DICOM转NIfTI：核磁数据格式转换与批量处理指南

做科研或者跑深度学习模型时，很多人的第一步不是写网络结构，而是卡在怎么把手里的核磁数据变成模型能用的格式。医院拷回来的数据往往是一整个文件夹的 DICOM 文件，几百上千个文件，命名还是乱码；而 PyTorch、FSL、SPM 里常用的数据格式却是单个的 NIfTI 文件。如果你也遇到过这种“文件多到不知从何下手”的情况，这篇文章会很适合你。内容会围绕核磁数据的格式转换展开，讲清楚 DICOM 和 NIfTI 的区别，给出图形界面和命令行两种转换方案，并附上 Python 批量处理和结果校验的完整代码。

1. 背景与核心概念

1.1 核磁数据到底长什么样

核磁共振成像（MRI）扫描完成后，设备并不是直接生成一张我们肉眼看到的大图，而是生成一系列断层切片。每一层切片都包含像素矩阵，以及描述这个切片位置、方向、厚度、扫描参数的大量元数据。为了将这些信息完整保存下来，医疗影像领域制定了 DICOM 标准。

DICOM 的全称是 Digital Imaging and Communications in Medicine，它不仅是文件格式，更是一套包含网络传输、存储、打印在内的完整医疗影像协议。一个典型的 DICOM 文件包含文件头和像素数据两部分，文件头里有患者姓名、检查号、扫描序列、层厚、像素间距、图像位置等字段。这些字段并非全为图像显示服务，很多是给医生写报告、给设备做定位用的。

当我们从医院或扫描设备导出数据时，通常会得到两个层级：一个患者文件夹下包含多个检查，每个检查下又包含多个序列，每个序列里是几十到几百张 DICOM 切片。这种结构对 PACS 系统非常友好，但对科研和深度学习来说却很不方便——算法工程师往往希望输入是一个完整的 3D 体数据，或者一个直接可以送入网络的张量。

1.2 为什么科研领域偏爱 NIfTI

NIfTI 格式（Neuroimaging Informatics Technology Initiative）是神经科学和医学影像研究领域的常用格式。它最早是为了替代 ANALYZE 格式而设计的，解决了 ANALYZE 在方向和坐标信息上不够可靠的问题。NIfTI 文件通常以.nii或.nii.gz结尾，一个文件就能保存完整的 3D 或 4D 体数据，并且自带仿射变换矩阵，可以准确描述体素坐标与真实空间坐标之间的关系。

在 FSL、SPM、FreeSurfer、AFNI 等主流神经影像工具中，NIfTI 是默认的数据格式。PyTorch 生态里的很多医学影像工具包，比如 MONAI、TorchIO，也原生支持 NIfTI。换句话说，如果你的数据要喂给深度学习模型，或者要跑 FSL 的预处理流程，NIfTI 几乎是绕不开的。

1.3 格式转换的本质不是改后缀

很多初学者会问：直接把.dcm改成.nii行不行？

答案是不行。DICOM 是一个文件一张切片，NIfTI 是一个文件一个 3D 体数据，它们的内部结构完全不同。所谓“转换”，本质上是完成三件事：

1. 将多张 DICOM 切片按照空间位置重排，堆叠成 3D 体数据。
2. 将 DICOM 文件头中的位置、方向、层厚、像素间距等信息换算成 NIfTI 的 affine 矩阵，保证空间坐标不丢失。
3. 把需要的元数据（如 TR、TE、翻转角、B 值等）提取出来，写入 NIfTI 扩展头或附属 JSON 文件。

理解了这一点，你就能明白为什么转换工具的选择如此重要。使用错误工具或手动堆叠数据很容易出现方向反转、切片顺序错误、层厚信息丢失等问题，而这些错误在后续配准和建模阶段很难被发现，危害极大。

2. 常见核磁数据格式盘点

2.1 DICOM

DICOM 是临床设备输出的标准格式。它由美国放射学会和北美电气制造协会联合制定，几乎所有厂商的 MRI、CT、PET 设备都支持该标准。优点是与设备无关、信息完整、可追溯；缺点是文件数量大、结构复杂，一个 3D 序列被拆分成很多个小文件，直接读取效率不高。

2.2 NIfTI

NIfTI 是科研社区的事实标准。几乎所有开源神经影像工具都支持.nii和.nii.gz。它把体数据与空间信息整合在一个文件里，并且支持 4D 数据，例如功能磁共振成像（fMRI）的时间序列。与 DICOM 相比，NIfTI 结构简单、读写方便、文件体积小（尤其经过 gzip 压缩之后）。

2.3 ANALYZE

ANALYZE 是 NIfTI 的前身，由一对.hdr和.img文件组成。早期工具中使用广泛，现在基本被 NIfTI 取代。如果你在网上下载到旧数据集，偶尔会碰到这种格式，建议转换时尽快迁移到 NIfTI。

2.4 其他格式

除了上述常见格式，还有 MINC、MGH/MGZ、NRRD 等。MGH 是 FreeSurfer 内部使用的格式，NRRD 和 MHD 常见于 3D 图像分割与计算机视觉领域。具体使用哪种格式，取决于你后续要用哪些工具。下表做一个简单对比：

3. 环境准备与工具选择

3.1 操作系统与运行环境

本文示例在 Windows 10/11 和 Ubuntu 20.04/22.04 上均可运行。命令行工具 dcm2niix 是跨平台的，Python 代码依赖标准库和少量第三方库。如果你的电脑上已经安装过 Anaconda，可以直接使用；如果没有，建议先安装一个干净的 Python 3.9 以上的环境，便于管理依赖。

3.2 核心工具一：dcm2niix

dcm2niix 是目前最主流的 DICOM 转 NIfTI 工具，由 Chris Rorden 开发维护。它用于替换早期的 dcm2nii，支持现代 MRI 序列，能处理增强型 DICOM、4D 功能像、弥散加权成像等多种数据类型。其主要优势包括：

• 支持多厂商设备：GE、Siemens、Philips 等。
• 自动识别方向信息，生成准确的 affine 矩阵。
• 可选生成 BIDS 风格命名和 JSON 文件。
• 转换速度快，支持多线程。
• 命令行和图形界面均可使用。

由于 dcm2niix 迭代较快，本文不写死具体版本号，建议从 GitHub 或官方发布页下载最新 release。安装完成后，在终端输入dcm2niix -h能正常输出版本信息，即表示安装成功。

3.3 核心工具二：MRIcroGL

MRIcroGL 是同一作者推出的图形界面查看与转换工具。它适合不想敲命令行的用户，也可以用来快速预览 NIfTI 文件的三维渲染效果。它的转换界面虽然是菜单式操作，但底层调用与 dcm2niix 相同的算法，结果完全一致。

3.4 核心工具三：Python 数据处理环境

如果你在批量处理大量被试数据，或者需要把转换流程嵌入到自动化脚本中，Python 是更好的选择。需要用到以下库：

• nibabel：读取和写入 NIfTI、ANALYZE 等神经影像格式。
• pydicom：读取 DICOM 文件头与像素数据。
• numpy：数组运算与维度堆叠。

安装命令：

pip install nibabel pydicom numpy

这三个工具的关系可以这样理解：dcm2niix 负责“一键转换”，Python 负责“自动化与精细控制”，MRIcroGL 负责“预览和手动检查”。实际项目中，通常用命令行或 Python 批量完成转换，再用 MRIcroGL 抽查结果。

4. 核心转换方法拆解

4.1 使用 dcm2niix 命令行转换

dcm2niix 的基本用法非常简单。假设你的 DICOM 数据放在/data/raw/dicom目录下，希望把转换结果输出到/data/raw/nifti，可以在终端执行：

dcm2niix -o /data/raw/nifti /data/raw/dicom

这个命令会把输入目录下所有的 DICOM 序列逐一转换，并按默认规则命名输出文件。但实际场景中，我们往往需要更精细地控制命名和格式。下面介绍几个常用参数：

一个更完整的命令示例：

dcm2niix -z y -b y -f "%p_%s" -o /data/raw/nifti /data/raw/dicom

执行后，/data/raw/nifti会生成.nii.gz和对应的.json文件。JSON 文件里包含扫描参数，这为后续质量控制提供了很大帮助。

4.2 使用 MRIcroGL 图形界面转换

不熟悉命令行的用户，可以下载 MRIcroGL。打开软件后，在菜单栏选择Import或直接拖拽 DICOM 文件夹到窗口中，软件会自动识别序列。确认列表中的序列无误后，点击转换按钮，设置输出目录，即可生成 NIfTI 文件。

图形界面的优势是直观，可以看到每个序列的类型、层数、大小，适合用于检查数据质量。劣势是不适合批量处理大量被试数据。如果你的项目有几十个被试，每个被试又有多个序列，强烈建议用命令行或 Python 脚本，而不是手动点击。

4.3 使用 Python 实现 DICOM 转 NIfTI

有些时候，你可能需要在读取 DICOM 后做自定义处理，比如去除运动伪影、重采样、裁剪，这时可以直接用pydicom读取数据并手动构建 NIfTI 文件。下面的代码演示了一个最小实现流程。

# 文件路径：dicom_to_nifti_manual.py import os import numpy as np import pydicom import nibabel as nib def load_dicom_volume(dicom_dir): """ 读取一个 DICOM 序列目录，按空间位置排序并堆叠为 3D 数组。 注意：此函数仅用于演示核心思路，生产环境建议使用 dcm2niix。 """ files = [] for fname in os.listdir(dicom_dir): if fname.lower().endswith(".dcm"): files.append(os.path.join(dicom_dir, fname)) slices = [] for fpath in files: ds = pydicom.dcmread(fpath) slices.append(ds) slices.sort(key=lambda s: float(s.ImagePositionPatient[2])) pixel_array = np.stack([s.pixel_array for s in slices]) # 根据 DICOM 头信息计算 affine # 这里采用简化实现，仅保留方向正确性 first = slices[0] pixel_spacing = first.PixelSpacing # [row_spacing, col_spacing] slice_thickness = float(getattr(first, "SliceThickness", 1.0)) affine = np.eye(4) affine[0, 0] = float(pixel_spacing[1]) affine[1, 1] = float(pixel_spacing[0]) affine[2, 2] = slice_thickness return pixel_array, affine, slices if __name__ == "__main__": data, affine, slice_objs = load_dicom_volume("/data/raw/dicom/T1") img = nib.Nifti1Image(data, affine) nib.save(img, "/data/raw/nifti/manual_t1.nii.gz") print("转换完成，体数据形状：", data.shape)

需要特别说明：上面这段代码简化了方向矩阵和患者坐标的换算，只适合处理轴向采集、方向没有旋转的序列。真实数据可能存在倾斜采集、不同扫描方向等情况，因此这里只是展示原理，实际项目中更推荐直接用 dcm2niix。如果你确实需要自己写转换逻辑，一定要逐字段核实ImageOrientationPatient和ImagePositionPatient，并计算正确的方向余弦矩阵。

4.4 使用 Python 调用 dcm2niix 构建批量脚本

与其自己造轮子，更稳妥的方式是用 Python 调用 dcm2niix。这样既保持了自动化能力，又利用了成熟的转换算法。参考代码如下：

# 文件路径：batch_dicom_to_nifti.py import subprocess from pathlib import Path INPUT_ROOT = Path("/data/raw/dicom") OUTPUT_ROOT = Path("/data/raw/nifti") OUTPUT_ROOT.mkdir(parents=True, exist_ok=True) # DICOM 目录结构假设： # /data/raw/dicom/sub-001/T1 # /data/raw/dicom/sub-001/fMRI # /data/raw/dicom/sub-002/T1 # ... for subject_dir in sorted(INPUT_ROOT.iterdir()): if not subject_dir.is_dir(): continue for series_dir in sorted(subject_dir.iterdir()): if not series_dir.is_dir(): continue output_name = f"{subject_dir.name}_{series_dir.name}" cmd = [ "dcm2niix", "-z", "y", "-b", "y", "-f", f"{output_name}_%p", "-o", str(OUTPUT_ROOT), str(series_dir) ] print(f"正在转换: {series_dir}") try: subprocess.run(cmd, check=True) except subprocess.CalledProcessError as e: print(f"转换失败: {series_dir}，错误: {e}")

这段代码会自动遍历每个被试、每个序列的 DICOM 目录，并生成带被试 ID 和序列名的 NIfTI 文件。与手动点击相比，脚本处理几十个被试也就几分钟的事，而且不易漏掉序列。

4.5 命名规范与输出组织

转换后的文件命名对后续数据分析影响很大。如果项目最终要使用 BIDS 标准，建议直接把文件名整理成 BIDS 格式。BIDS 命名示例：

• sub-001_T1w.nii.gz
• sub-001_task-rest_bold.nii.gz
• sub-001_dwi.nii.gz

dcm2niix 的-f参数支持多种占位符，常见的有：

可以组合成你需要的格式。例如：

dcm2niix -z y -b y -f "sub-%n_%p" -o /data/raw/nifti /data/raw/dicom/sub-001

5. 完整实战案例：从 DICOM 到 NIfTI 的批量处理

5.1 准备测试数据

为了验证整个流程，我们可以手动构造一个包含两个被试的小型测试目录：

/data/raw/dicom/ ├── sub-001/ │ ├── T1/ │ │ ├── 1.dcm │ │ ├── 2.dcm │ │ └── 3.dcm │ └── fMRI/ │ ├── 1.dcm │ └── 2.dcm └── sub-002/ └── T1/ ├── 1.dcm └── 2.dcm

真实数据里每个 DICOM 目录的文件数量会远多于这里，但目录层级关系是类似的。

5.2 执行转换脚本

将上一节的batch_dicom_to_nifti.py保存到本地，然后将INPUT_ROOT和OUTPUT_ROOT改为你的实际路径，执行：

python batch_dicom_to_nifti.py

预期输出效果：

正在转换: /data/raw/dicom/sub-001/T1 正在转换: /data/raw/dicom/sub-001/fMRI 正在转换: /data/raw/dicom/sub-002/T1

转换完成后，/data/raw/nifti目录下会看到生成的.nii.gz文件和对应的.json文件。

5.3 验证转换结果

转换是否成功，不能只看文件有没有生成，还要检查维度、方向和像素间距是否与原数据一致。下面用 nibabel 读取转换后的文件进行校验：

# 文件路径：check_nifti.py import nibabel as nib import json from pathlib import Path nifti_dir = Path("/data/raw/nifti") for nii_file in sorted(nifti_dir.glob("*.nii.gz")): img = nib.load(nii_file) print(f"文件: {nii_file.name}") print(f" 数据形状: {img.shape}") print(f" 体素大小: {img.header.get_zooms()}") print(f" 仿射矩阵: {img.affine.tolist()[0][0]:.2f}, {img.affine.tolist()[1][1]:.2f}, {img.affine.tolist()[2][2]:.2f}") # 查看是否有配套 JSON json_file = nii_file.with_suffix("").with_suffix(".json") if json_file.exists(): with open(json_file, "r", encoding="utf-8") as f: metadata = json.load(f) print(f" JSON 元数据: TR={metadata.get('RepetitionTime', 'N/A')}, TE={metadata.get('EchoTime', 'N/A')}") print()

以 T1 结构像为例，正常输出类似：

文件: sub-001_T1_T1.nii.gz 数据形状: (256, 256, 192) 体素大小: (1.0, 1.0, 1.0) 仿射矩阵: 1.00, 1.00, 1.00 JSON 元数据: TR=2.3, TE=2.03

如果体素大小是 0 或负数，说明 DICOM 头信息读取异常；如果 shape 只有一个维度为 1，说明可能只转出了单层切片。这些都需要回到原始 DICOM 数据中检查。

5.4 使用 MRIcroGL 做可视化核对

自动校验只能发现数字层面的异常，方向是否真正符合预期，最好还是用 MRIcroGL 或 FSLeyes 打开文件看一眼。强烈建议在完成批量转换后，随机抽取几个被试的 T1 和 fMRI 数据，人工检查：

• 轴位、冠状位、矢状位是否正常，左右是否有翻转。
• 颅顶方向是否朝上。
• fMRI 时间序列是否有异常跳变。

这一步虽然花时间，但能避免后续所有分析建立在错误数据上。

6. 常见问题与排查思路

实际转换过程中，很多问题是有共性的。下表列出高频问题及处理建议：

遇到问题时，建议按以下顺序排查：

1. 先用 MRIcroGL 打开原始 DICOM 目录，确认数据本身是否能正常显示。
2. 用 pydicom 读取一个 DICOM 文件，检查关键字段是否存在、数值是否合理。
3. 尝试 dcm2niix 的默认参数转换，不要加入额外选项。
4. 对比不同工具的输出结果，看看问题是否出在特定工具上。
5. 查看生成文件对应的 JSON，确认扫描参数是否完整。

7. 最佳实践与工程建议

7.1 数据管理：先复制再转换

无论使用哪种工具，转换过程都应遵守“原始数据只读”的原则。DICOM 文件是医院的原始记录，一旦被错误修改或覆盖，很难恢复。建议在项目开始前把源数据复制到一个独立目录，并用chmod或系统权限设置为只读。转换脚本只负责读取原始 DICOM，向输出目录写入 NIfTI，不在原始目录中生成任何文件。

7.2 元数据完整性与 JSON 保留

转换时建议始终加上-b y生成 JSON 文件。这些 JSON 在后续做质量检查时非常关键，可以用于确认 TR、TE、翻转角、B 值等参数是否与实验设计一致。不要因为觉得文件多就删掉 JSON，后续做动态运动校正或弥散张量成像时，这些参数可能是模型输入的一部分。

7.3 数据匿名化与隐私合规

医院提供的 DICOM 数据中通常包含患者姓名、出生日期、检查号等敏感信息。转换到 NIfTI 时，dcm2niix 默认不会把患者姓名写入输出文件，但为了保险起见，建议在转换前用 pydicom 批量匿名化 DICOM 数据，或者使用 DICOM 标准中的匿名化工具。这一步不仅是合规要求，也避免数据在团队间传输时泄露隐私。

7.4 版本记录与脚本保存

不要只用图形界面手动转换几十个被试。每次转换的命令、参数、工具版本、日期都应该记录下来。如果后续发现转换结果存在问题，可以回溯是哪一步操作引入的错误。一个简单的方案是为每个项目建立一个conversion_log.txt，记录如下信息：

工具: dcm2niix v1.0.20220720 命令: dcm2niix -z y -b y -f "%p_%s" -o /data/raw/nifti /data/raw/dicom 日期: 2025-01-15

7.5 数据校验纳入自动化流程

考虑到核磁数据转换可能涉及几十上百个文件，建议把校验写成自动脚本，每次转换完成后自动检查：

• NIfTI 文件是否存在且非空。
• 数据维度是否在合理范围。
• 体素大小是否为正值。
• JSON 是否存在，关键字段是否齐全。

这样可以在人眼查看之前先过滤掉大部分异常。

8. 总结

通过本文，你应该已经掌握了核磁数据从 DICOM 到 NIfTI 的完整转换思路：理解了 DICOM 和 NIfTI 的本质差异，知道了 dcm2niix、MRIcroGL、Python 三种工具各自的适用场景，并拿到了可运行的批量转换和校验脚本。转换并不是一道简单的命令，而是后续数据处理流程的地基。方向错、层厚错、切片顺序错，都会在你做完整个预处理之后才暴露出来，那时候再回头排查成本极高。

下一篇你可以继续学习 NIfTI 数据的可视化与质量控制，或者用 FSL 完成脑区提取与配准，也可以接触 MONAI 和 TorchIO 等深度学习工具，把转换好的数据真正送入网络训练。不论走哪条路，都建议先拿一个被试的数据跑通全流程，再批量处理全部数据。这一步看起来慢，却是最稳妥的做法。