删除 dicom 图像中的像素注释

Question

我正在分析医学图像。所有图像都有一个带有位置的标记。看起来像这样

在这张图片中是“TRH RMLO”注解，但在其他图片中可能不同。大小也不同。图像被裁剪，但您看到组织从右侧开始。 我发现这些标记的存在扭曲了我的分析。

如何删除它们？

我像这样在 python 中加载图像

import dicom
import numpy as np

img = dicom.read_file(my_image.dcm)
img_array = img.pixel_array

然后图像是一个 numpy 数组。白色文本总是被一个大的黑色区域包围（黑色的值为零）。标记在每张图像中的位置不同。

如何在不损害组织数据的情况下删除白色文本。

更新

添加了第二张图片

更新2： 这是两个原始的 dicom 文件。所有个人信息已被删除。编辑：删除

Answer 1

好消息是，这些水印可能是一个孤立的全黑区域，这使得它更容易（尽管根据指示的用法删除它是有问题的；许可证的东西）。

如果不是专家，这里有一个想法。它可能是针对此问题量身定制的一些非常强大的方法的草图，但您必须确定实现复杂性和算法复杂性（非常依赖于图像统计）是否值得：

基本思路

• 检测半交叉状边界 (4)
• 根据这些计算定义的矩形
• 将此矩形涂黑

步骤

0

二值化

1

• 使用一些基于梯度的边缘检测器来获取所有水平边缘
• 可能有多个；您可以尝试给出最小长度（可能需要一些形态来连接基于源或算法中的噪声未连接的像素）

2

• 使用一些基于梯度的边缘检测器来获取所有水平边缘
• 与上述类似，但方向不同

3

• 做一些连通分量计算得到一些垂直和水平线的对象

• 现在你可以通过以下知识尝试不同的候选组件（8个真实组件）的选择

  • 其中两个组件可以用同一条线（斜截形式；线性回归问题）来描述 -> 与矩形接壤的线
  • 可能最好的 4 对选择（根据线性回归损失）是这个矩形的有效边界
  • 您可以添加一个假设，即垂直边界和水平边界相互正交

4 - 从这些边界计算矩形 - 将其扩大几个像素（超参数） - 涂黑那个矩形

这是基本方法。

另类

这个工作要少得多，使用更专业的工具并假设开头的事实：

• 要删除的内容位于图像的某个完全黑色的部分
• 有点孤立；与医疗数据的距离很远

步骤

• 运行一些通用的 OCR 来检测字符
• 以某种方式获取占用的像素/边框（我不确定 OCR 工具会返回什么）
• 计算一些外部矩形和黑色（使用一些预定义的加宽间隙；这个需要比上面那个大得多）

备选方案 2

仅草图：这个想法是在图像上使用类似binary-closing 的东西以某种方式构建源像素的完全连接组件（同时填充小间隙/孔），这样我们就得到了一个描述医疗数据和一个水印。然后删除较小的。

Answer 2

如果这些注释在 DICOM 文件中，则可以通过多种方式存储它们（请参阅https://stackoverflow.com/a/4857782/1901261）。当前支持的方法可以通过简单地从文件中删除 60xx 组属性来清除。

对于不推荐使用的方法（仍然常用），您可以手动清除未使用的高位注释，而不会弄乱其他图像数据。比如：

int position = object.getInt( Tag.OverlayBitPosition, 0 );
if( position == 0 ) return;

int bit = 1 << position;
int[] pixels = object.getInts( Tag.PixelData );
int count = 0;
for( int pix : pixels )
{
   int overlay = pix & bit;
   pixels[ count++ ] = pix - overlay;
}
object.putInts( Tag.PixelData, VR.OW, pixels );

如果这些确实被刻录到图像数据中，那么您可能无法使用此处的其他建议之一。

Answer 3

我确信这可以优化，但是......您可以创建 4 个大小为 3x3 或 4x4 的补丁，并使用注释文本周围框架的每个单独角的像素值的确切内容初始化它们.然后，您可以遍历整个图像（或者只在黑色区域进行一些智能初始化）并找到这些补丁的完全匹配。您不太可能在组织中具有相同的规则结构（90 度角被接近 0 包围），因此这可能会给您提供边界框。

Answer 4

查看您提供的图像的实际像素值，您可以看到标记几乎是 (99.99%) 纯白色，并且这不会出现在图像的其他地方，因此您可以使用简单的 99.99% 阈值将其隔离.

我更喜欢命令行中的 ImageMagick，所以我会这样做：

convert sample.dcm -threshold 99.99% -negate mask.png

convert sample.dcm mask.png -compose darken -composite result.jpg

当然，如果示例图片不具有代表性，您可能需要更加努力。让我们看看……

如果简单阈值不适用于您的图像，我会查看“Hit and Miss Morphology”。基本上，您将图像阈值设置为纯黑白 - 大约 90%，然后您寻找特定的形状，例如标签上的角标记。所以，如果我们想在黑色背景上寻找一个白色矩形的左上角，我们用0表示“这个像素必须是黑色的”，1表示“这个像素必须是白色的” 和- 表示“我们不在乎”，我们会使用这种模式：

0 0 0 0 0
0 1 1 1 1
0 1 - - -
0 1 - - -
0 1 - - -

希望您可以在那里看到一个白色矩形的左上角。在终端中会是这样的：

convert sample.dcm -threshold 90% \
  -morphology HMT '5x5:0,0,0,0,0 0,1,1,1,1 0,1,-,-,- 0,1,-,-,- 0,1,-,-,-' result.png

现在我们还想寻找右上角、左下角和右下角，所以我们需要旋转图案，ImageMagick 在添加> 标志时很方便：

convert sample.dcm -threshold 90% \
   -morphology HMT '5x5>:0,0,0,0,0 0,1,1,1,1 0,1,-,-,- 0,1,-,-,- 0,1,-,-,-' result.png

希望您现在可以看到划分徽标角落的点，因此我们可以要求 ImageMagick 修剪所有无关黑色的图像，只留下白点，然后告诉我们边界框：

cconvert sample.dcm -threshold 90% \
   -morphology HMT '5x5>:0,0,0,0,0 0,1,1,1,1 0,1,-,-,- 0,1,-,-,- 0,1,-,-,-' -format %@ info:
308x198+1822+427

所以，如果我现在在这些坐标周围画一个红色框，您可以看到标签被检测到的位置 - 当然在实践中我会画一个黑框来覆盖它，但我正在解释这个想法：

convert sample.dcm -fill "rgba(255,0,0,0.5)" -draw "rectangle 1822,427 2130,625" result.png

如果您希望脚本自动执行此操作，我会使用类似的内容，将其保存为 HideMarker：

#!/bin/bash
input="$1"
output="$2"

# Find corners of overlaid marker using Hit and Miss Morphology, then get crop box
IFS="x+" read w h x1 y1 < <(convert "$input" -threshold 90% -morphology HMT '5x5>:0,0,0,0,0 0,1,1,1,1 0,1,-,-,- 0,1,-,-,- 0,1,-,-,-' -format %@ info:)

# Calculate bottom-right corner from top-left and dimensions
((x1=x1-1))
((y1=y1-1))
((x2=x1+w+1))
((y2=y1+h+1))
convert "$input" -fill black -draw "rectangle $x1,$y1 $x2,$y2" "$output"

然后你会这样做以使其可执行：

chmod +x HideMarker

然后像这样运行它：

./HideMarker someImage.dcm  result.png

Answer 5

我有另一个想法。该解决方案在 OpenCV 中使用 python。这是一个相当的解决方案。

1. 首先，获取图像的二值阈值。

   ret,th = cv2.threshold(img,2,255, 0)

2. 执行形态扩张：

dilate = cv2.morphologyEx(th, cv2.MORPH_DILATE, kernel, 3)

1. 为了加入差距，我使用了中值过滤：

median = cv2.medianBlur(dilate, 9)

现在您可以使用轮廓属性来消除最小轮廓并保留包含图像的其他轮廓。

它也适用于第二张图片：

Answer 6

更简单的仍然是可能的！！！。

只需在 (img_array = img.pixel_array) 之后执行以下操作

img_array[img_array > X] = Y

其中 X 是您想要在此之后消除的强度阈值。 Y 也是您要考虑的强度值。

例如： img_array[img_array > 4000] = 0

将大于 4000 的白质替换为黑色强度 0。