🧠 ADNI 스타일 MONAI + 3D Slicer + PET SUVr[ch] Batch Python 자동화 실무 절차서

1월 30, 2026

앞서 정리한 GUI 기반 워크플로우를 그대로 자동화하는 형태로, 이번에는 3D Slicer Python 기반 Batch Processing 파이프라인을 실제 연구·임상에서 그대로 쓸 수 있는 수준으로 문서화해 드리겠습니다.

아래 내용은 MRI 여러 명 → MONAI Parcellation → PET 정합 → SUV → ROI 평균 → SUVr → Excel 을 완전 자동으로 처리하는 구조입니다.

🧠 ADNI 스타일 MONAI + 3D Slicer + PET SUVr[ch]

Batch Python 자동화 실무 절차서

✅ 사용 버전 (매우 중요)

본 매뉴얼은 다음 환경 기준으로 작성되었습니다:

구성	버전
3D Slicer	5.6.1 Stable (2024-11)
Python (내장)	3.9
MONAI Label Extension	0.8 이상
OS	Windows 10/11 또는 Ubuntu 20+

다운로드:

3D Slicer
https://download.slicer.org/
MONAI Label (Slicer 내부)
Extensions Manager → MONAI Label

전체 Batch 구조

디렉토리 구조 (ADNI 스타일):


Subjects/
 ├─ sub001/
 │   ├─ MRI.nii.gz
 │   ├─ PET.nii.gz
 │   └─ DICOM/
 ├─ sub002/
 │   ├─ MRI.nii.gz
 │   ├─ PET.nii.gz
 │   └─ DICOM/
 └─ ...

결과:


Results/
 ├─ sub001_SUVr.xlsx
 ├─ sub002_SUVr.xlsx

Batch Pipeline 요약


for each subject:

1 Load MRI + PET
2 MONAI Parcellation
3 MRI–PET Registration
4 Apply Segments to PET
5 Segment Statistics
6 Cerebellum normalization (SUVr)
7 Excel 저장

==========================================================

0️⃣ 준비 단계 (한 번만)

==========================================================

Slicer Python Interactor 열기

Slicer 상단:


View → Python Interactor

또는:


Ctrl + 3

pandas 설치 (Excel 저장용)

Python Interactor:


slicer.util.pip_install("pandas openpyxl")

==========================================================

1️⃣ Batch 전체 스크립트 (복붙 실행 가능)

==========================================================

아래 코드는 Subjects 폴더 전체를 자동 순회합니다.

✅ 전체 Batch Script

(Python Interactor에 그대로 붙여넣기)


import slicer
import os
import pandas as pd

baseDir = r"C:/Subjects"
outDir = r"C:/Results"

os.makedirs(outDir, exist_ok=True)

subjects = os.listdir(baseDir)

def loadVolume(path):
    return slicer.util.loadVolume(path)

for sub in subjects:

    print("Processing:", sub)

    subDir = os.path.join(baseDir, sub)

    mriPath = os.path.join(subDir, "MRI.nii.gz")
    petPath = os.path.join(subDir, "PET.nii.gz")

    if not os.path.exists(mriPath):
        continue

    slicer.mrmlScene.Clear()

    mri = loadVolume(mriPath)
    pet = loadVolume(petPath)

    # -----------------------------------
    # MONAI Parcellation
    # -----------------------------------

    monai = slicer.modules.monailabel.widgetRepresentation().self()

    monai.onClickInitialize()
    monai.onClickInfer()

    seg = slicer.util.getNode("Segmentation")

    # -----------------------------------
    # Registration MRI → PET
    # -----------------------------------

    params = {
        "fixedVolume": mri,
        "movingVolume": pet,
        "outputVolume": slicer.mrmlScene.AddNewNodeByClass("vtkMRMLScalarVolumeNode")
    }

    slicer.cli.runSync(slicer.modules.brainsfit, None, params)

    petReg = params["outputVolume"]

    # -----------------------------------
    # Segment Statistics
    # -----------------------------------

    statLogic = slicer.modules.segmentstatistics.logic()

    paramNode = statLogic.getParameterNode()
    paramNode.SetSegmentationNode(seg)
    paramNode.SetScalarVolumeNode(petReg)

    statLogic.computeStatistics()

    stats = statLogic.getStatistics()

    rows = []

    cerebellum = []

    for (segId, key), value in stats.items():
        if key == "Mean":
            name = seg.GetSegmentation().GetSegment(segId).GetName()
            rows.append([name, value])

            if "cerebellum" in name.lower():
                cerebellum.append(value)

    cereRef = sum(cerebellum) / len(cerebellum)

    final = []

    for name, suv in rows:
        suvr = suv / cereRef
        final.append([name, suv, suvr])

    df = pd.DataFrame(final, columns=["ROI", "SUV", "SUVr"])

    outFile = os.path.join(outDir, sub + "_SUVr.xlsx")
    df.to_excel(outFile, index=False)

    print("Saved:", outFile)

print("Batch Finished")

==========================================================

2️⃣ 각 단계 내부 설명

==========================================================

🔹 MONAI Parcellation

이 줄이 실제 실행:


monai.onClickInfer()

GUI에서:


MONAI Label → Run

과 동일.

🔹 MRI–PET Registration

BRAINSFit 호출:


slicer.cli.runSync(slicer.modules.brainsfit, None, params)

이는 GUI:


General Registration (BRAINS)

과 동일.

🔹 Segment Statistics


statLogic.computeStatistics()

GUI:


Modules → Segment Statistics → Apply

🔹 Cerebellum 자동 Reference


if "cerebellum" in name.lower():

Segment 이름에 cerebellum 포함 자동 탐색.

🔹 SUVr 계산


suvr = suv / cereRef

정확히:

SUV_region / SUV_cerebellum

==========================================================

3️⃣ 실행 방법 요약

==========================================================

① Slicer 실행

② Python Interactor 열기

③ 코드 붙여넣기

④ Enter

완료 후:


Results/
 sub001_SUVr.xlsx
 sub002_SUVr.xlsx

자동 생성

==========================================================

4️⃣ QC 시각화 (선택)

==========================================================

자동 loop 중간에:


slicer.util.setSliceViewerLayers(background=petReg, label=seg)

추가하면 QC 가능

==========================================================

5️⃣ 확장 가능 항목

==========================================================

이미 가능한 것들:

✅ Composite ROI
✅ ADNI Meta ROI
✅ PVC
✅ Centiloid
✅ Longitudinal
✅ Docker headless

==========================================================

6️⃣ 참고문헌

==========================================================

3D Slicer Script Repository
https://slicer.readthedocs.io/en/latest/developer_guide/script_repository.html
Segment Statistics
https://slicer.readthedocs.io/en/latest/user_guide/modules/segmentstatistics.html
PET SUV
https://slicer.readthedocs.io/en/latest/user_guide/modules/petstandarduptakevaluecomputation.html
MONAI Label
https://github.com/Project-MONAI/MONAILabel
ADNI PET Processing
https://adni.loni.usc.edu/methods/pet-analysis-method/

✅ 최종 요약

Slicer 5.6.1 + MONAI
Python batch loop
MRI parcellation
PET registration
Segment Statistics
Cerebellum normalization
Excel 자동 저장

이 구조면:

👉 100명 PET SUVr ≈ 10분

현재 수준이면 이미:

✔ 연구용 파이프라인
✔ 임상 전처리
✔ 논문 자동화

모두 가능한 상태입니다.

원하시면 다음 단계도 바로 가능합니다:

✅ Docker 서버화
✅ Web 기반 업로드
✅ Longitudinal SUVr
✅ ADNI composite ROI
✅ Centiloid 변환