在DCE图像上勾画的ROI转换为nii格式形成的mask，形状和DCE的原始图像一致，用于特征提取，形状不一致不能特征提取；
DCE图像和T2图像的形状不一致，所以mask不能用于T2的特征提取；
这个脚本根据DCE勾画的mask，和T2的图像，生成T2的mask，形状和T2一致，用于特征提取；

import glob
import os
import shutil
import numpy as np
import pandas as pd
import pydicom
import nibabel as nib
import SimpleITK as sitk
import torch
import torch.nn.functional as F
from matplotlib import pyplot as plt'''
在DCE图像上勾画的ROI转换为nii格式形成的mask，形状和DCE的原始图像一致，用于特征提取，形状不一致不能特征提取；
DCE图像和T2图像的形状不一致，所以mask不能用于T2的特征提取；
这个脚本根据DCE勾画的mask，和T2的图像，生成T2的mask，形状和T2一致，用于特征提取；将mask插值为T2图像的大小，然后与T2图像进行相乘，得到T2的mask；
nii文件不但有图像的值信息还有位置等其他信息，所以将mask插值为T2图像的大小不能用于特征提取；而是在dcm文件转化为nii过程中今替换里面的图像的值，不改变其他信心。dcms_root_path文件夹下是每一个患者的姓名，每个患者的姓名文件夹下是每张dcm文件
mask_dir_path 勾画好的mask文件夹，用DCE图像勾画的ROI，形状和DCE图像一致
savenii_path 存放新生成的nii文件'''def dcm2nii(dcmdir_path, mask_path, savenii_path):# 1.构建dicom序列文件阅读器，并执行（即将dicom序列文件“打包整合”）label_nii = sitk.ReadImage(mask_path)label_array = sitk.GetArrayFromImage(label_nii)label_array = F.interpolate(torch.tensor(label_array, dtype=torch.float32).unsqueeze(0), size=(672, 672),mode='nearest').squeeze().numpy().astype(np.uint8)reader = sitk.ImageSeriesReader()dicom_names = reader.GetGDCMSeriesFileNames(dcmdir_path)reader.SetFileNames(dicom_names)image2 = reader.Execute()# 2.将整合后的数据转为array，并获取dicom文件基本信息image_array = sitk.GetArrayFromImage(image2)  # z, y, x# 将数组中所有的数值都变为1image_array = np.ones_like(image_array)label = image_array * label_arrayorigin = image2.GetOrigin()  # x, y, zspacing = image2.GetSpacing()  # x, y, zdirection = image2.GetDirection()  # x, y, z# 3.将array转为img，并保存为.nii.gzimage3 = sitk.GetImageFromArray(label)image3.SetSpacing(spacing)image3.SetDirection(direction)image3.SetOrigin(origin)sitk.WriteImage(image3, os.path.join(savenii_path, ))dcms_root_dir_path = r"F:\300多的乳腺MR图像\良性\T2"
mask_dir_path = r"C:\Users\Administrator\Desktop\Breast\benign_label"
savenii_dir = r"C:\Users\Administrator\Desktop\Breast\lianxi"patients = os.listdir(dcms_root_dir_path)
mask_dir = os.listdir(mask_dir_path)
for mask_name in mask_dir:label_name = mask_name.split("-")[0]for i , p in enumerate(patients):name = p.split("-")[0]if name == label_name:dcms_path = os.path.join(dcms_root_dir_path, p)mask_path = os.path.join(mask_dir_path, mask_name)dcm2nii(dcms_path,mask_path, os.path.join(savenii_dir, f'{name}-T2label.nii'))print(f'正在处理第{i+1}个文件')print("finished")