今天通过分析实验结果，完善了之前的预处理代码，借此博文分享给大家，另外

点击此处

可以查看预处理的完整代码，欢迎大家一起来完善。

最重要的是，欢迎大家的批评指正，您的建议和意见将会是我成长源泉。

在这里插入图片描述

接下来开始进入正题。

灰度值转换为HU值

基本知识

首先，我们要明确，
CT值
和
灰度值
属于不同的概念。

CT值属于医学领域的概念，通常称亨氏单位(hounsfield unit ，HU)，反映了组织对X射线吸收程度。

灰度值属于计算机领域的概念，指的是单个像素点的亮度，灰度值越大表示越亮。范围一般从0到255，白色为255 ，黑色为0，故黑白图片也称灰度图像。

其次，我们了解两种最常用的医学图像数据格式：
DICOM类型
和
NIFTI类型

DICOM类型的文件后缀为
dcm
，常用的python处理库有：SimpleITK, pydicom库；

NIFTI类型型的文件后缀为
nii或nii.gz
(压缩格式)，常用的python处理库有：SimpleITK, nibabel库。

对于nii格式的图片，SimpleITK,nibabel中常用的api接口，都会自动的进行上述转化过程，即取出来的值已经是Hu了。(除非专门用nib.load(‘xx’).dataobj.get_unscaled()或者itk.ReadImage(‘xx’).GetPixel(x,y,z)才能取得原始数据）

对于dcm格式的图片，SimpleITK, pydicom常用的api接口都不会将原始数据自动转化为Hu！！(itk snap软件读入dcm或nii都不会对数据进行scale操作)

以下我用SimpleITK读取的NIFTI文件，打印出来的最大值和最小值范围，很明显，它们已经是Hu值了，而非灰度值，无需做Hu值变换。

0 all:( -3024.0 , 1410.0 ) bg:( -3024.0 , 1410.0 ) liver:( -604.0 , 333.0 ) tumor:( -0.0 , 160.0 )

公式与代码

HU = pixel_val*slope+ intercept

其中，slope,intercept可以从元数据中读取

def get_pixels_hu(ct_array,slope,intercept):
    if slope != 1:
        ct_array = slope * ct_array
    ct_array += intercept
    return ct_array

CT图像窗宽窗位调整

注意：

窗宽窗位是CT图像特有的概念，MRI图像中可没有此概念；
CT 图像必须先转换成 HU值再做窗宽窗位调整。

基本知识

医学图像领域的窗口技术，包括窗宽(window width)和窗位(window center)，用于选择感兴趣的CT值范围。因为各种组织结构或病变具有不同的CT值，因此欲显示某一组织结构细节时，应选择适合观察该组织或病变的窗宽和窗位，以获得最佳显示。

窗宽
是CT图像上显示的CT值范围，在此CT值范围内的组织和病变均以不同的模拟灰度显示。而CT值高于此范围的组织和病变，无论高出程度有多少，均以白影显示，不再有灰度差异; 反之，低于此范围的组织结构，不论低的程度有多少，均以黑影显示，也无灰度差别。增大窗宽，则图像所示CT值范围加大，显示具有不同密度的组织结构增多，但各结构之间的灰度差别减少。减小窗宽，则显示的组织结构减少，然而各结构之间的灰度差别增加。如观察脑质的窗宽常为-15~+85H，即密度在-15 ~+85H范围内的各种结构如脑质和脑脊液间隙均以不同灰度显示。而高于+85H的组织结构如骨质几颅内钙化，其间虽有密度差，但均以白影显示，无灰度差别;而低于-15H组织结构如皮下脂肪及乳突内气体均以黑影显示，其间也无灰度差别。

窗位
是窗的中心位置，同样的窗宽，由于窗位不同，其所包括CT值范围的CT

值也有差异。例如窗宽同为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，欲观察某以组织结构及发生的病变，应以该组织的CT值为窗位。例如脑质CT值约为+35H，则观察脑组织及其病变时，选择窗位以+35H为妥。

设定正确的窗宽窗位

应用场景：用神经网络分割liver 和liver tumor，对训练数据进行预处理。

基本思路：

用liver和tumor的mask抠出liver和tumor部分；
统计相应的最大值和最小值，并用其计算窗宽窗位。

优点：每个case的窗宽窗位依据case量身定做。相较于整个数据集用统一的窗宽窗位，或者采用cut off，有无可比拟的优点。

代码

import SimpleITK as sitk
import numpy as np
import os

def saved_preprocessed(savedImg,origin,direction,xyz_thickness,saved_name):
   newImg = sitk.GetImageFromArray(savedImg)
   newImg.SetOrigin(origin)
   newImg.SetDirection(direction)
   newImg.SetSpacing((xyz_thickness[0], xyz_thickness[1], xyz_thickness[2]))
   sitk.WriteImage(newImg, saved_name)
   
def window_transform(ct_array, windowWidth, windowCenter, normal=False):
   """
   return: trucated image according to window center and window width
   and normalized to [0,1]
   """
   minWindow = float(windowCenter) - 0.5*float(windowWidth)
   newimg = (ct_array - minWindow) / float(windowWidth)
   newimg[newimg < 0] = 0
   newimg[newimg > 1] = 1
   if not normal:
   	newimg = (newimg * 255).astype('uint8')
   return newimg

ct_path = 'G:\LITS\Training_dataset'
saved_path = 'C:\\Users\\Cerry\\Desktop\\wl'
name_list = ['volume-0.nii']
for name in name_list:
   ct = sitk.ReadImage(os.path.join(ct_path,name))
   origin = ct.GetOrigin()
   direction = ct.GetDirection()
   xyz_thickness = ct.GetSpacing()
   ct_array = sitk.GetArrayFromImage(ct)
   seg_array = sitk.GetArrayFromImage(sitk.ReadImage(os.path.join(ct_path,name.replace('volume','segmentation'))))
   seg_bg = seg_array == 0
   seg_liver = seg_array >= 1
   seg_tumor = seg_array == 2

   ct_bg = ct_array * seg_bg
   ct_liver = ct_array * seg_liver
   ct_tumor = ct_array * seg_tumor

   liver_min = ct_liver.min()
   liver_max = ct_liver.max()
   tumor_min = ct_tumor.min()
   tumor_max = ct_tumor.max()
   
   #by liver
   liver_wide = liver_max - liver_min
   liver_center = (liver_max + liver_min)/2
   liver_wl = window_transform(ct_array, liver_wide, liver_center, normal=True)
   saved_name = os.path.join(saved_path,'liver_wl_1.nii')
   saved_preprocessed(liver_wl, origin, direction, xyz_thickness, saved_name)
   
   #by tumor (recommended)
   tumor_wide = tumor_max - tumor_min
   tumor_center = (tumor_max + tumor_min) / 2
   tumor_wl = window_transform(ct_array, tumor_wide, tumor_center, normal=True)
   saved_name = os.path.join(saved_path, 'tumor_wl_1.nii')
   saved_preprocessed(tumor_wl, origin, direction, xyz_thickness, saved_name)

实验过程

原始CT图像

在这里插入图片描述

用liver的最大值和最小值计算窗宽窗位

用tumor的最大值和最小值计算窗宽窗位

由实验结果可知，用tumor的最大值和最小值计算窗宽窗位，所得结果最好。

Last but not least!!!

一种错误的实现方式，具体糟糕的实验结果如下所示：

// 先算图像的最大和最小值
min = (2*window_center - window_width)/2.0 + 0.5;
max = (2*window_center + window_width)/2.0 + 0.5;
for (i = 0; i < nNumPixels; i++)
   disp_pixel_val = (pixel_val - min)*255.0/(double)(max - min);

在这里插入图片描述

参考

如何设定正确的窗宽窗位，附正常人体组织CT值


医学影像“调窗”（window-leveling）的算法


CT值与灰度值的总结


常见医疗扫描图像处理步骤

原文链接：https://blog.csdn.net/weixin_44058333/article/details/102923921

灰度值转换为HU值

基本知识

公式与代码

CT图像窗宽窗位调整

基本知识

设定正确的窗宽窗位

代码

实验过程

Last but not least!!!

你可能也喜欢