:param data: 3D数据，形状为(height, width, depth):param num_slices: 需要可视化的切片数量"""depth = data.shape[2]  # 获取切片的数量slice_indices = np.linspace(0, depth - 1, num_slices, dtype=int)  # 均匀选择切片索引# 创建子图fig, axes = plt.subplots(6, 6, figsize=(15, 15))  # 6x6的子图布局fig.suptitle("Processed Image Slices", fontsize=16)for i, idx in enumerate(slice_indices):ax = axes[i // 6, i % 6]  # 获取当前子图ax.imshow(data[:, :, idx], cmap="gray")  # 显示切片ax.set_title(f"Slice {idx}")ax.axis("off")  # 关闭坐标轴plt.tight_layout()plt.show()# 可视化36张切片
visualize_slices(processed_data, 36)

 

 对image图像进行查看

 我们要删除mask中没有勾画ROI的图像，最后是这样的mask文件

 

 并保存对应的image图像

 

 最后就是保存了两个删除后的文件。

完整的代码，批量操作image和mask文件夹下的文件，并保存到两个新的文件夹中

import nibabel as nib
import numpy as np
import os# 设置image和mask文件夹路径
image_folder = r"C:\Users\梦里梦见梦不见的\Desktop\练习\image"
mask_folder = r"C:\Users\梦里梦见梦不见的\Desktop\练习\ROI"
new_image_folder = r"C:\Users\梦里梦见梦不见的\Desktop\练习\image_filtered"
new_mask_folder = r"C:\Users\梦里梦见梦不见的\Desktop\练习\ROI_filtered"# 创建新文件夹（如果不存在）
os.makedirs(new_image_folder, exist_ok=True)
os.makedirs(new_mask_folder, exist_ok=True)# 遍历image文件夹中的所有nii文件
for image_filename in os.listdir(image_folder):if image_filename.endswith('.nii'):# 构建对应的mask文件名mask_filename = image_filename.replace('.nii', '-label.nii')# 构建完整路径image_path = os.path.join(image_folder, image_filename)mask_path = os.path.join(mask_folder, mask_filename)# 检查mask文件是否存在if not os.path.exists(mask_path):print(f"警告: 未找到对应的mask文件 {mask_filename}，跳过此文件。")continue# 读取image和mask文件image_nii = nib.load(image_path)mask_nii = nib.load(mask_path)# 获取图像数据image_data = image_nii.get_fdata()mask_data = mask_nii.get_fdata()# 创建一个空列表，用于保存所有非零图像filtered_image_data = []filtered_mask_data = []# 遍历每张图像（这里假设每张图像的大小是480x480）for i in range(image_data.shape[2]):  # 假设第三个维度是图像的数量，这里是36# 选择当前图像的mask（二维数据）mask_slice = mask_data[:, :, i]# 如果mask图像有任何非零像素，则保存对应的image和maskif np.any(mask_slice != 0):# 获取该图像的数据image_slice = image_data[:, :, i]# 将符合条件的图像和mask存入列表filtered_image_data.append(image_slice)filtered_mask_data.append(mask_slice)# 将筛选出的图像合并成一个新的数组if filtered_image_data and filtered_mask_data:  # 确保有有效的图像filtered_image_data = np.stack(filtered_image_data, axis=2)filtered_mask_data = np.stack(filtered_mask_data, axis=2)# 打印处理的文件名print(f"处理文件: {image_filename} 和 {mask_filename}")# 保存新的合并后的nii文件new_image_filename = os.path.join(new_image_folder, image_filename)new_mask_filename = os.path.join(new_mask_folder, mask_filename)# 保存为新的nii文件new_image_nii = nib.Nifti1Image(filtered_image_data, image_nii.affine)new_mask_nii = nib.Nifti1Image(filtered_mask_data, mask_nii.affine)# 保存为新的nii文件nib.save(new_image_nii, new_image_filename)nib.save(new_mask_nii, new_mask_filename)print("批量处理完成！")