本文给出一种自己用python和matlab处理小批量深度学习医学图像的步骤与思路；
首先本文用DenseNet+UNet的模型做脑组织分割，主要分割对象包括脑脊液、脑白质、脑灰质和背景，一共四类，训练完成进行测试，生成.bin二进制文件；
然后要对这个二进制文件进行处理：
import nibabel as nib import matplotlib as ptl import os import numpy as np import struct if __name__=='__main__': img="E:/BrainSegData/IBSR18/IBSR_01/IBSR_01_label.nii.gz" nii = nib.load(img) nii1 = nii.get_fdata()#我的数据是float64类型 nii2 = np.squeeze(nii1)#删除多余的维度 #上述代码目的是为了在IPython console查看原图像的尺寸，这里是256*128*256 #下述代码进行二进制文件的处理 RESpath='C:/Users/ending/Desktop/DL/result_image.bin' RESbinfile = open(RESpath, 'rb') RESpic = np.zeros((((256,128,256,4)))) #十分耗时的矩阵划分 for classes in range(4): for z in range(256): for y in range(128): for x in range(256): data = RESbinfile.read(4) elem= struct.unpack("f",data)[0] RESpic[x][y][z][classes]=elem RESimg=np.split(RESpic,4,axis=3)#对这个4维数组在第四维划分出4个矩阵 REStest=RESimg[0]#项目信息在该通道上，建议结合自己的需求再决定要哪个通道的信息 REStest1=np.squeeze(REStest) #矩阵由(256,128,256,1)变化到->(256,128,256) #nii的Header复制 affine = nii.affine.copy() hdr = nii.header.copy() #输出nii newnii=nib.Nifti1Image(REStest1,affine,hdr) nib.save(newnii,'C:/Users/ending/Desktop/DL/REStest1.nii.gz')分割结果如下图所示，白质灰质都出来，但是脑脊液并不如原图像的明显： 原图像显示结果：
分析：有可能处理方式不正确，导致脑脊液信息丢掉，但是查看矩阵里的元素时发现是存在1的，那就有可能是显示方式不对，后续再试试调整到0～3的归一化范围再查看一下。 时发现是存在1的，那就有可能是显示方式不对，后续再试试调整到0～3的归一化范围再查看一下。（updated：2019/11/4）
Matlab读取.bin文件要简单很多，这里给出代码与思路： fip=fopen(‘xxx.bin’); [data,count]=fread(fip,‘float’);%结合需求决定数据类型，不同的数据类型结果也不同 %此时所有数据都存在了data里 img=reshape(data,256,128,256);%按照需求划分矩阵形状 %取某一张切片： img142=img(:,:,142); %以pcolor函数绘制三维显示： xx=linspace(1:1:256); yy=linspace(1:1:128); [xt yt] = meshgrid(xx,yy); xt=xt’; yt=yt’; h=pcolor(xt,yt,img142); 很可惜，从右边标注的范围看出，确实图片的值只有0 1 2而没有3；通过length(find(img==3))的查询矩阵结果看，与原图像相比，训练结果只有9个值是隶属于3的类别，而原图像结果有354k个，暂时未能好好解决这个训练结果有偏差的问题（updated:2019/11/7）
