CT影像肺部ROI分割

 这个目前还有点问题 没有很好的进行ROI分割提取肺部，而是单独把整个ct 做个肺部提取了， 正常应该提取左 右肺部2个分割，这个后面找时间再优化补充一下，这里先把已经搞的记录一下，我想 无非是先预处理一下图像 再提取？或者不用opencv  而用其他的lib 进行提取操作？或者参数有问题？

 完整代码如下：

import pydicom
import numpy as np
import cv2
import matplotlib.pyplot as plt
from skimage import morphology

plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用 SimHei 字体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
plt.rcParams['font.size'] = 10  # 设置全局字体大小


def load_dicom_image(dicom_path):
    """
    加载DICOM文件并转换为HU值
    """
    ds = pydicom.dcmread(dicom_path)
    pixel_array = ds.pixel_array

    # 转换为HU值
    if hasattr(ds, 'RescaleSlope') and hasattr(ds, 'RescaleIntercept'):
        hu_image = pixel_array * ds.RescaleSlope + ds.RescaleIntercept
    else:
        hu_image = pixel_array

    return hu_image, ds


def apply_window(image, window_width, window_level):
    """
    应用窗宽窗位调整图像
    """
    window_min = window_level - window_width / 2
    window_max = window_level + window_width / 2

    windowed_image = np.clip(image, window_min, window_max)
    normalized = ((windowed_image - window_min) / (window_width)) * 255

    return normalized.astype(np.uint8)


def segment_lung(hu_image, window_width=1642, window_level=-234, threshold=25, min_area_ratio=0.01):
    """
    分割肺部区域 (ROI)
    """
    # 应用肺窗增强肺部区域
    lung_windowed = apply_window(hu_image, window_width, window_level)

    # 可视化肺窗图像
    plt.figure(figsize=(10, 5))
    plt.subplot(1, 2, 1)
    plt.imshow(lung_windowed, cmap='gray')
    plt.title(f"肺窗图像 (WW={window_width}, WL={window_level})")
    plt.axis('off')

    # 二值化处理
    _, binary = cv2.threshold(lung_windowed, threshold, 255, cv2.THRESH_BINARY)
    plt.subplot(1, 2, 2)
    plt.imshow(binary, cmap='gray')
    plt.title(f"二值化图像 (阈值={threshold})")
    plt.axis('off')
    plt.show()

    # 形态学操作 - 去除小噪点
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
    cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=2)
    filled = cv2.morphologyEx(cleaned, cv2.MORPH_CLOSE, kernel, iterations=3)

    # 可视化形态学处理后的图像
    plt.figure(figsize=(10, 5))
    plt.subplot(1, 2, 1)
    plt.imshow(cleaned, cmap='gray')
    plt.title("形态学开运算")
    plt.axis('off')
    plt.subplot(1, 2, 2)
    plt.imshow(filled, cmap='gray')
    plt.title("形态学闭运算")
    plt.axis('off')
    plt.show()

    # 提取连通区域
    num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(filled)

    # 计算最小面积阈值
    min_area = min_area_ratio * hu_image.size

    # 选择面积大于阈值的区域
    valid_labels = []
    for i in range(1, num_labels):  # 跳过背景(0)
        if stats[i, cv2.CC_STAT_AREA] > min_area:
            valid_labels.append(i)

    if not valid_labels:
        # 显示连通区域分析结果
        plt.figure(figsize=(12, 6))
        plt.subplot(1, 2, 1)
        plt.imshow(filled, cmap='gray')
        plt.title("形态学处理后的图像")
        plt.axis('off')

        plt.subplot(1, 2, 2)
        # 使用伪彩色显示连通区域
        labels_display = labels.astype(np.float32) / num_labels
        plt.imshow(labels_display, cmap='jet')
        plt.title(f"连通区域分析 ({num_labels - 1}个区域)")
        plt.axis('off')
        plt.colorbar(label='区域ID')
        plt.show()

        raise ValueError(f"未检测到有效的肺部区域 (最小面积={min_area:.0f}像素)")

    lung_mask = np.zeros_like(labels, dtype=np.uint8)

    for label in valid_labels:
        lung_mask[labels == label] = 255

    # 显示最终肺部分割结果
    plt.figure(figsize=(10, 5))
    plt.subplot(1, 2, 1)
    plt.imshow(lung_windowed, cmap='gray')
    plt.title("肺窗图像")
    plt.axis('off')

    plt.subplot(1, 2, 2)
    plt.imshow(lung_mask, cmap='gray')
    plt.title(f"肺部ROI分割 (检测到{len(valid_labels)}个区域)")
    plt.axis('off')
    plt.show()

    return lung_mask


def crop_and_scale_roi(hu_image, mask, padding=10, target_size=(256, 256)):
    """
    裁剪并缩放感兴趣区域
    """
    # 查找轮廓
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    if not contours:
        # 显示原始掩码帮助调试
        plt.figure(figsize=(8, 4))
        plt.subplot(1, 2, 1)
        plt.imshow(mask, cmap='gray')
        plt.title("肺部掩码")
        plt.axis('off')

        plt.subplot(1, 2, 2)
        plt.imshow(apply_window(hu_image, 400, 40), cmap='gray')
        plt.title("原始CT图像")
        plt.axis('off')
        plt.show()

        raise ValueError("未找到有效的轮廓")

    # 获取所有轮廓的联合边界框
    x_min, y_min, x_max, y_max = float('inf'), float('inf'), 0, 0

    for contour in contours:
        x, y, w, h = cv2.boundingRect(contour)
        x_min = min(x_min, x)
        y_min = min(y_min, y)
        x_max = max(x_max, x + w)
        y_max = max(y_max, y + h)

    # 添加填充
    x_min = max(0, x_min - padding)
    y_min = max(0, y_min - padding)
    x_max = min(hu_image.shape[1], x_max + padding)
    y_max = min(hu_image.shape[0], y_max + padding)

    # 确保边界框有效
    if x_max <= x_min or y_max <= y_min:
        plt.figure(figsize=(8, 4))
        plt.subplot(1, 2, 1)
        plt.imshow(mask, cmap='gray')
        plt.title("肺部掩码")
        plt.axis('off')

        plt.subplot(1, 2, 2)
        plt.imshow(apply_window(hu_image, 400, 40), cmap='gray')
        plt.plot([x_min, x_max, x_max, x_min, x_min],
                 [y_min, y_min, y_max, y_max, y_min], 'r-')
        plt.title(f"无效边界框: x={x_min}-{x_max}, y={y_min}-{y_max}")
        plt.axis('off')
        plt.show()

        raise ValueError(f"无效的边界框坐标: x={x_min}-{x_max}, y={y_min}-{y_max}")

    # 裁剪ROI
    cropped_hu = hu_image[y_min:y_max, x_min:x_max]
    cropped_mask = mask[y_min:y_max, x_min:x_max]

    # 应用掩码 (可选)
    # masked_roi = cv2.bitwise_and(cropped_hu, cropped_hu, mask=cropped_mask)

    # 缩放图像
    scaled_hu = cv2.resize(cropped_hu, target_size, interpolation=cv2.INTER_LINEAR)
    scaled_mask = cv2.resize(cropped_mask, target_size, interpolation=cv2.INTER_NEAREST)

    return scaled_hu, scaled_mask, (x_min, y_min, x_max, y_max)


def visualize_results(hu_image, mask, roi_coords, scaled_hu, scaled_mask):
    """
    可视化处理结果
    """
    plt.figure(figsize=(15, 10))

    # 原始HU图像 (软组织窗)
    plt.subplot(2, 3, 1)
    soft_tissue = apply_window(hu_image, 400, 40)
    plt.imshow(soft_tissue, cmap='gray')
    plt.title("原始CT图像 (软组织窗)")
    plt.axis('off')

    # 肺部窗图像
    plt.subplot(2, 3, 2)
    lung_window = apply_window(hu_image, 1642, -234)
    plt.imshow(lung_window, cmap='gray')
    plt.title("肺窗图像")
    plt.axis('off')

    # 肺部掩码
    plt.subplot(2, 3, 3)
    plt.imshow(mask, cmap='gray')
    plt.title("肺部ROI分割")
    plt.axis('off')

    # 原始图像上显示ROI框
    plt.subplot(2, 3, 4)
    plt.imshow(soft_tissue, cmap='gray')
    x_min, y_min, x_max, y_max = roi_coords
    cv2.rectangle(soft_tissue, (x_min, y_min), (x_max, y_max), (255, 0, 0), 2)
    plt.imshow(soft_tissue, cmap='gray')
    plt.title("ROI定位框")
    plt.axis('off')

    # 裁剪后的ROI (肺窗)
    plt.subplot(2, 3, 5)
    cropped_lung = apply_window(hu_image[y_min:y_max, x_min:x_max], 1670, -234)
    plt.imshow(cropped_lung, cmap='gray')
    plt.title(f"裁剪的ROI ({cropped_lung.shape[1]}x{cropped_lung.shape[0]})")
    plt.axis('off')

    # 缩放后的ROI
    plt.subplot(2, 3, 6)
    scaled_lung = apply_window(scaled_hu, 1670, -234)
    plt.imshow(scaled_lung, cmap='gray')
    plt.title(f"缩放后的ROI ({target_size[0]}x{target_size[1]})")
    plt.axis('off')

    plt.tight_layout()
    plt.show()


# 主程序
if __name__ == "__main__":
    # 配置参数
    dicom_path = "Anonymized_20250720/series-00002/image-00130.dcm"  # 替换为你的DICOM文件路径
    padding = 15  # ROI周围的填充像素
    target_size = (256, 256)  # 缩放目标尺寸

    # 可调整的分割参数
    lung_window_width = 1670  # 肺窗宽
    lung_window_level = -234  # 肺窗位
    binary_threshold = 25  # 二值化阈值
    min_area_ratio = 0.005  # 最小区域面积比例 (相对于图像总面积)

    try:
        # 1. 加载DICOM图像
        hu_image, ds = load_dicom_image(dicom_path)
        print(f"图像尺寸: {hu_image.shape}, HU值范围: {np.min(hu_image):.0f} 到 {np.max(hu_image):.0f}")

        # 显示原始图像
        plt.figure(figsize=(10, 5))
        plt.subplot(1, 2, 1)
        plt.imshow(apply_window(hu_image, 400, 40), cmap='gray')
        plt.title("软组织窗 (WW=400, WL=40)")
        plt.axis('off')

        plt.subplot(1, 2, 2)
        plt.imshow(apply_window(hu_image, lung_window_width, lung_window_level), cmap='gray')
        plt.title(f"肺窗 (WW={lung_window_width}, WL={lung_window_level})")
        plt.axis('off')
        plt.suptitle("原始CT图像")
        plt.tight_layout()
        plt.show()

        # 2. 分割肺部ROI
        lung_mask = segment_lung(
            hu_image,
            window_width=lung_window_width,
            window_level=lung_window_level,
            threshold=binary_threshold,
            min_area_ratio=min_area_ratio
        )

        # 3. 裁剪和缩放ROI
        scaled_hu, scaled_mask, roi_coords = crop_and_scale_roi(
            hu_image, lung_mask, padding, target_size
        )

        print(f"ROI坐标: x={roi_coords[0]}-{roi_coords[2]}, y={roi_coords[1]}-{roi_coords[3]}")
        print(f"缩放后尺寸: {scaled_hu.shape}")

        # 4. 可视化结果
        visualize_results(hu_image, lung_mask, roi_coords, scaled_hu, scaled_mask)

        # 5. 可选: 保存处理后的图像
        # 保存肺部窗的缩放ROI
        output_image = apply_window(scaled_hu, lung_window_width, lung_window_level)
        cv2.imwrite("lung_roi_resized.png", output_image)

        # 保存掩码
        cv2.imwrite("lung_mask.png", scaled_mask)

    except Exception as e:
        print(f"处理过程中出错: {str(e)}")

        # 如果可能，显示HU直方图帮助诊断
        if 'hu_image' in locals():
            plt.figure(figsize=(10, 4))
            plt.hist(hu_image.flatten(), bins=200, color='blue')
            plt.axvline(x=lung_window_level, color='red', linestyle='--', label=f'窗位={lung_window_level}')
            plt.axvline(x=lung_window_level - lung_window_width / 2, color='green', linestyle='--', label='窗宽下限')
            plt.axvline(x=lung_window_level + lung_window_width / 2, color='green', linestyle='--', label='窗宽上限')
            plt.title("HU值直方图")
            plt.xlabel("HU值")
            plt.ylabel("频数")
            plt.legend()
            plt.show()

 运行结果如图：

 

这里 roi 定位框有问题

1. 环境设置与字体配置

import pydicom
import numpy as np
import cv2
import matplotlib.pyplot as plt
from skimage import morphology

plt.rcParams['font.sans-serif'] = ['SimHei']  # 使用 SimHei 字体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
plt.rcParams['font.size'] = 10  # 设置全局字体大小

• 作用：导入必要的库并设置中文字体显示

• 关键点：

  • pydicom：用于读取DICOM格式的医疗影像

  • numpy：处理图像数据

  • cv2：图像处理和计算机视觉功能

  • matplotlib：图像可视化

  • skimage.morphology：形态学操作

  • 字体设置确保中文标签正常显示

2. DICOM图像加载函数

def load_dicom_image(dicom_path):
    ds = pydicom.dcmread(dicom_path)
    pixel_array = ds.pixel_array

    # 转换为HU值
    if hasattr(ds, 'RescaleSlope') and hasattr(ds, 'RescaleIntercept'):
        hu_image = pixel_array * ds.RescaleSlope + ds.RescaleIntercept
    else:
        hu_image = pixel_array

    return hu_image, ds

• 功能：加载DICOM文件并转换为Hounsfield单位(HU)

• 关键点：

  • dcmread()读取DICOM文件

  • 使用RescaleSlope和RescaleIntercept将原始像素值转换为HU值

  • HU值是CT影像的标准单位，其中：

    • 水 = 0 HU

    • 空气 = -1000 HU

    • 骨骼 > 400 HU

3. 窗宽窗位调整函数

def apply_window(image, window_width, window_level):
    window_min = window_level - window_width / 2
    window_max = window_level + window_width / 2

    windowed_image = np.clip(image, window_min, window_max)
    normalized = ((windowed_image - window_min) / (window_width)) * 255

    return normalized.astype(np.uint8)

• 功能：应用窗宽窗位调整图像显示范围

• 关键点：

  • window_width：窗宽，决定图像对比度

  • window_level：窗位，决定图像亮度中心

  • 将HU值映射到0-255灰度范围

  • 窗宽窗位原理：

    • 窄窗宽 → 高对比度（适合观察组织间微小差异）

    • 宽窗宽 → 低对比度（适合观察大范围密度差异）

4. 肺部ROI分割函数

def segment_lung(hu_image, window_width=1642, window_level=-234, threshold=25, min_area_ratio=0.01):
    # 应用肺窗
    lung_windowed = apply_window(hu_image, window_width, window_level)
    
    # 二值化处理
    _, binary = cv2.threshold(lung_windowed, threshold, 255, cv2.THRESH_BINARY)
    
    # 形态学操作
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
    cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=2)
    filled = cv2.morphologyEx(cleaned, cv2.MORPH_CLOSE, kernel, iterations=3)
    
    # 提取连通区域
    num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(filled)
    
    # 计算最小面积阈值
    min_area = min_area_ratio * hu_image.size
    
    # 选择面积大于阈值的区域
    valid_labels = []
    for i in range(1, num_labels):
        if stats[i, cv2.CC_STAT_AREA] > min_area:
            valid_labels.append(i)
    
    # ... [错误处理和可视化] ...
    
    return lung_mask

• 功能：分割肺部区域

• 关键参数：

  • window_width=1670, window_level=-234：肺窗参数

  • threshold=25：二值化阈值

  • min_area_ratio=0.005：最小区域面积比例

• 处理流程：

  1. 应用肺窗突出肺部区域

  2. 二值化分离肺部组织

  3. 形态学操作（开运算去噪，闭运算填充）

  4. 连通区域分析

  5. 筛选面积足够大的区域作为肺部ROI

5. ROI裁剪与缩放函数

def crop_and_scale_roi(hu_image, mask, padding=10, target_size=(256, 256)):
    # 查找轮廓
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    # 计算边界框
    x_min, y_min, x_max, y_max = float('inf'), float('inf'), 0, 0
    for contour in contours:
        x, y, w, h = cv2.boundingRect(contour)
        # ... 更新边界坐标 ...
    
    # 添加填充
    x_min = max(0, x_min - padding)
    # ... 其他边界处理 ...
    
    # 裁剪ROI
    cropped_hu = hu_image[y_min:y_max, x_min:x_max]
    
    # 缩放图像
    scaled_hu = cv2.resize(cropped_hu, target_size, interpolation=cv2.INTER_LINEAR)
    
    return scaled_hu, scaled_mask, (x_min, y_min, x_max, y_max)

• 功能：裁剪感兴趣区域并进行缩放

• 参数：

  • padding=15：ROI周围的填充像素

  • target_size=(256, 256)：目标缩放尺寸

• 处理流程：

  1. 查找ROI轮廓

  2. 计算包含所有ROI的边界框

  3. 添加填充避免裁剪边缘

  4. 裁剪ROI区域

  5. 缩放至目标尺寸

6. 结果可视化函数

• 功能：可视化处理全过程

• 展示内容：

  1. 原始CT图像（软组织窗）

  2. 肺窗图像

  3. 肺部ROI分割结果

  4. 原始图像上的ROI定位框

  5. 裁剪后的ROI

  6. 缩放后的ROI

7. 主程序流程

if __name__ == "__main__":
    # 配置参数
    dicom_path = "Anonymized_20250720/series-00002/image-00130.dcm"
    padding = 15
    target_size = (256, 256)
    
    # 分割参数
    lung_window_width = 1670
    lung_window_level = -234
    binary_threshold = 25
    min_area_ratio = 0.005

    try:
        # 1. 加载DICOM图像
        hu_image, ds = load_dicom_image(dicom_path)
        
        # 2. 显示原始图像
        # 3. 分割肺部ROI
        lung_mask = segment_lung(...)
        
        # 4. 裁剪和缩放ROI
        scaled_hu, scaled_mask, roi_coords = crop_and_scale_roi(...)
        
        # 5. 可视化结果
        visualize_results(...)
        
        # 6. 保存处理后的图像
        cv2.imwrite("lung_roi_resized.png", ...)
        
    except Exception as e:
        # 错误处理和诊断
        print(f"处理过程中出错: {str(e)}")
        # 显示HU直方图帮助诊断
        plt.hist(hu_image.flatten(), bins=200, color='blue')
        # ... 标记窗宽窗位 ...
        plt.show()

• 主要步骤：

  1. 加载DICOM图像

  2. 显示原始图像（软组织窗和肺窗）

  3. 分割肺部ROI

  4. 裁剪和缩放ROI

  5. 可视化处理结果

  6. 保存处理后的图像

• 错误处理：

  • 捕获并显示异常信息

  • 显示HU直方图帮助诊断问题

一般参数

1. 肺窗参数 (lung_window_width, lung_window_level)

• 典型值：WW=1500, WL=-600  我这里设置的是根据图像情况调整了的结果

2. 二值化阈值 (binary_threshold)

• 典型值：30-40

• 调整建议：

  • 如果肺部区域未完全提取 → 降低阈值（如20）

  • 如果背景噪声过多 → 提高阈值（如40）

  • 您的设置：25（较低，可能包含更多噪声）

3. 最小区域面积比例 (min_area_ratio)

• 典型值：0.01（约占总像素1%）

• 调整建议：

  • 如果小区域被忽略 → 降低比例（如0.005）

  • 如果噪声区域被包含 → 提高比例（如0.02）

  • 您的设置：0.005（较低，适合保留小区域）

常见问题诊断

错误："未检测到有效的肺部区域"

可能原因：

1. 肺窗参数不匹配

   • 窗宽窗位设置不当，肺部区域未正确显示

   • 解决方案：调整lung_window_width和lung_window_level

2. 二值化阈值不当

   • 阈值过高或过低，肺部区域未正确分离

   • 解决方案：调整binary_threshold

3. 图像不包含完整肺部

   • 当前切片位于肺部区域外（如颈部或腹部）

   • 解决方案：选择包含肺部的切片

4. 最小面积设置过大

   • min_area_ratio设置过高，小区域被过滤

   • 解决方案：降低min_area_ratio

诊断工具：

• HU直方图：显示图像中所有HU值的分布

  • 肺部区域通常在-1000到-400 HU之间

  • 窗宽窗位应在肺部区域中心

• 肺窗图像：查看肺窗调整后效果

• 二值化图像：检查肺部区域是否被正确提取

优化建议

1. 自适应窗宽窗位：

# 根据图像特性自动计算窗宽窗位
def auto_lung_window(hu_image):
    lung_mask = (hu_image < -400) & (hu_image > -1000)
    if np.any(lung_mask):
        lung_values = hu_image[lung_mask]
        wl = np.median(lung_values)
        ww = np.ptp(lung_values) * 1.5
        return ww, wl
    else:
        return 1500, -600  # 默认值

1. 自适应阈值：

# 使用Otsu自适应阈值
_, binary = cv2.threshold(lung_windowed, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

1. 多切片处理：

# 处理整个DICOM系列
dicom_files = sorted(glob.glob("Anonymized_20250720/series-00002/*.dcm"))
for file in dicom_files:
    try:
        hu_image, ds = load_dicom_image(file)
        # ... 处理逻辑 ...
    except Exception as e:
        print(f"处理 {file} 时出错: {str(e)}")

这个CT影像肺部ROI分割代码实现了完整的处理流程：

1. DICOM图像加载和HU值转换

2. 肺窗调整优化肺部显示

3. 二值化和形态学操作提取肺部区域

4. 连通区域分析筛选有效ROI

5. ROI裁剪和缩放

6. 结果可视化和保存

当出现"未检测到有效的肺部区域"错误时，应通过：

1. 检查肺窗参数是否合适

2. 调整二值化阈值

3. 降低最小面积比例

4. 验证图像是否包含肺部区域

通过HU直方图和中间处理步骤的图像，可以有效诊断问题原因并进行参数优化。