别再到处找LiTS17数据集了！我整理了百度云链接和nii转PNG的保姆级代码

医学图像分割实战：LiTS17数据集获取与nii格式高效转换指南

医学图像处理入门者的数据困境与解决方案

刚接触医学图像分割的研究者和开发者们，常常在第一步就遭遇拦路虎——数据获取。LiTS17作为肝脏肿瘤分割领域的经典数据集，其学术价值毋庸置疑，但原始数据分散在不同平台，下载链接时常失效，甚至被某些网站重新打包收费。这种现状不仅浪费研究者时间，更可能打击学习积极性。

更棘手的是数据格式问题。医学影像常用的nii格式（Neuroimaging Informatics Technology Initiative）虽然能完整保存三维体数据和元信息，但直接用于深度学习模型训练存在诸多不便：

1. 内存占用大：单个体数据可能超过1GB，批量加载对硬件要求高
2. 预处理复杂：需要专门库处理，不如常见图像格式直观
3. 可视化困难：无法直接用普通图片查看器浏览

本文将提供一站式解决方案，包含：

• 稳定数据源：整理可用的LiTS17数据集下载链接
• 格式转换工具：完整Python代码实现nii到PNG的批量转换
• 实用技巧：数据清洗、标准化处理和常见问题排查

1. LiTS17数据集获取与验证

1.1 可靠数据源整理

经过多方验证，以下渠道可获取完整的LiTS17数据集：

提示：建议优先从学术机构官网获取基准测试集，确保数据完整性

1.2 数据完整性检查

下载完成后，请确认包含以下关键文件：

• volume-{id}.nii：CT扫描体数据
• segmentation-{id}.nii：专家标注的肝脏与肿瘤分割掩膜
• Info_README.pdf：数据采集参数说明

验证数据完整性的Python代码：

import os import nibabel as nib def validate_nii_files(directory): missing_files = [] for i in range(1, 131): vol_file = f"{directory}/volume-{i}.nii" seg_file = f"{directory}/segmentation-{i}.nii" if not os.path.exists(vol_file): missing_files.append(vol_file) if not os.path.exists(seg_file): missing_files.append(seg_file) # 验证文件可读性 try: if os.path.exists(vol_file): nib.load(vol_file) if os.path.exists(seg_file): nib.load(seg_file) except: print(f"损坏文件: {vol_file if 'vol' in locals() else seg_file}") return missing_files

2. nii格式深度解析与预处理

2.1 nii文件结构剖析

nii格式包含两大核心组件：

1. 头部信息（Header）

   • 维度信息（256×256×Z）
   • 体素尺寸（mm）
   • 数据类型（int16/float32等）
   • 空间坐标系定义

2. 体数据（Image Data）

   • 三维矩阵存储（Height×Width×Depth）
   • 可能包含第四个维度（时间/通道）

查看nii文件元信息的Python示例：

def inspect_nii_metadata(filepath): img = nib.load(filepath) header = img.header print("体素尺寸:", header.get_zooms()) print("数据形状:", img.shape) print("数据类型:", header.get_data_dtype()) print("空间方向矩阵:\n", img.affine)

2.2 医学图像的特殊性处理

CT数据需要特别注意：

• HU值转换：将原始CT值转换为Hounsfield单位
• 窗宽窗位：调整显示范围突出目标组织
• 各向异性：Z轴分辨率通常与XY平面不同

HU值转换公式：

HU = pixel_value × slope + intercept

典型组织HU值范围：

3. nii转PNG全流程实现

3.1 核心转换代码优化版

以下代码实现了：

• 自动创建目录结构
• 智能过滤无效切片
• 标准化处理
• 并行加速处理

import os import numpy as np import nibabel as nib import imageio from concurrent.futures import ThreadPoolExecutor from tqdm import tqdm class NiiToPngConverter: def __init__(self, input_dir, output_dir): self.input_dir = input_dir self.output_dir = output_dir self.counter = 0 def process_single_case(self, case_id): vol_path = os.path.join(self.input_dir, f"volume-{case_id}.nii") seg_path = os.path.join(self.input_dir, f"segmentation-{case_id}.nii") try: vol_data = nib.load(vol_path).get_fdata() seg_data = nib.load(seg_path).get_fdata() os.makedirs(os.path.join(self.output_dir, "volumes"), exist_ok=True) os.makedirs(os.path.join(self.output_dir, "segments"), exist_ok=True) for z in range(vol_data.shape[2]): self._process_slice(vol_data[:,:,z], seg_data[:,:,z], case_id, z) except Exception as e: print(f"处理case {case_id}出错: {str(e)}") def _process_slice(self, vol_slice, seg_slice, case_id, slice_idx): # 过滤空白切片 if np.max(seg_slice) == 0: return # 标准化处理 vol_slice = self._normalize(vol_slice) seg_slice = self._binarize(seg_slice) # 面积过滤 if np.mean(seg_slice) < 0.015: return # 保存图像 save_name = f"case{case_id}_slice{slice_idx}.png" imageio.imwrite(os.path.join(self.output_dir, "volumes", save_name), vol_slice) imageio.imwrite(os.path.join(self.output_dir, "segments", save_name), seg_slice) self.counter += 1 def _normalize(self, data): return ((data - np.min(data)) / (np.max(data) - np.min(data)) * 255).astype(np.uint8) def _binarize(self, data): return (data > 0).astype(np.uint8) * 255 def batch_convert(input_dir, output_dir, max_workers=4): converter = NiiToPngConverter(input_dir, output_dir) case_ids = [f.split("-")[1].split(".")[0] for f in os.listdir(input_dir) if "volume-" in f] with ThreadPoolExecutor(max_workers=max_workers) as executor: list(tqdm(executor.map(converter.process_single_case, case_ids), total=len(case_ids))) print(f"转换完成，共生成{converter.counter}张有效切片")

3.2 关键参数调优指南

1. 切片过滤阈值：

   • 肝脏占比阈值（默认1.5%）
   • 可根据实际数据分布调整

2. 标准化方法选择：

   • 全局归一化（本文采用）
   • 分case归一化
   • 基于HU值的窗宽窗位调整

3. 并行处理配置：

   • 内存充足时可增加线程数
   • 大文件建议使用ProcessPoolExecutor

4. 实战技巧与问题排查

4.1 常见错误解决方案

4.2 高级应用技巧

1. 数据增强策略：
   • 在3D空间进行弹性形变
   • 保持volume和segmentation同步变换

from scipy.ndimage import rotate, zoom def augment_3d_slice(vol_slice, seg_slice): # 随机旋转 angle = np.random.uniform(-15, 15) vol_rot = rotate(vol_slice, angle, reshape=False) seg_rot = rotate(seg_slice, angle, reshape=False) # 随机缩放 scale = np.random.uniform(0.9, 1.1) vol_scaled = zoom(vol_rot, scale) seg_scaled = zoom(seg_rot, scale) return vol_scaled, seg_scaled

2. 多类别处理：

   • 修改二值掩膜为多通道
   • 分别标记肝脏和肿瘤区域

3. DICOM兼容处理：

   • 使用pydicom库读取临床DICOM序列
   • 转换为nii格式统一处理流程