用Python进行深度学习时为何将DICOM(.dcm)数据转化为NIFTI（.nii）数据

1、预先知识（医疗数据的组成）

$$医疗数据的组成=\{\begin{array}{l}元数据：神秘的数据，可以是病人的ID和名字等\\ 光度解释：若是黑白照片则是0-255的灰度值，若是彩色照片则是RGB为0-255\\ 像素数据：不同类型的数据，即int或者float型\\ 像素深度：黑白照片深度就是一层，彩色照片深度就是三层\end{array}$$

所以，图像的大小=头部文件（包含元数据）+行✖列✖深度✖帧数（时间）所保存的数据

2、医疗图像的格式

$$医疗图像的格式=\{\begin{array}{l}1、DICOM(.dcm)是Digital-Imaging-and-Communications-in-Medical\\ 即医学数字图像与通信英文首字母的缩写，是当今很流行的一种医学图像保存格式\\ 2、NIFTI(.nii)是Neuroimaging-Informatics-Technology-Initiative\\ 即神经影像学信息技术计划\\ 3、其他数据类型：不重要，不需要考虑\dots \dots \end{array}$$

3、为什么用Python进行深度学习时为将DICOM(.dcm)数据转化为NIFTI（.nii）数据

1. 原因一：在python中，有一个库即nibabel专门用于处理.nii的文件，因此当数据格式为.nii时简化代码。
2. 原因二：NIFTI的文件是三维的图像，而DICOM的文件为二维的多张图像，所以相对于DICOM文件，NIFTI文件更加易用于机器学习，训练的张数减少。

专业词汇翻译（自用）：医疗数据的组成（Medical-Image-Components）
元数据（Metadata）
光度解释（Photometric Interpretation）
像素数据（Pixel Data）
像素深度（Pixel Depth）