医学图像处理

一、DICOM介绍

DICOM（Digital Imaging and Communications in Medicine）即医学数字成像和通信，是医学图像和相关信息的国际标准（ISO 12052）。DICOM被广泛应用于放射医疗、心血管成像以及放射诊疗诊断设备（X射线，CT，核磁共振，超声等），并且在眼科和牙科等其它医学领域得到越来越深入广泛的应用。

二、医学影像的分类

经常处理的图像：X射线、CT。

三、Python下面支持处理DICOM图像的库

1、Pydicom

处理DICOM文件的纯Python软件包，可以用来提取和修改DICOM数据，修改后的数据还会生成新的DICOM文件。要求：预先安装Numpy模块，缺陷：1、无法处理压缩像素图像（JPEG），2、无法处理分帧动画图像。

import dicom
path_file = '*.dcm'
img = dicom.read_file(path_file)
print(img)

输出：对应于*.dcm图像的详细信息，即在*.dcm图像下面点击"A"---Show DICOM tags里面的所有信息。注意：img对应的是图像的矩阵信息

import dicom
filename = 'C:/Users/Administrator/Desktop/1/1.2.392.200036.9125.9.0.420414308.2512671076.1090921210.dcm'
information = {}
ds = dicom.read_file(filename)
information['PatientID'] = ds.PatientID
information['PatientName'] = ds.PatientName
information['PatientBirthDate'] = ds.PatientBirthDate
information['PatientSex'] = ds.PatientSex
information['StudyID'] = ds.StudyID
information['StudyDate'] = ds.StudyDate
information['StudyTime'] = ds.StudyTime
information['BitsStored'] = ds.BitsStored
information['RescaleSlope'] = ds.RescaleSlope
information['RescaleIntercept'] = ds.RescaleIntercept
information['BitsAllocated'] = ds.BitsAllocated
information['PixelRepresentation'] = ds.PixelRepresentation
# information['PixelData'] = ds.PixelData
print(information)

输出：

{'StudyTime': '101311.389', 'StudyDate': '20170913', 'RescaleSlope': '1', 'BitsAllocated': 16, 'PatientBirthDate': '19680304', 'PixelRepresentation': 0, 'StudyID': '1709130241', 'PatientName': '', 'BitsStored': 10, 'PatientID': 'p1709130235', 'PatientSex': 'M', 'RescaleIntercept': '0'}

数据位存储(BitsStored)、数据位分配(BitsAllocated)、数据符号类型(PixelRepresentation)、灰度偏移(RescaleIntercept) 和数据值（PixelData）本身的关系：

(1)、BitsAllocated：是给每个像素分配的字节数对应的位数，如单字节就是8，两字节就是16.......，把dicom数据读出来存到计算机内存最好就用相应的BitsAllocated数据类型，如BitsAllocated=16的时候，用short或者unsigned short类型

(2)、PixelRepresentation是数据的存储类型，0代表无符号存储，1代表有符号存储；

(3)、在dicom文件里，BitsStored是BitsAllocated中的有效存储位。如果PixelRepresentation=1（有符号存储），那么BitsStored的HighBit位为符号位，比如BitsStored=12并且HighBit=11的时候，表示有效存储位(BitsStored)中的最高位为符号位，此时数据表示范围为-2048(即2^11) ~ 2043(即2^11-1)；

(4)、RescaleIntercept用于得到输出灰度值，也就是每个像素的PixelData值加上RescaleIntercept得到的结果。如一张图像上一个像素点灰度为1024，偏移RescaleIntercept=-1024，那么该像素对应输出1024+（-1024）=0；

(5)、由(3)和(4)可知，图像存储的有符号或者无符号不能决定图像的输出灰度的正负，而是由RescaleIntercept与PixelData的相加的结果决定。比如无符号存储的图像，某一像素灰度为255，但是偏移RescaleIntercept=-1024，那么输出灰度=255-1024=-769；

(6)、由(3)和(4)可知图像的输出灰度的数据类型与分配的位宽不一定一致，比如BitsAllocated=8，最大表示灰度255， 如果偏移为-2048，那么输出灰度为1793，必须要用short类型才能保存。

方法一、根据dicom读取图像矩阵信息，并进行处理，显示处理后的结果：

import dicom

# 读取单张Dicom图像
dicom.read_file("*.dcm")
dcm.image = dcm.pixel_array * dcm.RescaleSlope + dcm.RescaleIntercept

# 获取图像中的像素数据
slices = []
slices.append(dcm)

# 复制Dicom图像中的像素数据
img = slices[int(len(slices)/2)].image.copy()
print(img.dtype)

输出：（注意图像的位数发生了变化）

float64

方法二、例如：使用SimpleITK读取.dicom图像查看图像位数

import SimpleITK as sitk
filename = '*.dcm'
itk_img = sitk.ReadImage(filename)
img_array = sitk.GetArrayFromImage(itk_img)[0]
print(img_array.dtype)

输出：

uint16

注意：此时的方法一与方法二处理之后的图像位数不一致。

2、SimpleITK

ITK是一个开源、跨平台的框架，提供给开发者增强功能的图像分析和处理套件（推荐使用）。

Note:注意SimpleITK不支持中文，即路径中不能有中文

X射线图像对应的读取

import SimpleITK as sitk
filename = '*.dcm'
itk_img = sitk.ReadImage(filename)
img_array = sitk.GetArrayFromImage(itk_img)
print(img_array.shape)

输出：（对应信息：frame_num, width, height）注意：img_array对应的是图像的矩阵信息

(1, 3328, 2560)

推荐用法：

import SimpleITK as sitk
filename = '*.dcm'
itk_img = sitk.ReadImage(filename)
img_array = sitk.GetArrayFromImage(itk_img)[0]
print(img_array.shape)

输出：

(3328, 2560)

CT图像的读取

import SimpleITK as sitk
filename = '*.mhd'
itk_img = sitk.ReadImage(filename)
img_array = sitk.GetArrayFromImage(itk_img)
print(img_array.shape)

输出：（对应信息：frame_num, width, height）帧参数：frame_num，代表CT扫描层数注意：img_array对应的是图像的矩阵信息

(133, 512, 512)

将CT影像拆分成多个单幅图像

方法一：

import SimpleITK as sitk
import cv2
filename = '*.mhd'
itk_img = sitk.ReadImage(filename)
img_array = sitk.GetArrayFromImage(itk_img)
frame_num, width, height = img_array.shape
outpath = 'F:/data/LUNA16'#存放拆分得到的图像路径
index = -1
for img_item in img_array:
    index = index + 1
    cv2.imwrite("%s/%d.png" % (outpath, index), img_item)
print("done!")

方法二：

import SimpleITK as sitk
import os
import cv2
filename = '*.mhd'
path = 'F:/data/LUNA16'   #存放拆分得到图像的路径
itk_img = sitk.ReadImage(filename)
img_array = sitk.GetArrayFromImage(itk_img)
for i, im in enumerate(img_array):
  cv2.imwrite(os.path.join(path, '{}.png'.format(i)), im)

如下图所示是CT影像拆分出来的部分图像。拆分得到的图像大小均为512*512，总数是：frame_num张。
3、PIL

支持多种格式（注意：不支持上面的.dcm和.mhd文件），并提供强大的图形与图像处理功能，而且API却非常简单易用。

from PIL import Image
filename = '*.jpg'
im = Image.open(filename)
print(im)
print(im.size)

输出：

(512, 512)

注意：这里输出的im是字符串，不同于上面的矩阵，查看图像的大小时，使用的是.size。

4、OpenCV一个图像处理很强大的库，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

范例：

im = cv2.imread('F:/data/chest.jpg', 0)
blur = cv2.GaussianBlur(im, (5, 5), 0)
ret, th = cv2.threshold(blur, 0, 255 , cv2.THRESH_BINARY+cv2.THRESH_OTSU)
plt.figure(num = 8, figsize=(20, 20))

'''
Step 1: 二值化
'''
binary = im < ret  #还可以直接打印矩阵th,对应的就是二值化后的图像，注意这里面使用的binary是布尔逻辑值。
ax = plt.subplot(331)
ax.axis('off')
ax.set_title('Step 1')
ax.imshow(binary, cmap=plt.cm.bone)

'''
Step 2: 清除边界（from skimage.segmentation import clear_border）
'''
cleared = clear_border(binary)
ax = plt.subplot(332)
ax.axis('off')
ax.set_title('Step 2')
ax.imshow(cleared, cmap=plt.cm.bone)

'''
Step 3: 膨胀操作.
'''
selem = disk(2)
cleared = dilation(cleared, selem)
ax = plt.subplot(333)
ax.axis('off')
ax.set_title('Step 3')
ax.imshow(cleared, cmap=plt.cm.bone)


'''
Step 4: 连通区域标记（from skimage.measure import label很好使用）.
'''
label_image = label(cleared)
ax = plt.subplot(334)
ax.axis('off')
ax.set_title('Step 4')
ax.imshow(label_image, cmap=plt.cm.bone)

'''
Step 5: 寻找最大的两个连通区域：肺区.
'''
areas = [r.area for r in regionprops(label_image)]
areas.sort()
if len(areas) > 2:
    for region in regionprops(label_image):
        if region.area < areas[-2]:
            for coordinates in region.coords:
                label_image[coordinates[0], coordinates[1]] = 0
binary = label_image > 0
ax = plt.subplot(335)
ax.axis('off')
ax.set_title('Step 5')
ax.imshow(binary, cmap=plt.cm.bone)

'''
Step 6: 腐蚀操作.
'''
selem = disk(2)
binary = binary_erosion(binary, selem)
ax = plt.subplot(336)
ax.axis('off')
ax.set_title('Step 6')
ax.imshow(binary, cmap=plt.cm.bone)

'''
Step 7: 闭合操作.
'''
selem = disk(10)
binary = binary_closing(binary, selem)
ax = plt.subplot(337)
ax.axis('off')
ax.set_title('Step 7')
ax.imshow(binary, cmap=plt.cm.bone)

'''
Step 8: 孔洞填充.
'''
edges = roberts(binary)
binary = ndi.binary_fill_holes(edges)
ax = plt.subplot(338)
ax.axis('off')
ax.set_title('Step 8')
ax.imshow(binary, cmap=plt.cm.bone)

'''
Step 9: 生成ROI区域.
'''
get_high_vals = binary == 0
im[get_high_vals] = 0
ax = plt.subplot(339)
ax.axis('off')
ax.set_title('Step 9')
ax.imshow(im, cmap=plt.cm.bone)
plt.show()

一个医学图像寻找ROI区域的流程依次是：二值化、清除边界、连通区域标记、腐蚀操作、闭合运算、孔洞填充，网上下载一个X光胸片图如图1所示

 

 

 

                                           图1 X胸片的原图

进行肺分割的效果图2所示：

                                                                                  图2 肺分割单步效果图

这个函数有一点不好，就是当肺区与外边界来链接较紧的时候，容易被clear_border掉，这样肺区就提取不出来了。