如何调整 .mhd 文件的查看窗口以更好地查看医学图像？答案

【问题标题】：How to adjust the viewing window of .mhd file to get a better look at medical images?如何调整 .mhd 文件的查看窗口以更好地查看医学图像？
【发布时间】：2019-04-27 12:57:45
【问题描述】：

我为医学图像加载了一些 .mdh 和 .raw 文件，但有一件事困扰着我。我知道在 .dicom 文件中，您可以使用 rescale.slope 和 rescale.intercept 将像素强度转换为 HU，而 .mhd 文件无法包含这些。因此，我想知道如何从 .mdh 和 .raw 文件中更好地查看我的图像数据。这是我生成的image，这是我想要完成的image。
在这里，我从数据中加载一个切片，并绘制每个“像素”值的histogram（不确定是称它们为像素还是体素）。
虽然我确实想到了简单地重置具有最小值的像素，但我真的很想听听有经验的同行是否有更复杂的方法来实现这一点。

itk_img = SimpleITK.ReadImage(mhd_file) 
img_array = SimpleITK.GetArrayFromImage(itk_img)
plt.imshow(img_array[80], cmap=plt.cm.gray) # show a slice from a 3D data
plt.show()

plt.hist(img_array[80].flatten(), bins=80, color='c')
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.show()

我已经把我所有的图片都上传到了github，因为我还没有上传图片的权限，所以请随意点击。

非常感谢！

【问题讨论】：

标签： python-3.x dicom medical pydicom simpleitk

【解决方案1】：

前面的答案很好地解释了为什么你想要加窗，而不是重新调整强度值。但是，@Czorio 提出的解决方案涉及您在 3rd 方软件（ITK-Snap 或 MeVisLab）中可视化图像。

虽然我也建议使用这些应用程序，但在您的帖子中，您正在尝试使用 Matplotlib 在 Python 中可视化图像。如果要更改 Python 中的窗口，我建议修改 plt.imshow 中的 clim 参数。例如：

import numpy as np

itk_img = SimpleITK.ReadImage(mhd_file) 
img_array = SimpleITK.GetArrayFromImage(itk_img)
plt.imshow(img_array[80], cmap=plt.cm.gray, clim=np.percentile(img_array, (1,99)))
plt.show()

plt.hist(img_array[80].flatten(), bins=80, color='c')
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.show()

在上面修改后的代码中，我只是将颜色图plt.cm.gray 重新缩放到图像中值的第 1 到第 99 个百分位数。您将需要使用这些百分位数，直到获得您喜欢的图像（这将取决于您正在可视化的解剖结构等因素）。您也可以使用直方图来帮助您做出决定。

您可以进一步修改cmap 和clim 以实现非线性颜色映射，您可能希望再次依赖于您尝试可视化的解剖结构。

【讨论】：

【解决方案2】：

存储在 .mhd/.mha 文件中的值已经是 HU 值。你想到的是图像查看器的Window and Level，它将HU值重新映射为可以在监视器上显示的像素值。

我不建议重新调整文件本身的值，因为这会导致信息丢失。相反，我建议下载一个能够显示图像的程序，例如ITK-Snap 和/或MeVisLab，它可以让您调整窗口和级别

【讨论】：

感谢您的建议。顺便说一句，我能以这种方式理解“信息丢失”吗？也就是说，当我将这些文件用作训练数据集时，直接在文件中重新调整值可能会破坏我的神经网络的性能。
很可能，是的。作为HU values closely correlate with the tissue types，更改值可能会导致错误识别。

【解决方案3】：

我也只是回应所说的话。我还对 dicom/诊断图像、分析和机器学习做了很多工作。

要特别说明的关键点（我假设您知道这一点，而其他回复隐含地表明了该知识）是这些图像（您使用的是 CT，但同样适用于 MR 和其他模式）是图像数据本身是 16 位。（即值范围超过 65,536 组值，而不是像 8 位数据那样的 256 个）。

这有两点很重要：

对于任何机器学习/分析，您必须使用 16 位数据，而不是任何 8 位表示。我说“必须”，因为 a) 如果你不这样做，你会丢失数据中的大部分信息 b) 特定值（对于 CT）具有临床意义，并且 c) 你不会有如果您不使用 16 位数据，希望得到任何临床监管部门的批准/使用/测试/验证
当您想要可视化数据时，您需要将其转换为（通常）8 位下采样版本 - 即以某种方式将其表示为 256 个离散值而不是 65k。

您在上面所做的是尝试可视化整个 16 位数据集（这意味着以某种方式下采样到 256 个灰度值）。

默认情况下，matplotlib imshow - 对于 16 位数据 - 会将灰度限制设置为数据的最小值和最大值。这几乎可以肯定（见下文）不会为您提供您想要的图像，或者对任何人都有用。

要获得您想要的图像视图，您需要将 vmin/vmax 传递给 imshow() 以告诉 matplotlib 什么是最小和最大灰度值（即什么值是黑色，什么是白色）：

vmin = -100
vmax = 200
plt.imshow(img_array, cmap='gray', vmin=vmin, vmax=vmax)

# or if you're using window/level:
window = 300
level = 100
vmin = level - window/2
vmax = level + window/2
plt.imshow(img_array, cmap='gray', vmin=vmin, vmax=vmax)

我几乎可以肯定地说，因为在 CT 图像中，大多数扫描仪在图像中的最小值是 -3000（或相当低的值）。这是因为虽然空气的 HU 值为 -1000，但扫描仪具有圆形视野，它们可以获取图像数据。在该 FOV 之外，他们将数据设置为这个“低”值，以表明它不是实际的真实扫描数据。您可以在您的图像here 中看到这一点，其中有身体，身体外部的空气（中灰色值 - 大约 -1000 HU），然后是该圆形区域之外的黑色值（可能在 - 3000 胡）。

【讨论】：