[原创] 《深度学习与医学图像处理》【学习分享4】DICOM和Nifti医学影像格式读取和可视化

HonestQiao 2024-5-3 23:13 楼主

## 一、常用医学影像格式

医学检查后获取的数据需要进行保存，以便后续进行查阅和使用。检查的数据，通常是无法直接保存为图片数据的因为那样会丢失很多关键信息，因此需要保存为专用的医学影像格式。

在实际使用中，最为常用的医学影像格式为DICOM和Nifti。DICOM和NIfTI是两种在医疗影像领域广泛使用的图像数据格式，它们各自具有不同的特点和应用场景。

这两种格式的对比如下：

### DICOM格式
1 综合性：DICOM是一种国际标准，用于医疗影像的获取、存储、打印和传输。它不仅包含图像数据，还包含丰富的患者信息、检查信息和设备参数。
2 兼容性：DICOM格式的文件被广泛接受，几乎所有的医学影像设备和图像处理软件都支持DICOM格式。
3 结构性：DICOM文件由一系列二维图像组成，每个文件代表一个单独的切片，可以包含多个切片，形成一系列图像。
4 信息存储：DICOM文件中存储了大量的元数据，包括患者信息、检查参数、图像的像素数据等。

## NIfTI格式
1. 专用性：NIfTI格式最初是为神经影像学设计的，它特别适合存储三维或四维的大脑成像数据。
2. 简洁性：NIfTI格式通常使用单一文件存储图像数据和相关的元数据，这使得文件管理更为简便。
3. 扩展性：NIfTI格式支持扩展名为.nii的单一文件或.img/.hdr的两个文件，后者保持了与ANALYZE格式的兼容性。
4. 分析友好：NIfTI格式在神经科学研究中非常流行，因为它方便了图像的分析和处理，尤其是在进行三维或更高维度的图像分析时。

### 对比
1. 存储方式：DICOM通常以多个二维切片存储，而NIfTI通常以单一的三维或四维数据集存储。
2. 信息丰富度：DICOM包含更丰富的患者信息和设备参数，而NIfTI则专注于图像数据本身，并附带必要的空间定位信息。
3. 使用场景：DICOM适用于临床医疗影像的存储和传输，而NIfTI更适合于科研领域，特别是在神经影像学分析中。
4. 软件支持：虽然两种格式都被广泛支持，但DICOM在医疗影像设备和医院信息系统中更为普遍，NIfTI则在科研软件和图像分析工具中更受青睐。

在Python中，通过合适的库，可以很好的提供对DICOM和Nifti影像格式数据的支持。

## 二、DICOM影像格式
在python中，安装pydicom，即可对该格式提供支持。
```
pip install pydicom
```
另外，还需要安装其他的库，以便提供后续学习的支持：
```
pip install numpy
pip install pillow
pip install pytest
```

安装该支持库后，默认会提供多种测试数据:

使用下面的代码即可调用：
```
import pydicom
from pydicom.data import get_testdata_files

# 获取Pydicom内置DICOM文件
filename = get_testdata_files('MR_small.dcm')

#读取DICOM文件
ds = pydicom.dcmread(filename[0])
print(ds)
```

为了实际学习，我下载了 Covid_Scans 的数据集，并拷贝其中的两个文件，用于测试：

参考上述代码，编写读取的程序：
```
import pydicom
from pydicom.data import get_testdata_files

# 读取下载的测试数据文件
ds = pydicom.dcmread('data/56364397.dcm')
# ds = pydicom.dcmread('data/56364823.dcm')
print(ds)
```
运行后，输出如下：

通过书本上的主要参数说明，可以了解数据字段的具体含义：

不过，光看这些数据，还是不太直观，如果能还原为图片进行呈现，就更合适了。
经过了解，使用如下的代码即可：
```
import numpy as np
from PIL import Image

new_image = ds.pixel_array.astype(float)
scaled_image = (np.maximum(new_image, 0) / new_image.max()) * 255.0

scaled_image = np.uint8(scaled_image)
final_image = Image.fromarray(scaled_image)

final_image.show()
```
上述代码中，将数据转换为np格式，然后用Pillow读取数据转换为最终的图像，进行呈现。

具体效果如下：

可以看到，这个文件是图像数据检测时候的相关信息。

再用另外一个数据，得到的图像如下：

这个就是实际的肺部检测数据对应的图像了。

## 三、Nifti影像格式
同样的，先安装几个库提供支持：
```
pip install nibabel
pip install opencv-python
pip install imageio
pip install matplotlib
```

nibabel是提供Nifti对应的.nii文件支持的库，也提供了测试数据集：

调用测试数据的代码如下：
```
import os
import nibabel as nib
from nibabel.testing import data_path

file_path = os.path.join(data_path, 'example4d.nii.gz')
img = nib.load(file_path)
```
nibabel.testing.data_path表示上述安装后对应的测试数据集目录。

为了实际学习，我下载了一个测试数据集，使用如下：

然后使用下面的代码读取：
```
import os
import nibabel as nib
from nibabel.testing import data_path

file_path = 'data/nifti/OBJECT_phantom_T2W_TSE_Tra_17_1.nii'
img = nib.load(file_path)
```

数据对应的具体信息，可以使用如下的方式读取：
```
#放射矩阵
affine = img.affine
print(affine)

# 元数据
header = img.header
print(header)

# 访问header元数据
print(header['sizeof_hdr'])

# 修改
# header['sizeof_hdr'] = 200

# 读取影像数据
data = img.get_fdata()
print(data.dtype, data.shape)
```
输出如下：

同样的，我也进行了学习，将其转换为对应的图片进行呈现，具体代码如下：
```
import cv2
import numpy as np

img_fdata=(data-data.min())/(data.max()-data.min())*255

#开始转换图像
(x,y,z) = img.shape
for i in range(z): #是z的图象序列
slice = img_fdata[:, :, i]#选择哪个方向的切片自己决定
# print(os.path.join(img_f_path, '{}.png'.format(i)))
# cv2.imwrite(os.path.join(img_f_path, '{}.png'.format(i)), slice)
cv2.imshow("Image", slice)
cv2.waitKey (0)
cv2.destroyAllWindows()
```
实际输入如下：

通过了解主要使用的医学图像影像格式，后面就能够对数据集进行实际的操作使用了，如关键信息和数据的提取，以及对数据进行二次加工。

回复评论（2）

沙发 Jacktang

CT成像就是这样的原理么

点赞 2024-5-5 07:35

板凳 HonestQiao

引用: Jacktang 发表于 2024-5-5 07:35 CT成像就是这样的原理么

这个不是原理。

是CT扫描后的数据，会采用这些方式保存。

点赞 2024-5-5 12:33

[原创] 《深度学习与医学图像处理》【学习分享4】DICOM和Nifti医学影像格式读取和可视化

回复评论 （2）

沙发 Jacktang

板凳 HonestQiao

回复评论（2）