└── README.md /README.md: -------------------------------------------------------------------------------- 1 | # Medical-image-processing- 2 | 处理各种格式医疗图像的代码 3 | 4 | 5 | 1. 介绍 6 | 7 | - 常见医疗图像格式: DICOM（医学数字成像和通信），NIFTI（神经影像信息技术），PAR / REC（飞利浦MRI扫描仪格式），ANALYZE（梅奥医学影像），NRRD（近原始光栅数据） ）和MNIC。 8 | 9 | - 需要安装的包: $Pydicom$ $SimpleITK$ $PIL$ $nibabel$ $nrrd$ 10 | 11 | ```text 12 | conda install pydicom --channel conda-forge 13 | ``` 14 | 15 | - 看医疗图像的软件： ITK SNAP, 3D slicer 16 | 17 | 2. DICOM图像处理 18 | 19 | Pydicom支持DICOM格式的读取：可以将dicom文件读入python结构，同时支持修改后的数据集可以再次写入DICOM格式文件。 20 | 21 | **读取Dicom文件并显示** 22 | 23 | ```python 24 | import pydicom 25 | import matplotlib.pyplot as plt 26 | ds = pydicom.dcmread(file) 27 | plt.figure(figsize=(10, 10)) 28 | plt.imshow(ds.pixel_array, cmap=plt.cm.bone) 29 | plt.show() 30 | ``` 31 | 32 | **完整CT预处理示例** 33 | 34 | 对于CT图像，通常以患者的一次拍摄为一个文件夹，文件夹下有一序列的dicom文件，每个文件称为一个切片（slice）。但是每个患者的情况不同，所以slice间的间距不同，并且可能slice的排序也不同，因此需要在训练数据前做预处理。 35 | 36 | CT扫描中的测量单位是Hounsfield单位（HU），默认情况下，从DICOM文件中获得的值是HU这个单位 37 | 38 | 这里展示利用**pydicom**对一个包含多个患者数据的文件夹处理的例子 39 | 40 | - 导入libraries，将所有患者列出来 41 | 42 | ```python 43 | import numpy as np # linear algebra 44 | import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv) 45 | import dicom 46 | import os 47 | import scipy.ndimage 48 | import matplotlib.pyplot as plt 49 | 50 | from skimage import measure, morphology 51 | from mpl_toolkits.mplot3d.art3d import Poly3DCollection 52 | 53 | # 包含所有患者目录的根目录 54 | INPUT_FOLDER = '../input/sample_images/' 55 | patients = os.listdir(INPUT_FOLDER) 56 | patients.sort() 57 | ``` 58 | 59 | - 扫描一个患者的目录，加载所有slice，按z方向排序，并获得切片厚度 60 | 61 | ```python 62 | def load_scan(path): 63 | slices = [dicom.read_file(path + '/' + s) for s in os.listdir(path)] 64 | slices.sort(key = lambda x: float(x.ImagePositionPatient[2])) 65 | try: 66 | slice_thickness = np.abs(slices[0].ImagePositionPatient[2] - slices[1].ImagePositionPatient[2]) 67 | except: 68 | slice_thickness = np.abs(slices[0].SliceLocation - slices[1].SliceLocation) 69 | for s in slices: 70 | s.SliceThickness = slice_thickness 71 | return slices 72 | ``` 73 | 74 | - 提取患者信息 75 | 76 | ```python 77 | def loadFileInformation(filename): 78 | information = {} 79 | ds = dicom.read_file(filename) 80 | information['PatientID'] = ds.PatientID 81 | information['PatientName'] = ds.PatientName 82 | information['PatientBirthDate'] = ds.PatientBirthDate 83 | information['PatientSex'] = ds.PatientSex 84 | information['StudyID'] = ds.StudyID 85 | information['StudyDate'] = ds.StudyDate 86 | information['StudyTime'] = ds.StudyTime 87 | information['InstitutionName'] = ds.InstitutionName 88 | information['Manufacturer'] = ds.Manufacturer 89 | information['NumberOfFrames'] = ds.NumberOfFrames 90 | return information 91 | ``` 92 | 93 | - 将HU值超出边界之外的像素置为0，再重新缩放 94 | 95 | ```python 96 | def get_pixels_hu(slices): 97 | image = np.stack([s.pixel_array for s in slices]) 98 | # 转换为int16，int16是ok的，因为所有的数值都应该 <32k 99 | image = image.astype(np.int16) 100 | # 设置边界外的元素为0 101 | image[image == -2000] = 0 102 | # 转换为HU单位 103 | for slice_number in range(len(slices)): 104 | intercept = slices[slice_number].RescaleIntercept 105 | slope = slices[slice_number].RescaleSlope 106 | if slope != 1: 107 | image[slice_number] = slope * image[slice_number].astype(np.float64) 108 | image[slice_number] = image[slice_number].astype(np.int16) 109 | image[slice_number] += np.int16(intercept) 110 | return np.array(image, dtype=np.int16) 111 | ``` 112 | 113 | - 查看一个患者的图像 114 | 115 | ```python 116 | first_patient = load_scan(INPUT_FOLDER + patients[0]) 117 | first_patient_pixels = get_pixels_hu(first_patient) 118 | plt.hist(first_patient_pixels.flatten(), bins=80, color='c') 119 | plt.xlabel("Hounsfield Units (HU)") 120 | plt.ylabel("Frequency") 121 | plt.show() 122 | # 显示一个中间位置的切片 123 | plt.imshow(first_patient_pixels[80], cmap=plt.cm.gray) 124 | plt.show() 125 | ``` 126 | 127 | - CT重新采样到[1 1 1]（由于不同的扫描，切片的距离可能不同） 128 | 129 | ```python 130 | def resample(image, scan, new_spacing=[1,1,1]): 131 | # Determine current pixel spacing 132 | spacing = np.array([scan[0].SliceThickness] + scan[0].PixelSpacing, dtype=np.float32) 133 | resize_factor = spacing / new_spacing 134 | new_real_shape = image.shape * resize_factor 135 | new_shape = np.round(new_real_shape) 136 | real_resize_factor = new_shape / image.shape 137 | new_spacing = spacing / real_resize_factor 138 | image = scipy.ndimage.interpolation.zoom(image, real_resize_factor, mode='nearest') 139 | return image, new_spacing 140 | pix_resampled, spacing = resample(first_patient_pixels, first_patient, [1,1,1]) 141 | print("Shape before resampling\t", first_patient_pixels.shape) 142 | print("Shape after resampling\t", pix_resampled.shape) 143 | ``` 144 | 145 | - 用matplotlib画3D图像 146 | 147 | ```python 148 | def plot_3d(image, threshold=-300): 149 | # Position the scan upright, 150 | # so the head of the patient would be at the top facing the camera 151 | p = image.transpose(2,1,0) 152 | verts, faces = measure.marching_cubes(p, threshold) 153 | fig = plt.figure(figsize=(10, 10)) 154 | ax = fig.add_subplot(111, projection='3d') 155 | # Fancy indexing: `verts[faces]` to generate a collection of triangles 156 | mesh = Poly3DCollection(verts[faces], alpha=0.70) 157 | face_color = [0.45, 0.45, 0.75] 158 | mesh.set_facecolor(face_color) 159 | ax.add_collection3d(mesh) 160 | ax.set_xlim(0, p.shape[0]) 161 | ax.set_ylim(0, p.shape[1]) 162 | ax.set_zlim(0, p.shape[2]) 163 | plt.show() 164 | 165 | ``` 166 | 167 | - 数据归一化，对关注的阈值段内的数据进行归一化操作 168 | 169 | ```python 170 | MIN_BOUND = -1000.0 171 | MAX_BOUND = 400.0 172 | def normalize(image): 173 | image = (image - MIN_BOUND) / (MAX_BOUND - MIN_BOUND) 174 | image[image>1] = 1. 175 | image[image<0] = 0. 176 | return image 177 | 178 | ``` 179 | 180 | - 将数据生成通用视频格式 181 | 182 | ```python 183 | def writeVideo(img_array): 184 | frame_num, width, height = img_array.shape 185 | filename_output = filename.split('.')[0] + '.avi' 186 | video = cv2.VideoWriter(filename_output, -1, 16, (width, height)) 187 | for img in img_array: 188 | video.write(img) 189 | video.release() 190 | 191 | ``` 192 | 193 | 利用**SimpleITK**处理DICOM文件 194 | 195 | ```python 196 | import SimpleITK as sitk 197 | import numpy as np 198 | #读取一个序列 199 | reader = sitk.ImageSeriesReader() 200 | dicom_names = reader.GetGDCMSeriesFileNames(case_path) 201 | reader.SetFileNames(dicom_names) 202 | image = reader.Execute() 203 | image_array = sitk.GetArrayFromImage(image) # z, y, x 切片数，宽，高 204 | origin = image.GetOrigin() # x, y, z 205 | spacing = image.GetSpacing() # x, y, z 206 | #归一化 207 | resample = sitk.ResampleImageFilter() 208 | resample.SetOutputDirection(image.GetDirection()) 209 | resample.SetOutputOrigin(image.GetOrigin()) 210 | newspacing = [1, 1, 1] 211 | resample.SetOutputSpacing(newspacing) 212 | newimage = resample.Execute(image) 213 | 214 | #读取单张图片 215 | image = sitk.ReadImage(slice_path) 216 | image_array = sitk.GetArrayFromImage(image) # z, y, x 217 | 218 | ``` 219 | 220 | 3. NIFTI图像处理 221 | 222 | 对于nii.gz格式文件，使用**SimpleITK** 223 | 224 | ```python 225 | import SimpleITK as sitk 226 | import skimage.io as io 227 | 228 | def read_img(path): 229 | img = sitk.ReadImage(path)# path = 'F:/my_data/t1ce.nii.gz' 230 | data = sitk.GetArrayFromImage(img)#channel_first 231 | sitk.WriteImage(data,'***.nii.gz')#保存nii文件 232 | return data 233 | 234 | ``` 235 | 236 | 使用**Nibabel** 237 | 238 | ```python 239 | import nibabel as nib 240 | import matplotlib.pyplot as plt 241 | 242 | def read_data(path): 243 | img=nib.load(path) 244 | img_array = img.get_data()#channel last,存放图像数据的矩阵 245 | affine_array = img.affine.copy()#get the affine array, 定义了图像数据在参考空间的位置 246 | img_head = img.header.copy(); #get image metadat, 图像的一些属性信息，采集设备名称，体素的大小，扫描层数 247 | #获取其他一些信息的方法 248 | img.shape # 获得维数信息 249 | img.get_data_dtype() # 获得数据类型 250 | img_head.get_data_dtype() #获得头信息的数据类型 251 | img_head.get_data_shape()# 获得维数信息 252 | img_head.get_zooms() #获得体素大小 253 | return img_array,affine_array,img_head 254 | 255 | def save_data(img_array,affine_array,img_head):#保存处理后的nii文件 256 | new_nii = nb.Nifti1Image(img_array,affine_array,img_head) 257 | nb.save(new_nii,'new_test.nii.gz') 258 | 259 | ``` 260 | 261 | 4. 处理PAR/REC 262 | 263 | 转为NIFTI 264 | 265 | ```python 266 | fns = glob(os.path.join(img_dir, '*.par'))#or .PAR 267 | for fn in fns: 268 | print(f'Converting image:{fn}') 269 | img = nib.load(fn) 270 | _, base, _ = split_filename(fn) 271 | out_fn = os.path.join(out_dir, base+'nii.gz') 272 | nifti=nib.Nifti1Image(img.dataobj,img.affine, header=img.header) 273 | nifti.set_data_dtype('> 296 | {u'dimension': 3, # 维度 297 | u'encoding': 'raw', # 编码方式 298 | u'endian': 'little', # 299 | u'keyvaluepairs': {}, 300 | u'kinds': ['domain', 'domain', 'domain'], # 三个维度的类型 301 | u'sizes': [30, 30, 30], #三个维度的大小 302 | u'space': 'left-posterior-superior', # 空间信息 303 | u'space directions': [['1', '0', '0'], ['0', '1', '0'], ['0', '0', '1']], 304 | u'space origin': ['0', '0', '0'], 305 | u'type': 'short'} 306 | 307 | 308 | ``` 309 | 310 | 7. MNIC格式处理 311 | 312 | 医疗图像 NetCDF 工具包 313 | 314 | 8. 格式转换 315 | 316 | **dicom 转换成 NIFTI** 317 | 318 | dicom2nii（https://www.nitrc.org/projects/dcm2nii/）是一个用来把 DICOM 转换为 NIFTI 的工具。nibabel 是一个读写 nifiti 文件的 python 库。如果你你想把 DICOM 转换成 NIFTI，可以使用自动转换的工具（例如，dcm2nii）。python2 下的库 dcmstack 可以将一系列的 DICOM 文件堆叠成多维数组。这些数组能够被写成 NIFTI 的文件，同时还加上一个可选的头部扩展，这个头文件包含原始 DICOM 文件的所有元数据。python3 提供了一个新的用来完成这个格式转换的库--dicom2nifti。我建议读者去查看一下 nipy 这个项目。 319 | 320 | **DICOM 到 MINC 的转换** 321 | 322 | 脑成像中心（BIC）的 MINC 团队开发了将 DICOM 转换为 MINC 格式的工具。这个工具是用 C 语言开发的，它在 GitHub 上的地址为：https://github.com/BIC-MNI/minc-tools/tree/master/conversion/dcm2mnc 323 | 324 | **NIfTI 或 ANALYZE 转换成 MINC** 325 | 326 | 脑成像中心（BIC）的 MINC 团队还开发了将 NIfTI 或 ANALYZE 转换成 MINC 格式图像的工具。这个程序叫做 nii2mnc。包括 nii2mnc 的很多格式转换工具在这里可以看到：https://github.com/BIC-MNI/minc-tools/tree/master/conversion。 327 | 328 | 参考： 329 | 330 | 处理医疗影像的python利器：PyDicomhttps://zhuanlan.zhihu.com/p/59413289 331 | 332 | https://www.jiqizhixin.com/articles/2017-07-31 333 | --------------------------------------------------------------------------------