医学图像预处理（一）——读取图片(dcm,nii,PIL,skimage,cv2)

总结一下目前遇到的一些医学图像预处理步骤，但才开始自学两周，所以很多东西或许不对或者不全面，以后争取每两周回顾以前的文章，将内容完善，并提高质量。（2019-3-5）
由于篇幅原因，将预处理的步骤分开来，这一篇将总结读取图片的方法。
2019/7/7更新，写在最前：关于图片读取出来宽、高顺序问题
（文中nii读取图片那节也有提到图片读取出来的w,h先后问题。）
有这样的疑问是看得多了之后发现有时候图片是(height, width),有时候又是（width, height）
特别是训练网络，有时候宽高一样，弄反了也没有什么影响。
下面是进行的测验，先直接说结论：
对于屏幕坐标而言，（x,y）=(0,0)位于左上角，x代表width，即column，y代表height，即row
因此，图片原生的表示，应该是(width,height),这也是电脑编辑图片能看到的分辨率格式 但由于图片的储存形式为矩阵，而对于矩阵，
我们熟悉的都是row first（一般的数学概念上都会是row first），所以说在涉及到具体操作时，
还是将图片转化为(height, width)比较方便，因为index时[i-th row][j-th column]也就对应着(height, width)。
这也是下面例子中，原生格式为(w,h)转化为numpy数组后，就自动变成了(h,w)
（顺带一提，对于point而言，则不会有这种变化，因此opencv中画点还是(x,y)即(col,raw),
画矩阵或图片就得变化一下）

import cv2
from PIL import Image
import numpy as np
from skimage.io import  imread

filepath = './liver.jpg'

cv2_im = cv2.imread(filepath)
print('cv2_im shape ',cv2_im.shape) # (height, width, ch)

im = Image.open(filepath)
print('PIL image size', im.size) # (width, height, ch)
pil_im = np.asarray(im)
print('pil_im shape ',pil_im.shape) # (height, width, ch)

sk_im = imread(filepath)
print('sk_im shape', sk_im.shape) # (height, width, ch)

# pydicom: dcm_slice = pydicom.dcmread(filename)
#          slice_data = dcm_slice.pixel_array   shape:(height, width)
#          若想更改原始像素size或其他操作，必须写回至原始二进制属性PixelData 中
#          dcm_slice.PixelData = dcm_slice.pixel_array.tobytes()
# SimpleITK: itk_im = sitk.ReadImage()  size:(width, height, depth)
#            np_im = sitk.GetArrayFromImage(itk_im) shape:(depth, height, width)

读取DICOM格式

用到的包：pydicom

例如，以公共数据集3Dircadb为例，其文件组织如下：

其中3Dircadb1.1代表病人1.1号，PATIENT_DICOM是病人腹部切面，LABELED_DICOM 是标记了不同部位的切片，MASKS_DICOM下面又有子文件夹，分别是不同部位的mask。所有的图片都是灰度图像。

读取dicom文件

label_path = '~/Downloads/3Dircadb/3Dircadb1.1/LABELLED_DICOM'
# 若不遍历读出，则获得的是单张切片，而非三维图片
slices = [pydicom.dcmread(label_path + '/' + s) for s in os.listdir(label_path)]
slices.sort(key = lambda x: int(x.InstanceNumber))
# slice[i]为pydicom.dataset.FileDataset，储存了切片相关的信息
# .pixel_array用来获取像素信息,每张切片都是灰度图
#2019-6-5更新：s.pixel_array.shape:(height,width)
image = np.stack([s.pixel_array for s in slices])
image = image.astype(np.int16)
# 目前还不知道这些label值对应的器官分别是什么？
np.unique(image