深度学习下的医学图像分析（四）

本篇文章3395字，读完约8分钟

雷锋。(公开号码:雷锋。com)出版社:本文由Tupu Technology从医学图像分析与深度学习第4部分中编辑，是最近出版的深度学习下的医学图像分析(三)的后续文章。雷锋的独家发布。

2017年nvidia gtc大会无疑是与深度学习相关的医疗安全工作的绝佳信息源。在会议上，深度学习专家如伊恩古德费勒和杰里米霍华德分享了他们对深度学习的见解；一些顶尖的医学院(如西奈山医学院、纽约大学医学院、马萨诸塞州总医院等。)和kaggle在会议上介绍了他们的建模策略。

在最后一篇文章中，我们谈到了与深度学习相关的基本内容。在这篇论文中，我们将集中讨论医学图像及其格式。

本文分为三个部分——医学图像及其组成、医学图像格式和医学图像格式转换。本文希望通过引入深度学习的相关知识来达到医学图像分析的目的。

michele larobina和loredana murino出版的《医学影像及其构成》为本文即将进行的讨论提供了很好的信息参考。米歇尔·拉罗比纳和洛雷纳·穆里诺是意大利生物建筑和生物成像协会的成员。Ibb是意大利国家研究委员会的一部分，也是意大利最大的公共研究机构。我们的另一个参考资料是一篇题为“在r。

什么是医学影像？医学图像是反映解剖区域内部结构或功能的图像，由一组图像元素组成，即像素(2d)或立体像素(3D)。医学图像的特征在于通过采样或重建产生的离散图像，其可以将值映射到空.之间的不同位置像素数用于描述某个成像设备下的医学成像，也是描述解剖结构及其功能细节的一种表达方式。像素表示的具体值由成像设备、成像协议、图像重建和后处理决定。

医学图像的合成医学图像有四个关键组成部分——像素深度、光度表示、元数据和像素数据。这些组件与图像大小和图像分辨率有关。

图像深度(也称为位深度或颜色深度)是用于编码每个像素信息的位数。例如，一个8位光栅可以有256个图像深度，范围从0到255。

资料来源:desktop . arcmap/en/arcmap/10.3/manage-data/raster-and-images/bit-depth-capacity-for-raster-dataset-cells

光度表示法解释了如何以正确的图像格式(单色或彩色图片)显示像素数据。为了解释像素值中是否存在颜色信息，我们将引入“每像素样本数”的概念。单色图像每个像素只有一个“样本”，图像中没有颜色信息。图像以从黑色到白色的灰度显示，灰度的数量显然取决于用于存储样本的位数。这里，灰度值与像素深度一致。医学放射图像，如ct图像和磁共振(mr)图像，是灰度的“光度表示”。然而，核医学图像，如正电子发射断层扫描(pet)和单光子发射断层扫描(spect)，通常以彩色地图或调色板显示。

“元数据”是用于描述图形图像的信息。这可能看起来很奇怪，但是在任何文件格式中，除了像素数据，图像还有其他一些相关信息。这种图像信息被称为“元数据”，它通常以“数据头”的格式存储在文件的开头，包括图像矩阵维数、空、像素深度和光度表示等信息。

“像素数据”是存储像素值的位置。根据不同的数据类型，像素数据以整数或浮点数的格式存储，数字显示所需的字节数最少。图像大小=标题大小(包括元数据)+行数和列数*像素深度*(图像帧数)

医学图像格式有六种主要的放射图像格式，它们是dicom(医学数字成像和通信)、nifti(神经成像信息技术)、par/rec(飞利浦磁共振扫描格式)、analyze(梅奥医学成像)、nrrd(近原始光栅数据)和mnic。

2017年5月医学影像格式

在上面显示的五种格式中，dicom和nifti是最被接受的。

dicom格式的基本内容dicom代表“医学数字成像与通信”。Dicom是由国家电气制造商协会(nema)发布的一个标准，它规定了医学成像的管理、存储、打印和信息传输，医学成像是扫描仪或医院pacs中的文件格式。Dicom包括文件格式和网络通信协议，其中网络通信协议是医疗实体通过tcp/ip进行通信的标准和准则。dicom文件由标题和图像数据组成。报头的大小取决于数据信息量。标题中的内容包括患者编号、患者姓名等。同时，它还决定了图像的帧数和分辨率。这是图片查看器用来显示图像的部分。即使只获得一幅图像，也会有许多dicom文件。

资料来源:lead tools/SDK/medical/DICOM-spec 1

Pydicom是一个用于读取dicom文件的python库。有关详细信息，请参考本文第一部分的代码示例。Oro.dicom是一个用于读取dicom数据的r包。

使用oro.dicom工具包读取未压缩的dicom文件

nifti格式“神经影像信息技术创新”的基本内容是以nifti格式替代analyze7.5格式。Nifti最初用于神经成像，但它也适用于其他一些领域。nifti的主要特征之一是它包含两个仿射坐标定义，这两个定义可以关联每个三维元素索引(I，j，k)和空.之间的位置(x，y，z)Nibabel是一个读取nifti文件的朋友python库，而“oro.nifti”是一个读取nifti数据的R工具包。

dicom和nifti的主要区别在于，nifti中的原始图像数据以3d图像格式存储，而dicom以3d图像片段格式存储。这就是为什么nifti在一些机器学习应用中比dicom更受欢迎，因为它是一个3d图像模型。处理一个nifti文件比处理数百个dicom文件要容易得多。nifti的每个3d图像只需要存储两个文件，而dicom需要存储更多的文件。

nrrd格式的基本内容灵活的nrrd格式包含一个单独的头文件和可以分离和合并的图像文件。nrrd数据头能够准确地表示用于科学可视化和医学图像处理的N维网格信息。国家医学检查中心图像计算联盟(na-mic)开发了一种以nrrd格式表示扩散加权图像(dwi)和扩散张量图像(dti)的方法。nrrd的“扩散加权像”和“扩散张量像”的数据可以解释为“三维切片器”，它可以直观地确定张量像的方向与神经解剖学的预期一致。nrrd文件(带标题)的大致格式如下图所示:

来源:teem.sourceforge/nrrd/format#general.1

minc格式的基本内容minc代表“医学影像网cdf工具包”。1992年，蒙特里神经病学研究所(mni)开始开发minc文件格式。目前，麦吉尔的大脑成像中心(bci)正在积极开发minc。minc格式(minc1)的第一个版本基于标准的“网络通用格式”(netcdf)。第二版minc2的minc格式基于分级数据格式版本5 (hdf5)。Hdf5支持无限的数据类型，适用于灵活高效的i/o和大容量复杂数据。有了这些新特性和功能，minc2可以处理大量复杂的数据库。以下是一些研究论文中这些格式标题的比较:

资料来源:2014年出版的医学图像格式

从dicom格式到nifti格式的格式转换dicom2nii是一个将dicom格式转换为nifti格式的通用工具。nibabel是一个用于读写nifti文件的python库。如果您想将dicom格式转换为nifti格式，有许多自动转换工具，如dcm2nii。Python2的“dcmstack”可以将一系列dicom图像堆叠成多维数组，这些数组可以写入带有“header extension”(DCM meta extension)的nifti文件，其中“header extension”实际上是dicom文件元数据的摘要。

minc团队将dicom格式转换为minc格式bic，开发了一个将dicom转换为minc图像的工具。这个程序是用c语言写的。单击此链接查看github报告。bic的minc团队开发了另一个工具，可以将nifti或分析图像转换成minc图像。这个程序叫做nii2mnc。单击此链接查看一系列转换工具，包括nii2mnc。

总之，我们介绍了几种可用于存储图像和深度学习的格式。我们的目标是使用最好的格式，以便我们的卷积神经网络能够做出准确的预测。

在下一篇文章中，我们将讨论如何使用这些格式之一从ct扫描图像中切割肺部。

雷锋原创文章。严禁擅自转载。详情请参考转载说明。