NiBabel徹底入門！Pythonで医療画像処理を実践しよう

NiBabelとは

NiBabel（Neuroimaging in Python: NIFTI, ANALYZE, GIFTI, CIFTI, MINC, MGH/MGZ, ECAT, DICOM, BRIK/HEAD, AFNI, NRRD）は、神経画像データの読み込み・操作・書き込みを行うためのPythonパッケージです。主に以下のような医療画像フォーマットをサポートしています：

• NIfTI-1 (.nii, .nii.gz)
• ANALYZE (.hdr/.img)
• MGH/MGZ (.mgh, .mgz)
• その他多数

NiBabelは、Nipy（Neuroimaging in Python）プロジェクトの一部として開発されており、医療画像処理のための他のPythonツール（例：Nilearn、Dipy）と組み合わせて使用されることが多いです。

Google Colaboratoryでの環境構築

Google Colaboratory（略してColab）は、ブラウザ上でPythonコードを実行できるクラウドサービスです。GPUを無料で利用できる点や、環境構築が容易な点から、医療画像処理のような計算負荷の高いタスクに適しています。

Google Colabの主な特徴と利点は以下の通りです：

• 無料のGPU/TPUアクセス：深層学習や大規模データ処理などの計算負荷の高いタスクを、無料でGPUやTPUを使って高速に実行できます。
• 環境構築が不要：Pythonや多くの科学計算・機械学習ライブラリが事前にインストールされているため、すぐにコーディングを始められます。
• Jupyterノートブック互換：コードセルとテキストセルを組み合わせた形式で、コードの実行結果とドキュメントを一体化して管理できます。
• Google Driveとの連携：データの保存や共有が簡単に行えます。
• ウェブブラウザだけで利用可能：特別なソフトウェアのインストールが不要です。

まずは、ColabでNiBabelを使用するための環境を整えましょう。ライブラリのインポートから始めます。

# NiBabelのインストール
# ローカル環境で実行している方はライブラリをインストールしてください。
# !pip install nibabel matplotlib

# 必要なライブラリのインポート
import nibabel as nib
from nibabel import processing
import numpy as np
import matplotlib.pyplot as plt
import os

サンプルデータの取得

実際に医療画像を処理するために、サンプルデータを取得しましょう。ここでは、GitHubリポジトリから脳MRIのサンプルデータをダウンロードして使用します。

# GitHubからサンプルの脳MRIデータをダウンロード
!git clone https://github.com/corporate-m/TestBrain.git
print("サンプルデータのダウンロードが完了しました。")

# ダウンロードしたNIfTIファイルのパス
mri_file_path = '/content/TestBrain/T1_3D_MPRAGE.nii.gz'

Cloning into 'TestBrain'...
remote: Enumerating objects: 6, done.
remote: Counting objects: 100% (6/6), done.
remote: Compressing objects: 100% (4/4), done.
remote: Total 6 (delta 0), reused 0 (delta 0), pack-reused 0 (from 0)
Receiving objects: 100% (6/6), 11.00 MiB | 5.50 MiB/s, done.
サンプルデータのダウンロードが完了しました。

医療画像データの読み込みと基本情報の表示

NiBabelを使用して医療画像（NIfTIファイル）を読み込む際、まず最初に使うのが load 関数です。この関数は、NIfTIファイル（.niiや.nii.gzなど）を読み込み、画像データ本体と空間情報・メタデータを含む「画像オブジェクト」を生成します。

このオブジェクトから、画像データ本体（NumPy配列として取得可能）、アフィン変換行列（affine）、ヘッダー情報（header）など、医療画像解析に必要な情報を簡単に取り出すことができます。

load関数は、指定したパスのNIfTIファイルを読み込み、NiBabelの画像オブジェクト（例：Nifti1Image）を返します。このオブジェクトは、画像データ本体だけでなく、空間情報やメタデータも保持しているため、医療画像処理のさまざまな場面で活用できます。

affine属性は、画像のボクセル座標（配列のインデックス）を実空間（mm単位など）に変換するための4×4行列です。この行列により、画像データがどの位置・向き・スケールで空間上に配置されているかを正確に記述できます。

用途例

• 複数の画像を空間的に重ね合わせる（コアジストレーション）
• 実際の解剖学的位置と画像データを対応付ける

行列の構造

• 上3行3列：回転・スケーリング・シアー（変形）成分
• 最終列（上3行）：平行移動（オフセット）成分
• 最終行：常に [0, 0, 0, 1]

header属性は、画像データに付随するメタデータ（付加情報）を格納したオブジェクトです。NIfTI形式では、ヘッダーに画像の次元数、ボクセルサイズ、データ型、スキャン条件など多くの情報が含まれています。

主なフィールド例

• dim：画像の次元情報（例：3次元画像なら[3, x, y, z, ...]）
• pixdim：各次元のボクセルサイズ（mm単位）
• datatype：データ型（int16, float32など）

これらを利用することで、画像の読み込みから空間情報の取得、メタデータの参照まで一貫して行えます。affineとheaderの重要性は超入門編だけでは扱いきれないため、別の機会に解説を行う予定です。

# NIfTIファイルの読み込み
img = nib.load(mri_file_path)

# 画像オブジェクトの基本情報を表示
print(f"画像の形式: {img.get_filename()}")
print(f"画像の形状: {img.shape}")
print(f"データ型: {img.get_data_dtype()}")
print(f"アフィン変換行列:\n{img.affine}")
print(f"ヘッダー情報の概要:\n{img.header}")

画像の形式: /content/TestBrain/T1_3D_MPRAGE.nii.gz
画像の形状: (176, 256, 256)
データ型: int16
アフィン変換行列:
[[ 9.95444715e-01 -1.37224142e-02  9.43629071e-02 -9.98668747e+01]
 [ 1.15260696e-02  9.99650717e-01  2.37814859e-02 -8.72018280e+01]
 [-9.46564227e-02 -2.25854889e-02  9.95253801e-01 -1.34625244e+02]
 [ 0.00000000e+00  0.00000000e+00  0.00000000e+00  1.00000000e+00]]
ヘッダー情報の概要:
 object, endian='<'
sizeof_hdr      : 348
data_type       : np.bytes_(b'')
db_name         : np.bytes_(b'')
extents         : 0
session_error   : 0
regular         : np.bytes_(b'r')
dim_info        : 54
dim             : [  3 176 256 256   1   1   1   1]
intent_p1       : 0.0
intent_p2       : 0.0
intent_p3       : 0.0
intent_code     : none
datatype        : int16
bitpix          : 16
slice_start     : 0
pixdim          : [1.  1.  1.  1.  1.8 0.  0.  0. ]
vox_offset      : 0.0
scl_slope       : nan
scl_inter       : nan
slice_end       : 0
slice_code      : unknown
xyzt_units      : 10
cal_max         : 0.0
cal_min         : 0.0
slice_duration   : 0.0
toffset         : 0.0
glmax           : 0
glmin           : 0
descrip         : np.bytes_(b'TE=2.1;Time=122833.990;phase=1')
aux_file        : np.bytes_(b'')
qform_code      : scanner
sform_code      : scanner
quatern_b       : -0.0116057545
quatern_c       : 0.047311917
quatern_d       : 0.0063197464
qoffset_x       : -99.866875
qoffset_y       : -87.20183
qoffset_z       : -134.62524
srow_x          : [ 9.9544472e-01 -1.3722414e-02  9.4362907e-02 -9.9866875e+01]
srow_y          : [ 1.1526070e-02  9.9965072e-01  2.3781486e-02 -8.7201828e+01]
srow_z          : [-9.4656423e-02 -2.2585489e-02  9.9525380e-01 -1.3462524e+02]
intent_name     : np.bytes_(b'')
magic           : np.bytes_(b'n+1')

よく使われる便利な関数: as_closest_canonical と squeeze_image

医療画像処理では、画像の向きを標準化したり、不要な次元を削除したりすることがよくあります。NiBabelには、これらの操作を簡単に行うための便利な関数が用意されています。

as_closest_canonical関数は画像データを「標準的な」向き（RAS: Right-Anterior-Superior）に変換し、squeeze_image関数はサイズが1の余分な次元を削除します。

画像データの取得と表示

NiBabelで読み込んだ画像データは、NumPy配列として取得できます。これにより、様々な数値処理や可視化が可能になります。NumPy配列にするにはget_fdata属性を用います。

# 画像データをNumPy配列として取得
data = img.get_fdata()
print(f"データの形状: {data.shape}")
print(f"最小値: {data.min()}, 最大値: {data.max()}, 平均値: {data.mean()}")

# 3次元データ（x, y, z）の中央のスライスを取得
x, y, z = data.shape
slice_x = data[x//2, :, :]  # 矢状断面（Sagittal）
slice_y = data[:, y//2, :]  # 冠状断面（Coronal）
slice_z = data[:, :, z//2]  # 軸位断面（Axial）

# Matplotlibを使用して3つの断面を同時に表示
plt.figure(figsize=(18, 6))

plt.subplot(131)
plt.imshow(slice_x.T, cmap='gray', origin='lower')
plt.title('Sagittal')

plt.subplot(132)
plt.imshow(slice_y.T, cmap='gray', origin='lower')
plt.title('Coronal')

plt.subplot(133)
plt.imshow(slice_z.T, cmap='gray', origin='lower')
plt.title('Axial')

plt.tight_layout()
plt.show()

conform関数の詳細

conform関数は、MRI画像を標準的な形状とボクセルサイズに変換するための強力なツールです。conform関数は、引数で細かく指定しない場合、デフォルトで1mm等方性ボクセルサイズの256×256×256の3D画像に変換します。これにより、異なるスキャナーや撮像シーケンスから取得した画像を均一な形式に揃えることができます。

conform(from_img, out_shape=(256, 256, 256), voxel_size=(1.0, 1.0, 1.0), order=3, cval=0.0, orientation='RAS', out_class=None)

主な引数：

• from_img：変換したい画像オブジェクト
• out_shape：出力画像の形状（デフォルト: (256, 256, 256)）
• voxel_size：出力画像のボクセルサイズ（mm単位）（デフォルト: (1.0, 1.0, 1.0)）
• order：スプライン補間の次数（デフォルト: 3）。0は最近傍補間、1は線形補間、3は3次スプライン補間（より滑らか）
• cval：境界外の値（デフォルト: 0.0）
• orientation：出力画像の向き（デフォルト: 'RAS'）

conform関数は、さまざまな引数を組み合わせることで、用途に応じた柔軟な画像変換が可能です。

import matplotlib.pyplot as plt

# 例1: デフォルト設定（1mm等方性・256x256x256・3次スプライン補間）
img_conformed_default = processing.conform(img, voxel_size=(1.0, 1.0, 1.0))
print(f"デフォルト変換後の形状: {img_conformed_default.shape}")

# 例2: 2mm等方性ボクセル・形状(128,128,128)・線形補間
img_conformed_2mm = processing.conform(
    img,
    out_shape=(128, 128, 128),
    voxel_size=(2.0, 2.0, 2.0),
    order=1  # 線形補間
)
print(f"2mm等方性・128x128x128変換後の形状: {img_conformed_2mm.shape}")

# 例3: 1mm等方性・256x256x256・最近傍補間・境界外値を-1000に設定
img_conformed_axial = processing.conform(
    img,
    out_shape=(256, 256, 256),
    voxel_size=(1.0, 1.0, 1.0),
    order=0,      # 最近傍補間
    cval=-1000.0  # 境界外値
)
print(f"最近傍補間・境界外値-1000変換後の形状: {img_conformed_axial.shape}")

# 画像の中央スライスを表示して変化を比較
def show_center_slice(img_obj, title):
    data = img_obj.get_fdata()
    center = tuple(s // 2 for s in data.shape)
    # 軸位断面（z軸中央スライス）を表示
    plt.imshow(data[:, :, center[2]].T, cmap='gray', origin='lower')
    plt.title(title)

plt.figure(figsize=(15, 4))

plt.subplot(1, 3, 1)
show_center_slice(img_conformed_default, "Default (1mm/256)")

plt.subplot(1, 3, 2)
show_center_slice(img_conformed_2mm, "2mm Isotropic (128)")

plt.subplot(1, 3, 3)
show_center_slice(img_conformed_axial, "Nearest/Boundary -1000")

plt.tight_layout()
plt.show()

NumPy配列からNiBabel形式への再変換と保存

画像データをNumPy配列として処理した後、再びNiBabel形式（Nifti1Image）に戻して保存することで、他のツールや解析パイプラインでも再利用できるようになります。ここでは、NumPy配列からNIfTIファイルとして保存する一連の流れと、保存時の各引数について詳しく解説します。

NumPy配列として取得 img.get_fdata()で画像データをNumPy配列として取得します。これにより、NumPyの各種演算や画像処理が自由に行えます。

NiBabel形式に再変換 nib.Nifti1Image(data, affine, header)の各引数は以下の通りです。

• data：保存したい画像データ（NumPy配列）。形状やデータ型はNIfTI仕様に準拠している必要があります。
• affine：4×4のアフィン変換行列。画像の空間的な位置や向きを定義します。通常は元画像のimg.affineをそのまま使います。
• header：NIfTIヘッダー情報。データ型やボクセルサイズ、スライス数などのメタデータを含みます。元画像のimg.headerを流用することで、空間情報や撮像条件を保持できます。

ファイルとして保存 nib.save(画像オブジェクト, ファイル名, overwrite=False)でNIfTIファイルとして保存します。

• 画像オブジェクト：Nifti1ImageなどNiBabelの画像クラスのインスタンス。
• ファイル名：保存先のファイル名。拡張子が.nii.gzの場合は自動的にgzip圧縮されます。.niiの場合は非圧縮で保存されます。
• overwrite（オプション）：既存ファイルがある場合に上書きするかどうかを指定します。デフォルトはFalseで、同名ファイルが存在するとエラーになります。上書きしたい場合はoverwrite=Trueを指定してください（NiBabel 5.1以降で利用可能）。

import nibabel as nib

# 1. 画像データをNumPy配列として取得
data = img.get_fdata()

# 2. NiBabel形式（Nifti1Image）に再変換
img_new = nib.Nifti1Image(data, img.affine, img.header)

# 3. ファイルとして保存
nib.save(img_new, 'output_image.nii.gz')
print("画像をoutput_image.nii.gzとして保存しました。")

画像をoutput_image.nii.gzとして保存しました。

まとめ

本記事では、NiBabelを用いた医療画像（特にMRIデータ）の基本的な取り扱い方法から、実践的な前処理・変換・保存までの一連の流れを解説しました。NiBabelは、PythonのNumPy配列と密接に連携できるため、画像データの数値処理や可視化、さらには機械学習や統計解析への応用も容易です。

特に、conform関数を活用することで、異なるスキャナーや撮像条件で取得された画像を統一フォーマットに揃え、解析の信頼性や再現性を高めることができます。また、NumPy配列として処理した画像を再びNIfTI形式で保存することで、他の解析ツールやワークフローとの連携もスムーズに行えます。

医療画像処理の現場では、データの標準化や再利用性がますます重要になっています。NiBabelを活用することで、効率的かつ柔軟な画像解析パイプラインを構築し、研究や臨床現場でのデータ活用の幅を広げていきましょう。

次のアクション

• NiBabelの公式ドキュメントやAPIリファレンスを参照し、より高度な機能や他フォーマットの取り扱いにも挑戦してみましょう。
• NilearnやDipyなど、NiBabelと連携可能な他のPythonライブラリも活用し、画像解析の自動化や可視化をさらに発展させてください。
• 本記事のサンプルコードを自身のデータセットに適用し、実際の研究や業務での活用を進めてみましょう。