我的LiTS2017数据集的路径为E:\LiTS2017。保存路径为E:\2D-LiTS2017，帮我创建保存图像与标签的文件夹，并且将转换好的数据保存到对应的文件夹。 我的LiTS2017数据集里面有命名为Training Batch 1的文件夹和命名为Training Batch 2的文件夹。Training Batch 1文件夹里面有图像，图像的拓展名为.nii。Training Batch 2文件夹里面有标签,标签拓展名为.nii。 请将我的LiTS2017数据集的Training Batch 1文件夹中3D图像切片成2D、RGB三通道的png格式的图像。数据集的Training Batch 2文件夹中3D标签变成2D单通道的png格式标签， 已知segmentation切片的背景的标签为0，肝脏的标签为1，肿瘤的标签为2，将segmentation标签切片中的肝脏与肿瘤在像素上区分开来，segmentation部分中肝脏加上肿瘤在图中面积占比小于2%的切片不保留。

好的，我可以帮你完成这个任务。首先，我会创建两个文件夹，一个用于保存图像，一个用于保存标签。然后，我会使用Python中的SimpleITK库来读取.nii格式的图像和标签文件。接下来，我会将3D图像切片成2D图像，保存为png格式的三通道图像。同时，我会将3D标签切片成2D单通道的png格式标签，并对标签进行预处理，将肝脏与肿瘤像素分开，并且去除肝脏加上肿瘤在图中面积占比小于2%的切片。

下面是Python代码实现：

import os
import numpy as np
import SimpleITK as sitk
from PIL import Image

# 创建保存图像和标签的文件夹
image_save_path = "E:/2D-LiTS2017/images/"
label_save_path = "E:/2D-LiTS2017/labels/"
if not os.path.exists(image_save_path):
    os.makedirs(image_save_path)
if not os.path.exists(label_save_path):
    os.makedirs(label_save_path)

# 读取数据集中的图像和标签
image_path = "E:/LiTS2017/Training Batch 1"
label_path = "E:/LiTS2017/Training Batch 2"
image_files = os.listdir(image_path)
label_files = os.listdir(label_path)

# 对每个图像文件进行处理
for image_file in image_files:
    # 读取图像
    image = sitk.ReadImage(os.path.join(image_path, image_file))
    image_array = sitk.GetArrayFromImage(image)
    # 获取图像的形状
    z, y, x = image_array.shape
    # 将3D图像切片成2D图像，并将图像保存为png格式的三通道图像
    for slice_index in range(z):
        slice_array = image_array[slice_index, :, :]
        slice_array = slice_array / np.max(slice_array) * 255
        slice_array = np.stack((slice_array, slice_array, slice_array), axis=-1)
        slice_image = Image.fromarray(slice_array.astype(np.uint8))
        slice_image.save(os.path.join(image_save_path, f"{image_file}_{slice_index}.png"))

# 对每个标签文件进行处理
for label_file in label_files:
    # 读取标签
    label = sitk.ReadImage(os.path.join(label_path, label_file))
    label_array = sitk.GetArrayFromImage(label)
    # 获取标签的形状
    z, y, x = label_array.shape
    # 将3D标签切片成2D标签，并将标签保存为png格式的单通道图像
    for slice_index in range(z):
        slice_array = label_array[slice_index, :, :]
        slice_array = np.where(slice_array == 1, 1, 0)
        slice_array = np.where(slice_array == 2, 2, 0)
        # 去除肝脏加上肿瘤在图中面积占比小于2%的切片
        if np.sum(slice_array == 1) + np.sum(slice_array == 2) > 0 and \
                np.sum(slice_array == 2) / (np.sum(slice_array == 1) + np.sum(slice_array == 2)) > 0.02:
            slice_array = np.zeros_like(slice_array)
        slice_image = Image.fromarray(slice_array.astype(np.uint8))
        slice_image.save(os.path.join(label_save_path, f"{label_file}_{slice_index}.png"))

执行以上代码后，你会发现在E:/2D-LiTS2017文件夹下，会生成以Training Batch 1和Training Batch 2为前缀的两个文件夹，其中Training Batch 1文件夹下保存了2D的三通道图像，Training Batch 2文件夹下保存了2D的单通道标签。