1.Hounsfield单位
      不同密度的组织具有不同的衰减系数，CT诊断中为了对不同组织进行区分，将不同密度的各种组织用不同的CT值表示，称为Hounsfield单位(Hu)。
      以水为0，空气为-1 000，致密骨为+1 000，这样CT将测得的信号高度精确地数字化，具有了很高的空间和密度分辨力。

      CT扫描图是包含了所有组织的，如果直接去看，看不到任何有用信息。需要做一些预处理,预处理中一个重要的概念是放射剂量，衡量单位为HU(Hounsfield Unit)。
Hounsfield Unit = pixel_value * rescale_slope + rescale_intercept
      一般情况rescale slope = 1, intercept = -1024。

上表中肺部组织的HU数值为-500,但通常是大于这个值，比如-320、-400。挑选出这些区域，然后做其他变换抽取出肺部像素点。
2.Python实例分割路径和文件名
import os.path

常用函数有三种:分隔路径,找出文件名.找出盘符(windows系统),找出文件的扩展名.

根据你机器的实际情况修改下面参数.

spath = " D:/download/repository.7z "

case 1:

p,f = os.path.split(spath);
print ( " dir is: " + p)
print ( " file is: " + f)

case 2:

drv,left = os.path.splitdrive(spath);
print ( " driver is: " + drv)
print ( " left is: " + left)

case 3:

f,ext = os.path.splitext(spath);
print ( " f is: " + f)
print ( " ext is: " + ext)
‘’’
知识点: 这三个函数都返回二元组.
* case1 分隔目录和文件名
* case2 分隔盘符和文件名
* case3 分隔文件和扩展名
‘’’

在医学图像上经常使用的一个库-SimpleITK，很多处理都只懂个大概或者只会简单的读取，保存图像，这里对常用的一些操作进行总结：
import  SimpleITK as sitk 1、sitk.Cast(sitk.ReadImage(),sitk.sitkFloat32) 图像转换数据类型
2、sitk.ReadImage(图像路径）读取图像，如.mhd .nii .nrrd等
3、sitk.WriteImage(image,图像路径）保存图像
4、sitk.GetArrayFromImage(sitk.ReadImage
5、sitk.GetImageFromArray() 将数组转换成sitk图像
6、rescalFilt = sitk.RescaleIntensityImageFilter() 改变图像的像素值，转换为[0，255]rescalFilt.SetOutputMaximum(255)rescalFilt.SetOutputMinimum(0)itkimage = rescalFilt.Execute(sitk.ReadImage()
7、resampler = sitk.ResampleImageFilter() 图像重采样resampler.SetReferenceImage(itkimage)#需要重新采样的目标图像resampler.SetSize(newSize.tolist())resampler.SetTransform(sitk.Transform(3, sitk.sitkIdentity))resampler.SetInterpolator(sitk.sitkNearestNeighbor)itkimgResampled = resampler.Execute(itkimage)#得到重新采样后的图像
8、sitk.Threshold(sitk.ReadImage(), 0, 1.0, 255) 将图像中像素值<0和>1.0的像素值改为255，否则保持不变
9、sitk.BinaryThreshold(sitk_src, lowerThreshold=lowervalue, upperThreshold=uppervalue, insideValue=255, outsideValue=0) 图像二值化
10、image1 = sitk.ReadImage() 对sitk的image1处理完后恢复到世界坐标系image2 = sitk.GetArrayFromImage(image1)origin =  image1.GetOrigin()spacing = image1.GetSpacing()direction = image1.GetDirection()image2 = sitk.GetImageFromArray(image2)image2.SetOrigin(origin)image2.SetSpacing(spacing)image2.SetDirection(direction)
11、sitk_src_gaus = sitk.DiscreteGaussianImageFilter() 图像高斯滤波sitk_src_gaus.SetVariance(3)sitk_src_gaus.SetMaximumError(0.2)sitk_src_gaus = sitk_src_gaus.Execute(sitk.ReadImage())
12、sitk.BinaryMorphologicalOpening(sitk.ReadImage() != 0, kernelsize) 图像的形态学操作：开、闭、膨胀、腐蚀sitk.BinaryMorphologicalClosing(sitk.ReadImage() != 0, kernelsize)sitk.BinaryDilate(sitk.ReadImage() != 0, kernelsize)sitk.BinaryErode(sitk.ReadImage() != 0, kernelsize)
13、sitk_xorop = sitk.XorImageFilter() 图像的逻辑运算：异或、非sitk_mask1 = sitk_xorop.Execute(imag1, imag2) image1和image2是sitk图像的二值化结果sitk_notop = sitk.NotImageFilter()sitk_mask2 = sitk_notop.Execute(image) image是sitk图像的二值化结果
14、sitk.BinaryFillhole(sitk的二值化图像)去除二值化图像内的孔洞

dicom文件：
      dicom是一个存储患者所拍摄医学影像的某一层断面图和相关信息的文件。
mhd文件与raw文件的区别：
      Raw文件，意为“未处理的文件”，其保存的是纯像素信息。常常是一个病人的所有dicom文件中的图像提取出来放在一个raw文件里。也就是说，一个病人对应一个raw文件，其中存储的是该病人的图像信息。（可以理解为将该病人不同的dicom切片图像都叠到一起，形成了一个三维图像）。一个raw通常有几百兆，对应的mhd文件只有1kb。mhd文件需要借助python的SimpleITK包来处理。
      上面已经提到，dicom文件除了包含切片图像外，还包含其他的一些信息。那么在文件格式转换后，图像信息被raw文件提取，非图像信息则存储在mhd头文件中。简单来说，mhd头文件是存储关于一个病人的所有dicom文件中的非图像信息。
      由上述关系可以知道：raw文件与mhd文件是一一对应的，且它们的数量小于等于（实际中一定是小于）dicom文件数量

因为DICOM图像通常是一个序列，普通的dcm格式的图像序列可以直接使用DICOM图像查看软件打开进行查看；但mhd格式的3D图像却无法方便地查看。

  File "D:/RStudio/data/TumorType-WGS-master/CT_MHD/Mhd_Visualization.py", line 12, in <module>im = cv2.cvtColor(im, cv2.COLOR_GRAY2RGB)
cv2.error: OpenCV(4.4.0) c:\users\appveyor\appdata\local\temp\1\pip-req-build-iw3y3ir8\opencv\modules\imgproc\src\color.simd_helpers.hpp:94: error: (-2:Unspecified error) in function '__cdecl cv::impl::`anonymous-namespace'::CvtHelper<struct cv::impl::`anonymous namespace'::Set<1,-1,-1>,struct cv::impl::A0x4107568d::Set<3,4,-1>,struct cv::impl::A0x4107568d::Set<0,2,5>,2>::CvtHelper(const class cv::_InputArray &,const class cv::_OutputArray &,int)'
> Unsupported depth of input image:
>     'VDepth::contains(depth)'
> where
>     'depth' is 3 (CV_16S)

参考该链接：https://blog.csdn.net/rocking_struggling/article/details/104825407

Dicom文件转mhd，raw文件格式
https://www.cnblogs.com/XDU-Lakers/p/10781321.html

医学影像中的基础知识相关推荐

深度学习在医学影像中的研究进展及发展趋势
点击上方蓝字关注我们深度学习在医学影像中的研究进展及发展趋势王丽会1,2, 秦永彬1,2 1 贵州省智能医学影像分析与精准诊断重点实验室,贵州贵阳 550025 2 贵州大学计算机科学与技术学院 ...
人工智能在医学影像中的研究与应用
人工智能在医学影像中的研究与应用韩冬, 李其花, 蔡巍, 夏雨薇, 宁佳, 黄峰沈阳东软医疗系统有限公司,辽宁沈阳 110167 慧影医疗科技(北京)有限公司,北京 100192 东软集团股份有 ...
计算机在医学影像中的应用,计算机图像处理技术在医学影像中的进展与应用
计算机图像处理技术在医学影像中的进展与应用 (4页) 本资源提供全文预览,点击全文预览即可全文预览,如果喜欢文档就下载吧,查找使用更方便哦! 4.9 积分生物医学工程学杂志 J . Biou led ...
第76节:Java中的基础知识
第76节:Java中的基础知识设置环境,安装操作系统,安装备份,就是镜像,jdk配置环境,eclipse下载解压即可使用,下载tomcat 折佣动态代理解决网站的字符集编码问题使用request. ...
沈定刚，雷柏英，李超 | Cell Press Live：人工智能在医学影像中的应用
交叉学科 Interdisciplinary 医学影像是临床医疗诊断的重要依据之一.近些年来,随着信息技术的飞速发展,人工智能即AI也更加广泛地应用于医学影像的处理分析中,包括对图像的分割分类及预测等 ...
【医学图像智能计算】DL在医学影像中的应用综述—图像重建
目录 1. 图像重建 1.1 基于深度学习的MRI图像重建 1.1.1 基于数据驱动的端到端深度学习MRI重建方法 1.1.2 基于先验模型的深度学习MRI重建方法 1.2 基于深度学习的低剂量CT成 ...
计算机在医学影像中的应用,计算机图像处理技术在医学影像中的进展与应用研究...
计算机图像处理技术在医学影像中的进展与应用研究摘要:现在是网络时代,受网络快速发展的影响,也推动医疗行业的革新发展,为医院医疗检测提供了方便.计算机图像处理技术在医学领域应用广泛,医院里现代化的医 ...
oracle不属于dml,Oracle中DML基础知识
DML(insert,update,delete) 1.插入数据 insert into 表名(列,列...)values(值,值...) //当插入的数据与表格一一对应时,列可以省略 insert ...
Radiomics：使用先进的特征分析方法从医学影像中提取更多信息
Radiomics:使用先进的特征分析方法从医学影像中提取更多信息关键字图像 Radiomics 肿瘤内部肿瘤异质性摘要实体肿瘤具有空间上和时间上的异质性.这就限制了基于分子检测的侵入性活 ...
C语言中重要基础知识的概述
本章主要对于C语言中的基础知识进行一个大致的描述,适合有C语言基础但长久没接触C语言开发的人员进行快速回忆.在总体回忆基础知识之前,先来创建一个C程序.笔者的编译器是visual stduio2013 ...

医学影像中的基础知识