【医学图像分割】CT医学图像的预处理（重采样）

CT图像中有两个基本概念，窗口（window width）和窗位（window center），选择感兴趣的CT由于人体组织结构不同，X线吸收程度不同，值范围不同CT值，所以可以用CT确定组织的性质是值得的。CT值的单位为Hounsfield

Hounsfield单位(HU)是计算机断层扫描(CT)无量纲单位广泛应用于标准、方便的表达CT数值。Hounsfield单位通过线性变换测量的衰减系数获得。这种转换是基于空气和密度，纯水被定义为0 Hounsfield空气被定义为-10000 Hounsfield单元。组织密度越大，x射线吸收越强，其值为正，信号明亮；低密度组织，x射线吸收较少，显示负值和暗信号。Hounsfield该单位于1979年获得诺贝尔生理学或医学奖Godfrey Hounsfield爵士的名字命名表彰他CT对发明的贡献。

窗宽是CT显示在图像上CT值范围，在此CT不同模拟灰度显示值范围内的组织和病变。而CT组织和病变的组织和病变，无论高程度如何，都以白影显示，不再有灰度差异； 相反，低于这一范围的组织结构，无论有多低，都以黑影显示，没有灰度差异。增加窗宽，图像显示CT增加值范围，显示不同密度的组织结构增加，但结构之间的灰度差减少。减少窗宽，显示的组织结构减少，但结构之间的灰度差增加。例如，观察大脑的窗宽通常为-15~ 85H，即密度在-15 ~ 85H脑质和脑脊液间隙等各种结构均以不同的灰度显示。而高于 85H骨质几颅内钙化等组织结构，虽然密度差，但白影显示，无灰度差；低于-15H皮下脂肪、乳突内气体等组织结构均以黑影显示，其间无灰度差异。

窗位是窗的中心位置，窗宽相同，因为窗位不同，包括CT值范围的CT值也有差异。例如，窗宽为100H，当窗位为0H时，其CT值范围为-50 ~ 50H ; 如窗位为 35H时，则CT值范围为-15~ 85H。通常，如果你想观察组织结构和病变，你应该使用组织CT值为窗位。例如脑质CT值约为 35H，在观察脑组织及其病变时，选择窗口 35H为妥。

常见的人体组织CT值

(1) 液体CT值：-10~10Hu，水的CT值为0Hu;

(2) 空气CT值：-1000Hu;

(3) 脂肪CT值：-10~90Hu;

(4) 软组织如肝脾肾、脑实质等CT值：20~50Hu;

(5) 骨性组织CT值一般超过300Hu；骨皮质一般CT值超过 1000Hu;

(6) 腹部常用CT值：-160~240Hu

以下是腹窗图像预处理：

# 选择腹窗 def pretreatmentImage(image):     image[image < -160] = 0     image[image > 240] = 0      return image

重采样医学图像：

对于一张大小为128*在计算机中，128的彩色图像可以表示为128*128*每个像素点的值范围为0-255，不同的值代表不同的亮度。但是对于医学图像来说，它是由几个slice假设每一个slice的大小为512*512单通道图像，每个像素点都表示一个体素的值，其范围可以-1万~2000之间。接下来，通过胰腺分割数据集中PANCREAS_0015.nii.gz例如，解释医学图像中体素的概念。Spacing(0.78125, 0.78125, 1.0)表示原始图像体素的大小，也可以Spacing想象大小为(0.78125, 0.78125, 1.0)长方体。原始图像Size为 (512, 512, 247)表示X轴原有，Y轴，Z轴中体素的数量。原始图像的size*对应的Spacing能得到真实3D图像大小（512*0.78125，512*0.78125，247*1 ），图像采样只是修改体素的大小，而真实3D图像大小保持不变，所以假设我们会Spacing修改成(1.0, 1.0, 2.0)的时候，修改后对应size应该为（（512*0.78125）/ 1.0，（512*0.78125）/ 1.0，（247*1 ）/ 2.0）即（400, 400, 124）。

import pydicom path = "" dcm_data = pydicom.read_file(path) print(dcm_data.PixelSpacing, dcm_data.SliceThickness) # 检查医学图像的体素大小和切片间距

重采样代码：

def img_resmaple(path, new_spacing=[1.0, 1.0, 1.0]):     data = STK.ReadImage(path)     image = STK.GetArrayFromImage(data) # 获取图像     # print(image.shape)     original_spacing = data.GetSpacing()     # print(original_spacing)     original_size = data.GetSize()     # print(data.GetOrigin(), data.GetDirection())     new_shape = [         int(np.round(original_spacing[0] * original_size[0] / new_spacing[0])),         int(np.round(original_spacing[1] * original_size[1] / new_spacing[1])),         int(np.round(original_spacing[2] * original_size[2] / new_spacing[2])),     ]     resmaple = STK.ResampleImageFilter()     resmaple.SetInterpolator(STK.sitkLinear)     resmaple.SetDefaultPixelValue(0)     resmaple.SetOutputSpacing(new_spacing)     resmaple.SetOutputOrigin(data.GetOrigin())     resmaple.SetOutputDirection(data.GetDirection())     resmaple.SetSize(new_shape)     data = resmaple.Execute(data)     image = STK.GetArrayFromImage(data)     # print(image.shape)     return image

按图像中心切割：

def centerCrop(image, label, output_size):     if image.shape[0] <= output_size[0] or image.shape[1] <= output_size[1] or image.shape[2] <= output_size[2]:         pw = max((output_size[0] - image.shape[0]) // 2   3, 0)         ph = max((output_size[1] - image.shape[1]) // 2   3, 0)         pd = max((output_size[2] - image.shape[2]) // 2   3, 0)         image = np.pad(image, [(pw, pw), (ph, ph), (pd, pd)], mode='constant', constant_values=0)         label = np.pad(label, [(pw, pw), (ph, ph), (pd, pd)], mode='constant', constant_values=0)      (w, h, d) = image.shape      w1 = int(round((w - output_size[0]) / 2.))     h1 = int(round((h - output_size[1]) / 2.))     d1 = int(round((d - output_size[2]) / 2.))      # print(image.shape, output_size, get_center(label), w1, h1, d1)     image = image[w1:w1   output_size[0], h1:h1   output_size[1], d1:d1   output_size[2]]     label = label[w1:w1   output_size[0], h1:h1   output_size[1], d1:d1   output_size[2]]      return image, label

两种常用的归一化方法

1）min-max标准化

（2）Z-score标准化方法

（1）min-max标准化（Min-Max Normalization）(线性函数归一化)
定义：又称离差标准化，是对原始数据的线性转换，使结果映射到0-1之间。
本质：将数变为0，1之间的小数。
转换函数：（X-Min）/(Max-Min)
如果想要将数据映射到-1,1，则将公式换成：（X-Mean）/(Max-Min)
其中：max样本数据的最大值，min样本数据的最小值，Mean表示数据的平均值。

缺陷：当添加新数据时，会导致max和min需要重新定义的变化。

(2)0均值标准化（Z-score standardization）
定义：该方法给出原始数据的平均值（mean）和标准差（standard deviation）标准化数据。处理后的数据符合标准正态分布，即平均值为0，标准差为1.
本质:将有量纲表达式转化为无量纲表达式。
转换函数：（X-Mean）/(Standard deviation)
其中，Mean均值为所有样本数据。Standard deviation所有样本数据的标准。

两种归一化方法的使用场景：
（1）在分类、聚类算法中，需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候，第二种方法(Z-score standardization)表现更好。

因为：第一种方法(线性变换后)，其协方差产生了倍数值的缩放，因此这种方式无法消除量纲对方差、协方差的影响，对PCA分析影响巨大；同时，由于量纲的存在，使用不同的量纲、距离的计算结果会不同。

（2）在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用第一种方法或其他归一化方法。比如图像处理中，将RGB图像转换为灰度图像后将其值限定在（0 ，255）的范围。

因为：第二种归一化方式中，新的数据由于对方差进行了归一化，这时候每个维度的量纲其实已经等价了，每个维度都服从均值为0、方差1的正态分布，在计算距离的时候，每个维度都是去量纲化的，避免了不同量纲的选取对距离计算产生的巨大影响。

代码实现：

def MinMax(image):
    image = image - np.mean(image)  # 零均值
    if np.max(image) - np.min(image) != 0:
        image = (image - np.min(image)) / (np.max(image) - np.min(image))  # 归一化

    return image

def zsorce(image):
    image = (image - np.mean(image)) / np.std(image)
    return image

参考：

CT图像之Hu值变换与窗宽窗位调整_HuiYu-Li的博客-CSDN博客_ct图像调窗

CT医学影像的窗高窗位、CT值（Hu值）_土豆娃wkl的博客-CSDN博客_hu影像学单位

医学图像预处理之重采样_YYLin-AI的博客-CSDN博客_医学图像重采样

机器学习-数据归一化方法（Normalization Method）_Microstrong0305的博客-CSDN博客_数据归一化