`nibabel` 是 Python 中用于读取、写入和操作神经影像数据（如 MRI、fMRI、DWI 等）的核心库

nibabel是 Python 中用于读取、写入和操作神经影像数据如 MRI、fMRI、DWI 等的核心库支持多种格式如 NIfTI.nii/.nii.gz、ANALYZE、DICOM、MINC、PAR/REC 等。它不进行图像处理或统计建模而是专注于安全、标准兼容地访问影像元数据与体素数据。✅ 常用功能包括读取影像nib.load(image.nii.gz)→ 返回Nifti1Image对象获取数据img.get_fdata()推荐自动处理数据类型与仿射变换或img.dataobj[:]原始数组获取仿射矩阵img.affine4×4 空间坐标映射矩阵定义体素到世界坐标的线性变换获取头信息img.header包含 TR、TE、维度、数据类型等 BIDS 兼容元数据写入新影像nib.save(new_img, output.nii.gz)需确保affine和header与数据匹配⚠️ 注意事项get_fdata()默认返回float64可传参dtypefloat32节省内存修改体素数据后务必保留原affine和合理header否则会导致配准/可视化错位处理.nii.gz文件无需解压nibabel 自动流式解压读取与numpy深度集成返回数组支持索引、广播、masking 等操作 示例代码读取、查看、保存importnibabelasnibimportnumpyasnp# 读取imgnib.load(sub-01_task-rest_bold.nii.gz)dataimg.get_fdata(dtypenp.float32)# shape: (x,y,z,t)print(fShape:{data.shape}, Affine:\n{img.affine})# 创建新影像例如提取第0个时间点new_imgnib.Nifti1Image(data[...,0],affineimg.affine,headerimg.header)nib.save(new_img,first_volume.nii.gz)要使用nibabel提取 NIfTI 图像中对应于特定 MNI 空间坐标如 x, y, z的体素值核心步骤是✅将 MNI 坐标世界坐标单位mm通过影像的affine逆变换映射回体素索引i, j, k再用 NumPy 索引提取值。⚠️ 注意MNI 坐标通常为 RASRight-Anterior-Superior方向而nibabel的affine默认即为此约定只要头文件标准可直接使用。✅ 正确操作流程含代码示例importnibabelasnibimportnumpyasnp# 1. 加载图像imgnib.load(sub-01_T1w.nii.gz)dataimg.get_fdata()# shape: (x, y, z) 或 (x, y, z, t)affineimg.affine# 4x4 变换矩阵voxel → world (RAS mm)# 2. 定义目标 MNI 坐标RAS单位 mmmni_coordnp.array([48.0,-12.0,-24.0,1.0])# [x, y, z, 1] 齐次坐标# 3. 计算体素坐标非整数可能含小数voxel_coordnp.linalg.inv(affine) mni_coord# world → voxeli,j,kvoxel_coord[:3]# 得到浮点体素索引 (i,j,k)# 4. 插值提取推荐双线性/三线性插值更准确fromscipy.ndimageimportmap_coordinates# 注意map_coordinates 默认按 (z,y,x) 顺序即 Fortran order而 nibabel 数据是 (x,y,z) → 需转置轴或重排坐标# 更稳妥方式使用 nibabel 自带的 voxel-to-world 工具 scipy 插值按数据实际排列# 方案A直接用 map_coordinates要求输入坐标顺序与 data.shape 一致# data.shape (x, y, z)则坐标顺序应为 (i, j, k) → 对应 axis(0,1,2)coordsnp.array([[i],[j],[k]])# shape (3, 1)valuemap_coordinates(data,coords,order1,modeconstant,cval0.0)[0]# 方案B四舍五入取最近邻仅适用于粗略定位不推荐用于定量i_nn,j_nn,k_nnnp.round([i,j,k]).astype(int)# 检查是否越界if(0i_nndata.shape[0]and0j_nndata.shape[1]and0k_nndata.shape[2]):value_nndata[i_nn,j_nn,k_nn]else:value_nnnp.nanprint(fMNI{mni_coord[:3]}→ voxel ({i:.2f},{j:.2f},{k:.2f}) → interpolated value:{value:.3f}) 关键说明affine是voxel → world的变换即world affine [i,j,k,1]因此反变换inv(affine)将 MNI 坐标转为体素坐标。体素坐标通常是浮点数直接取整会丢失精度建议使用scipy.ndimage.map_coordinates进行三线性插值order1。坐标顺序必须与data.shape严格一致若data.shape (X,Y,Z)则map_coordinates(data, [[i],[j],[k]], ...)中i对应 X左右、j对应 Y前后、k对应 Z上下——这与 RAS 定义一致。若图像来自标准模板如 MNI152且affine正确可通过nib.aff2axcodes(img.affine)检查是否为(R, A, S)则 MNI 坐标可直接使用。 扩展提示若需批量提取多个坐标可将coords构造为(3, N)数组传入map_coordinates实现向量化。可结合nilearn的plotting.find_xyz_cut_coords或masking.apply_mask实现 ROI 水平提取。对于标签图如 AAL、Harvard-Oxford可用nibabel读取后直接data[i,j,k]获取整数标签 ID。