Python加载DICOM图像完全指南

什么是DICOM？

DICOM（Digital Imaging and Communications in Medicine）是医学数字成像和通信的标准格式，广泛应用于医学影像领域如CT、MRI、X光等。

关键特性：

包含图像数据和丰富的患者元数据
支持多种医学影像类型
确保不同设备间的互操作性
提供图像传输和存储的标准

环境配置

使用Python处理DICOM需要安装以下库：

# 安装必要的库

pip install pydicom

pip install matplotlib

pip install numpy

pip install pillow

这些库分别提供以下功能：

pydicom：读取和写入DICOM文件
matplotlib：可视化医学图像
numpy：处理图像像素数据
PIL/Pillow：基础图像处理操作

加载DICOM文件

使用pydicom加载DICOM文件的基本方法：

import pydicom

# 加载DICOM文件

dcm_file = pydicom.dcmread('path/to/your/dicom_file.dcm')

# 验证文件是否成功加载

print("文件格式:", dcm_file.file_meta.TransferSyntaxUID)

print("图像尺寸:", dcm_file.pixel_array.shape)

最佳实践：

使用dcmread()而不是read_file()（旧版方法）
处理大型DICOM文件时，使用stop_before_pixels=True参数快速访问元数据
始终检查文件是否包含像素数据：hasattr(dcm_file, 'pixel_array')

访问元数据

DICOM文件包含丰富的元数据，可以按以下方式访问：

# 患者信息

patient_name = dcm_file.PatientName

patient_id = dcm_file.PatientID

# 检查信息

study_date = dcm_file.StudyDate

modality = dcm_file.Modality  # CT, MR, XR等

# 图像特性

rows = dcm_file.Rows

columns = dcm_file.Columns

pixel_spacing = dcm_file.PixelSpacing  # 毫米/像素

window_center = dcm_file.WindowCenter

window_width = dcm_file.WindowWidth

# 遍历所有元数据

for elem in dcm_file:

    print(elem)

使用DICOM标签访问特定元素：

# 使用标签访问

tag = pydicom.tag.Tag(0x0010, 0x0010)  # PatientName

if tag in dcm_file:

    print(dcm_file[tag].value)

图像可视化

使用matplotlib可视化DICOM图像：

import matplotlib.pyplot as plt

import numpy as np

# 获取像素数据

pixel_data = dcm_file.pixel_array

# 应用模态特定的预处理

if dcm_file.Modality == 'CT':

    # 转换为Hounsfield单位

    pixel_data = pixel_data * dcm_file.RescaleSlope + dcm_file.RescaleIntercept

# 应用窗宽窗位

def apply_windowing(data, window_center, window_width):

    window_min = window_center - window_width // 2

    window_max = window_center + window_width // 2

    data = np.clip(data, window_min, window_max)

    return data

# 可视化

plt.figure(figsize=(10, 10))

plt.imshow(pixel_data, cmap='gray')

plt.title(f'DICOM图像 - {dcm_file.Modality}')

plt.axis('off')

plt.show()

CT扫描示例

MRI示例

X光示例

基本图像处理

对DICOM图像进行常见处理操作：

import numpy as np

from PIL import Image, ImageEnhance

# 转换为PIL图像

image = Image.fromarray(pixel_data).convert('L')  # 转换为灰度图像

# 调整对比度

enhancer = ImageEnhance.Contrast(image)

enhanced_image = enhancer.enhance(1.5)  # 增加50%对比度

# 调整亮度

enhancer = ImageEnhance.Brightness(enhanced_image)

enhanced_image = enhancer.enhance(1.2)  # 增加20%亮度

# 直方图均衡化

def histogram_equalization(img_array):

    hist, bins = np.histogram(img_array.flatten(), 256, [0,256])

    cdf = hist.cumsum()

    cdf_normalized = cdf * hist.max() / cdf.max()

    img_equalized = np.interp(img_array.flatten(), bins[:-1], cdf_normalized)

    return img_equalized.reshape(img_array.shape)

# 应用直方图均衡化

equalized_image = histogram_equalization(np.array(enhanced_image))

批量处理DICOM文件

处理整个DICOM系列或研究：

import os

import pydicom

def process_dicom_directory(directory):

    """处理目录中的所有DICOM文件"""

    for root, _, files in os.walk(directory):

        for file in files:

            if file.endswith('.dcm'):

                file_path = os.path.join(root, file)

                try:

                    dcm = pydicom.dcmread(file_path)

                    print(f"处理: {file} | 模态: {dcm.Modality} | 患者: {dcm.PatientName}")

                    # 在这里添加处理逻辑

                except Exception as e:

                    print(f"处理 {file} 时出错: {str(e)}")

# 使用示例

dicom_dir = 'path/to/dicom/folder'

process_dicom_directory(dicom_dir)