如何应用Python处理医学影像学中的DICOM信息

大傻子的文渊阁 2020-02-20

展开全文

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）。它定义了质量能满足临床需要的可用于数据交换的医学图像格式，可用于处理、存储、打印和传输医学影像信息。DICOM可以便捷地交换于两个满足DICOM格式协议的工作站之间。目前该协议标准不仅广泛应用于大型医院，而且已成为小型诊所和牙科诊所医生办公室的标准影像阅读格式。

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。在数以万计的在用医学成像设备中，DICOM是部署最为广泛的医疗信息标准之一。当前大约有百亿级符合DICOM标准的医学图像用于临床使用。

目前，越来越多的DICOM应用程序和分析软件被运用于临床医学，促使越来越多的编程语言开发出支持DICOM API的框架。今天就让我来介绍一下Python语言下支持的DICOM模块，以及如何完成基本DICOM信息分析和处理的编程方法。

[Pydicom]

Pydicom是一个处理DICOM文件的纯Python软件包。它可以通过非常容易的“Pythonic”的方式来提取和修改DICOM数据，修改后的数据还会借此生成新的DICOM文件。作为一个纯Python包，Pydicom可以在Python解释器下任何平台运行，除了必须预先安装Numpy模块外，几乎无需其它任何配置要求。其局限性之一是无法处理压缩像素图像（如JPEG），其次是无法处理分帧动画图像（如造影电影）。

[SimpleITK]

Insight Segmentation and Registration Toolkit (ITK)是一个开源、跨平台的框架，可以提供给开发者增强功能的图像分析和处理套件。其中最为著名的就是SimpleITK，是一个简化版的、构建于ITK最顶层的模块。SimpleITK旨在易化图像处理流程和方法。

[PIL]

Python Image Library (PIL) 是在Python环境下不可缺少的图像处理模块，支持多种格式，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。

[OpenCV]

OpenCV的全称是：Open Source Computer Vision Library。OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，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。

下面就让我以实际Python代码来演示如何编程处理心血管冠脉造影DICOM图像信息。

1. 导入主要框架：SimpleITK、pydicom、PIL、cv2和numpy

import SimpleITK as sitk
from PIL import Image
import dicom
import numpy as np
import cv2

2. 应用SimpleITK框架来读取DICOM文件的矩阵信息。如果DICOM图像是三维螺旋CT图像，则帧参数则代表CT扫描层数；而如果是造影动态电影图像，则帧参数就是15帧/秒的电影图像帧数。

def loadFile(filename):
    ds = sitk.ReadImage(filename)
    img_array = sitk.GetArrayFromImage(ds)
    frame_num, width, height = img_array.shape
    return img_array, frame_num, width, height

3. 应用pydicom来提取患者信息。

def loadFileInformation(filename):
    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['InstitutionName'] = ds.InstitutionName
    information['Manufacturer'] = ds.Manufacturer
    information['NumberOfFrames'] = ds.NumberOfFrames    
    return information

4. 应用PIL来检查图像是否被提取。

def showImage(img_array, frame_num = 0):
    img_bitmap = Image.fromarray(img_array[frame_num])
    return img_bitmap

5. 采用CLAHE (Contrast Limited Adaptive Histogram Equalization)技术来优化图像。

def limitedEqualize(img_array, limit = 4.0):
   img_array_list = []
   for img in img_array:
       clahe = cv2.createCLAHE(clipLimit = limit, tileGridSize = (8,8))
       img_array_list.append(clahe.apply(img))
   img_array_limited_equalized = np.array(img_array_list)
   return img_array_limited_equalized

这一步对于整个图像处理起到很重要的作用，可以根据不同的原始DICOM图像的窗位和窗宽来进行动态调整，以达到最佳的识别效果。
原始图像：

经过自动窗位窗宽调节，生成：

最后应用OpenCV的Python框架cv2把每帧图像组合在一起，生成通用视频格式。

def writeVideo(img_array):
    frame_num, width, height = img_array.shape
    filename_output = filename.split('.')[0] + '.avi'    
    video = cv2.VideoWriter(filename_output, -1, 16, (width, height))    
    for img in img_array:
        video.write(img)
    video.release()