从本文开始，作者将开始介绍图像处理的基础知识，基本的医学图像数据，并且对这些数据进行可视化处理。

利用深度学习技术，分析图像与视频，并且将之应用在诸如自动驾驶，无人机等等领域已经成为最新研究方向。在最新的一篇名为“A Neural Algorithm of Artistic Style”[1508.06576] A Neural Algorithm of Artistic Style中，作者描述了一种新的方式，从艺术作品中获得，并且应用到图像中，生成新的图像。另外，在 “Generative Adversarial Networks” [1406.2661] Generative Adversarial Networks(GAN) and “Wasserstein GAN” https://arxiv.org/pdf/1701.07875.pdf文章中，作者提出了新的模型，这些模型能够生成，类似于我们给出的原始数据。至此开启了半监督学习的新世界，并且为半监督学习铺平了道路。

然而这些研究领域仍然停留在普通图像上，然而我们的目标是将这些研究应用于医学图像，进而辅助医疗诊断。在进入主题之前，我们将从图像处理的基础开始，介绍基本的医学图像格式数据，并且将这些数据可视化。在下一篇文章中，我们将深入CNN方法，并且利用Keras(Keras Documentation)，对肺癌进行预测。

图像处理基础(python)

当前，图像处理工具可谓层出不穷，其中，OpenCV(OpenCV library) 因为其强大的社区支持，以及广泛的可用性，在c++, java python等等编程语言中皆可使用，因此，OpenCV已经成为图像处理主流工具。在这篇文章中，我们将使用jupyter notebook与OpenCV。

安装OpenCV：

pip install opencv-python 或者直接从http://opencv.org中下载并安装。

打开jupyter notebook， 并且确认是否可以 import cv2. 接下来我们将使用到numpy 和 matplotlib。

在notebook中 ，输入以下代码检验是否可以打开并且查看图像。

基本脸部识别

让我们做一些有趣的事情，比如检测脸部。 为了检测脸部，我们将使用最初由Rainer Lienhart创建的基于开源xml残片的20x20柔和的adaboost正面人脸检测器。 这里有一个好的帖子，详细介绍哈尔级联检测Face Detection using Haar Cascades。

医学图像数据格式

医学图像采用数字成像和通信(DICOM)作为存储和交换医学图像数据的标准解决方案。这个标准的第一个版本是在1985年发布的。发展到现在，该方案有了一些改变。该标准使用文件格式和通信协议。

文件格式 - 所有患者医疗图像都以DICOM文件格式保存。除了其他图像相关数据(例如用于拍摄图像的设备以及医疗处理的一些背景)之外，该格式具有关于患者的PHI(受保护的健康信息)，例如姓名，性别，年龄。医学影像设备创建DICOM文件。医生使用DICOM查看器，可显示DICOM图像的计算机软件应用程序，读取和诊断图像中的发现。

通信协议 - DICOM通信协议用于搜索档案中的成像研究，并将成像研究恢复到工作站以显示。连接到医院网络的所有医疗成像应用程序都使用DICOM协议来交换信息，主要是DICOM图像，还包括患者和手术信息。还有更先进的网络命令，用于控制和跟踪治疗，调度程序，报告状态，分担医生和成像设备之间的工作量。关于DICOM标准细节，在这里推荐一个很好的博客http://dicomiseasy.blogspot.com

分析DICOM图像

用于分析DICOM图像的一个很好的python包是pydicom。在本节中，我们将看到如何在Jupyter笔记本上呈现DICOM图像。安装OpenCV使用：pip install pydicom

安装pydicom软件包后，请回到jupyter笔记本。在笔记本中，导入dicom包和其他包，如下所示。

初次之外，我们还可以用pandas，scipy, skimage,mpl_toolkit 进行数据处理和分析。

接下来，我们介绍一些可以获得DICOM 数据库，如下：kaggle competitions and Datasets

Dicom Library

Osirix Datasets

Visible Human Datasets

The Zubal Phantom

从以上数据库中下载dicom文件，并且载入jupyter notebook

第一步：在jupyter 中读取DICOM文件，并可视化

上图中，第一行代码，我们导入第一个dicom文件，我们使用它作为一个reference，用来获取元数据。

然后我们计算三维NumPy数组的总和，它们等于(切片中像素行的数量)x(切片中像素列的数量)x(切片的数量)沿着x，y和z笛卡尔坐标轴。 最后，我们使用PixelSpacing和SliceThickness属性来计算三个轴上的像素之间的间距。 我们将数组维存储在ConstPixelDims中，并将间距存储在ConstPixelSpacing [1]中。

第二步：进一步了解DICOM 格式数据：

每个像素被分配一个数值(CT值)，它是相应体素中所有衰减值的平均值。 将这个数字与水的衰减值进行比较，并在戈弗雷·豪斯菲尔德爵士(Sir Godfrey Hounsfield)之后以胡恩斯菲尔德单位(Hounsfield units，HU)的任意单位的比例显示。

这个标度将水分配为零的衰减值(HU)。 CT数字的范围是2000HU宽，尽管一些现代扫描仪的HU的范围可以达到4000.每个数字代表在光谱两端的+1000(白色)和-1000(黑色)的灰色阴影。

一些扫描仪具有圆柱扫描边界，但是输出图像是方形的。 落在这些边界之外的像素的固定值为-2000。

第一步通常是将这些值设置为0.接下来，让我们回到HU单位，通过乘以重新调整斜率并添加拦截(这些拦截方便地存储在扫描的元数据中！)。

在下一部分中，我们将使用Kaggle的肺癌数据集和使用Keras的卷积神经网络。 我们将根据这篇文章提供的信息来进行下一个。

Acknowledgements: