醫學圖像了解

醫學圖像

醫學圖像是反映解剖區域內部結構或內部功能的圖像，它是由一組圖像元素——像素（2D）或立體像素（3D）組成的。醫學圖像是由采樣或重建產生的離散性圖像表征，它能將數值映射到不同的空間位置上。像素的數量是用來描述某一成像設備下的醫學成像的，同時也是描述解剖及其功能細節的一種表達方式。像素所表達的具體數值是由成像設備、成像協議、影像重建以及后期加工所決定的

醫學圖像有四個關鍵成分——像素深度、光度表示、元數據和像素數據。這些成分與圖像大小和圖像分辨率有關
圖像深度（又稱比特深度或顏色深度）是用來編碼每個像素信息的比特數。比如說，一個8比特的光柵可以有256個從0到255數值不等的圖像深度
光度表示解釋了像素數據如何以正確的圖像格式（單色或彩色圖片）顯示。為了說明像素數值中是否存在色彩信息，我們將引入“每像素采樣數”的概念。單色圖像只有一個“每像素采樣”，而且圖像中沒有色彩信息。圖像是依靠由黑到白的灰階來顯示的，灰階的數目很明顯取決於用來儲存樣本的比特數。在這里，灰階數與像素深度是一致的。醫療放射圖像，比如CT圖像和磁共振（MR）圖像，是一個灰階的“光度表示”。而核醫學圖像，比如正電子發射斷層圖像（PET）和單光子發射斷層圖像（SPECT），通常都是以彩色映射或調色板來顯示的
元數據是用於描述圖像的信息。它可能看起來會比較奇怪，但是在任何一個文件格式中，除了像素數據之外，圖像還有一些其他的相關信息。這樣的圖像信息被稱為“元數據”，它通常以“數據頭”的格式被儲存在文件的開頭，涵蓋了圖像矩陣維度、空間分辨率、像素深度和光度表示等信息
像素數據是儲存像素數值的位置。根據數據類型的不同，像素數據使用數值顯示所需的最小字節數，以整點或浮點數的格式儲存

圖像大小 = 數據頭大小（包括元數據） + 行數 欄數像素深度（圖像幀數）

醫學圖像格式
放射圖像有6種主要的格式，分別為DICOM（醫學數字成像和通訊）、NIFTI（神經影像信息技術）、PAR/REC（Philips磁共振掃描格式）、ANALYZE（Mayo醫學成像）、NRRD（近原始柵格數據）和MNIC

現代神經影像學技術
腦電圖（EEG），單光子發射體層成像（SPECT），正電子發射型計算機斷層顯像（PET），功能性磁共振成像（fMRI），侵入性光學成像（Invasive Optical Imaging），顱內電極記錄（Intracranial Recording），腦皮層電圖（ECoG）。其中應用最為廣泛的是fMRI和PET

MNI空間是Montreal Neurological Institute根據一系列正常人腦的磁共振圖像而建立的坐標系統
Native空間即原始空間，圖像沒有做任何處理，此時，不同被試圖像之間不具有可比性，必須對所有被試的圖像進行配准標准化到同一個模板上，這樣所有被試的維度、原點、voxel size就一樣了。使用MNI標准模板，就表示把圖像轉換至MNI空間了
腦成像數據主要有DTI、FMRI、3D三種模態。其中，DTI，3DT1是三維數據，FMRI是四維數據

• DTI：Diffusion Tensor Imaging，磁共振彌散張量成像
• FMRI：Functional Magnetic Resonance Imaging，功能性磁共振成像
• DICOM（Digital Imaging and Communications in Medicine）即醫學數字成像和通信是醫學圖像和相關信息的國際標准（ISO 12052）。它定義了質量能滿足臨床需要的可用於數據交換的醫學圖像格式

PET是正電子發射斷層顯像（Positron Emission Tomography）的縮寫，是一種先進的核醫學影像技術；CT是計算機斷層攝影術（Computed Tomography）的簡稱，是一種臨床已廣泛應用且仍在迅速發展的X線斷層成像技術。將這兩種技術有機地整合到同一台設備上，並把不同性質的圖像進行同機融合顯示，即形成了PET/CT

各類圖像詳解

MRI

MRI影像檢查有一個突出特點，就是有着多種多樣的成像序列。這些成像序列能夠產生各具特點的MRI圖像，不僅能夠反映人體解剖形態，而且能夠反映人體血流和細胞代謝等生理功能信息
MRI掃描方式可以簡單的划分為常規掃描和功能掃描兩大類。常規掃描主要反映解剖形態；功能掃描則以不同方式反映人體新陳代謝、血液流動等功能信息。常規掃描包括T1加權、T2加權成像，血管造影成像，以及動態增強成像等。功能成像包括了彌散加權成像（DWI），灌注加權成像（PWI），磁共振波普成像（MRS）和血氧飽和水平依賴成像（BOLD）等

T1加權突出顯示解剖結構，T2加權則能夠突出顯示病灶

MRI是最常用也是最重要的顱腦病變檢查手段。與CT相比，MRI沒有骨性偽影，具有更好的軟組織分辨能力。並且可以根據需要，靈活選擇軸、冠、矢及斜位掃描，充分顯示病變
MRI被應用於心臟檢查的多個方面，包括：形態學檢查，提供心臟解剖的高分辨率成像；心臟功能學檢查，評價射血分數EF，每搏輸出量SV，收縮末期和舒張末期容積,心輸出量,以及瓣膜性能；心肌灌注和心肌活性；冠脈解剖和血流；心肌代謝；高分辨率血管壁斑塊成像
脊椎檢查中通常使用T1、T2掃描序列，並且會在矢狀位、軸位、冠狀位和任意角度生成多個掃描序列
MRI是前列腺增生和前列腺癌診斷的常用檢查手段之一，通常使用T1和T2掃描，使用最多的掃描方向為橫軸位。此外，也會選用動態增強掃描，彌散加權成像（DWI）和磁共振波譜成像（MRS）
對於肝臟，通常使用T1、T2掃描，以及動態增強掃描。動態增強掃描技術應視為肝臟特別是肝癌檢查的常規方法

fMRI

fMRI原理
神經細胞活動時需要消耗氧氣，這些氧氣是依靠神經細胞周圍的微血管中的血紅蛋白輸送過來的。因此，當神經活動時，其附近的血流會增加以及時補充消耗掉的氧氣，最終使局部的血液增加，促使血液中的含氧血紅蛋白和脫氧血紅蛋白的濃度發生改變。而脫氧血紅蛋白是一種順磁性物質，其濃度的變化會引起磁共振信號強度的變化。fMRI掃描儀以一定的時間分辨率對這種連續變化的磁信號采樣，最終得到能夠反映神經細胞（元）活動的時間序列。在核磁醫學上，把由於含氧血紅蛋白和脫氧血紅蛋白濃度的變化而引起的磁共振信號的變化稱為血氧水平依賴（blood oxygen level dependent，BOLD）效應，並把相應的磁共振信號也稱為BOLD信號
fMRI數據特點

• 信噪比低
• 數據維度高
• 數據分布差異較大

MRI與FMRI
MRI掃的是大腦的結構圖像，也叫T1權重圖像。它有着很高的空間分辨率，可以從中看到非常清晰的解剖結構，也可以從中區分出各種不同的組織
fMRI往往用於研究大腦的具體功能，掃出來的是功能圖像，也叫做T2*權重圖像。雖然它的空間分辨率比較低但是時間分辨率很高，可以在很短的時間內掃出一疊功能圖像。這樣就可以研究實驗操作究竟是如何影響大腦的MRI信號的

FMRI數據預處理  
數據預處理步驟包括：可視化（Visualization）、去偽影（Artifact removal）、時間配准（Slice time correction）、頭動校正（Motion correction）、生理噪音校正（Correction for physiological effect）、結構功能配准（Co-registration）、標准化（Normalization）和時空間濾波（Spatial and temporal filtering）

fMRI分析的主要步驟

1. 質量控制：確保數據不被偽跡破壞
2. 扭曲校正：校正fMRI圖像經常發生的空間扭曲失真
3. 頭動校正：校正頭動，將掃描的時間序列圖像重新對准
4. 層間時間校正：校正圖像不同層之間的時間差異
5. 空間標准化：將不同個體的數據對准到一個通用空間結構上，使得所有數據可以合並進行組分析
6. 空間平滑：有意模糊數據以降低噪聲
7. 時間過濾：在時間維度上過濾數據，以去除低頻噪聲
8. 統計建模：將統計模型擬合到觀測數據，以估計任務或刺激引起的響應
9. 統計推斷：估計結果的統計顯著性，對在整個大腦中進行的大量統計檢驗進行校正
10. 可視化：對結果進行可視化，並估計效應量

簡化步驟：

1. 對齊：在FMRI序列當中，由於人為的因素而引起的誤差是很嚴重的，例如頭部的微小移動。因此在處理數據之前應當將這些人為的因素減小到最小
2. 標准化：由於個體之間存在差異，在提取個體之間的均值信號或者在標准空間的坐標系統下描述激活區時，需要將許多個體的圖像形變至同一標准空間，即圖像空間標准化。目前最常用的是Talairach和Tournoux標准腦圖譜
3. 配准：為了功能激活區的精確定位，通常將功能信息定位在分辨率較高的解剖圖像（比如T1加權像）上，這就需要將功能圖像和解剖圖像進行配准
4. 平滑：平滑主要有兩個作用，即增加信噪比；可以對於圖像部分效果進行增強

基於MRI標准坐標空間的三個主要坐標軸示意圖
在用於神經成像數據的標准空間中，X代表左/右；Y代表前/后；Z代表上/下。在數據矩陣中，一個特定的體素可以被標記為[Xvox, Yvox, Zvox]，通過這三個維度的坐標就可以確定體素的位置。如下所示：

Dicom

它定義了質量能滿足臨床需要的可用於數據交換的醫學圖像格式，可用於處理、存儲、打印和傳輸醫學影像信息。DICOM可以便捷地交換於兩個滿足DICOM格式協議的工作站之間
一個DICOM文件由一個數據頭和圖像數據組成的。數據頭的大小取決於數據信息的多少。數據頭中的內容包括病人編號、病人姓名等等。同時，它還決定了圖像幀數以及分辨率

每個病人的一次掃描CT(scan)可能有幾十到一百多個dcm數據文件(slices)。后綴為 .dcm，可以使用 python的dicom包讀取，一般使用其pixl_array數據

Dicom格式數據處理過程
醫學掃描圖像(scan)其實是三維圖像，使用代碼讀取之后開源查看不同的切面的切片(slices)，可以從不同軸切割
其次，CT掃描圖是包含了所有組織的，如果直接去看，看不到任何有用信息。需要做一些預處理,預處理中一個重要的概念是放射劑量，衡量單位為HU(Hounsfield Unit)，下表是不同放射劑量對應的組織器官

substance	HU
空氣	-1000
肺	-500
脂肪	-100 ~ -50
水	0
CSF	15
腎	30
血液	30 ~ 45
肌肉	10 ~ 40
灰質	37 ~ 45
白質	20 ~ 30
Liver	40 ~ 60
軟組織、contrast	100 ~ 300
骨頭	700（軟骨） ~ 3000（皮質骨）

計算方法：

Hounsfield Unit = pixel_value * rescale_slope + rescale_intercept

一般情況rescale slope = 1, intercept = -1024
灰度值是pixel value經過重重LUT轉換得到的用來進行顯示的值，而這個轉換過程是不可逆的，也就是說，灰度值無法轉換為ct值。只能根據窗寬窗位得到一個大概的范圍

一個簡單的dicom圖片處理

import dicom
import pylab
ds = dicom.read_file("1.2.840.113619.2.55.3.2831193967.596.1285460208.412.1.DCM")
print("圖片屬性： ", ds.dir("pat"))
print("病人： ", ds.PatientName)
# CT值得矩陣
pix = ds.pixel_array
# 讀取圖片
pylab.imshow(ds.pixel_array, cmap=pylab.cm.bone)
pylab.show()
# 將圖片中小於300的值置0
for n, val in enumerate(ds.pixel_array.flat):
    if val < 300:
        ds.pixel_array.flat[n] = 0
ds.PixelData = ds.pixel_array.tostring()
ds.save_as("output.dcm")

原圖：

顯示圖：

過濾值后的圖：

NIfTI格式

NIFTI中一個主要的特點在於它包含了兩個仿射坐標定義，這兩個仿射坐標定義能夠將每個立體元素指標（i,j,k）和空間位置（x,y,z）聯系起來
標准NIfTI圖像的擴展名是（.nii），包含了頭文件及圖像資料。同時NIfTI也可使用獨立的圖像文件（.img）和頭文件（.hdr）
DICOM和NIFTI間的區別
DICOM和NIFTI之間最主要的區別在於NIFTI中的原始圖像數據是以3D圖像的格式儲存的，而DICOM是以3D圖像片段的格式儲存的。這就是為什么在一些機器學習應用程序中NIFTI比DICOM更受歡迎，因為它是3D圖像模型。處理一個單個的NIFTI文件，與處理上百個DICOM文件相比要輕松得多。NIFTI的每一張3D圖像中只需儲存兩個文件，而在DICOM中則要儲存更多文件。

PET

PET的獨特作用是以代謝顯像和定量分析為基礎，應用組成人體主要元素的短命核素如11C、13N、15O、18F等正電子核素為示蹤劑，不僅可快速獲得多層面斷層影象、三維定量結果以及三維全身掃描，而且還可以從分子水平動態觀察到代謝物或葯物在人體內的生理生化變化，用以研究人體生理、生化、化學遞質、受體乃至基因改變。近年來，PET在診斷和指導治療腫瘤、冠心病和腦部疾病等方面均已顯示出獨特的優越性
PET是英文 Positron Emission Tomography的縮寫。其臨床顯像過程為：將發射正電子的放射性核素（如F－18等）標記到能夠參與人體組織血流或代謝過程的化合物上，將標有帶正電子化合物的放射性核素注射到受檢者體內。讓受檢者在PET的有效視野范圍內進行PET顯像
CT的基本原理是圖像重建，根據人體各種組織（包括正常和異常組織）對X射線吸收不等這一特性， 將人體某一選定層面分成許多立方體小塊（也稱體素）X射線穿過體素后，測得的密度或灰度值稱為象素。X射線束穿過選定層面，探測器接收到沿X射線束方向排列的各體素吸收X射線后衰減值的總和，為已知值，形成該總量的各體素X射線衰減值為未知值，當X射線發生源和探測器圍繞人體做圓弧或圓周相對運動時。用迭代方法求出每一體素的X射線衰減值並進行圖像重建，得到該層面不同密度組織的黑白圖像
PET-CT將PET與CT完美融為一體，由PET提供病灶詳盡的功能與代謝等分子信息，而CT提供病灶的精確解剖定位，一次顯像可獲得全身各方位的斷層圖像，具有靈敏、准確、特異及定位精確等特點，可一目了然的了解全身整體狀況，達到早期發現病灶和診斷疾病的目的

參考文獻：
Python與醫療圖像2
常見醫療掃描圖像處理步驟
深度學習下的醫學圖像分析 2
MRI影像學習筆記
醫學數據集及機器學習項目
面向fMRI數據的人腦功能划分