raw+mhd格式是常见的一种医学图像格式，每一个病人的数据包含一个mhd文件和一个同名的raw文件，mhd即meta header data，数据头部信息，而raw存储了像素信息。方法需要使用的SimpleITK库，我们需要在自己的Python环境中安装对应的库
pip install SimpleITK
mhd+raw的数据往往是三维体数据，我们可以从mhd文件中读取数据的具体信息如图像大小、切片大小、像素大小等信息。使用sitk.ReadImage() 即可读取图像，使用sitk.GetArrayFromImage() 可获取图像矩阵。
具体代码如下：
import os
import SimpleITK as sitk
import matplotlib.pyplot as plt
from natsort import natsorted
from tqdm import tqdm
import cv2
import numpy as np
mhd_path = './xxx.mhd' # mhd文件需和同名raw文件放在同一个文件夹
data = sitk.ReadImage(mhd_path) # 读取mhd文件
# print(data)
spacing = data.GetSpacing() # 获得spacing大小
img_data = sitk.GetArrayFromImage(data) # 获得图像矩阵
print(img_data.shape)
# 图像数据转换为npy保存
np.save('img_data.npy', np.array(img_data))
# 将图像转为png格式保存
for i in range(img_data.shape[0]):
cv2.imwrite('./{}.png'.format(i), img_data[i, :, :])
DICOM（Digital Imaging and Communications in Medicine） 即医学数字成像和通信，是医学图像和相关信息的国际标准（ISO 12052）。DICOM被广泛应用于放射医疗，心血管成像以及放射诊疗诊断设备（X射线，CT，核磁共振，超声等），并且在眼科和牙科等其它医学领域得到越来越深入广泛的应用。所有患者的医学图像都以 DICOM 文件格式进行存储。使用Python读取dicom图像可以使用pydicom库和SimpleITK库来完成。由于在医学图像处理领域中，对不同的图像需要使用不同的窗宽窗位导出图像，在下面代码中，我增加了对应的代码。
pip install SimpleITK pip install pydicom
使用pydicom方法具体代码如下：
import os
import SimpleITK as sitk
import matplotlib.pyplot as plt
from natsort import natsorted
from tqdm import tqdm
import cv2
import pydicom
import numpy as np
#调整图像窗宽窗位
def window_transform(ct_array, window_width, window_center, normal=False):
min_window = float(window_center) - 0.5*float(window_width)
new_img = (ct_array - min_window) / float(window_width)
new_img[new_img < 0] = 0
new_img[new_img > 1] = 1
if not normal:
new_img = (new_img * 255).astype('uint8')
return new_img
img_path = 'xx.dcm'
#此时读取的是所有dicom图像信息
image = pydicom.read_file(img_path)
#获得图像矩阵
image_data = image.pixel_array
#获得dicom中的患者信息、图像信息等
information['PatientID'] = image.PatientID
information['PatientName'] = image.PatientName
information['PatientBirthDate'] = image.PatientBirthDate
information['PatientSex'] = image.PatientSex
window_width = 1000
window_center = 30
image_data = window_transform(image_data, window_width, window_center, normal=False)
cv2.imwrite('./img.png',image_data)
使用SimpleITK方法具体代码如下：
import os
import SimpleITK as sitk
import matplotlib.pyplot as plt
from natsort import natsorted
from tqdm import tqdm
import cv2
import pydicom
import numpy as np
img_path = 'xx.dcm'
#此时读取的是所有dicom图像信息
image = sitk.ReadImage(img_path)
# 转为值为0-255的灰度图
rescalFilt = sitk.RescaleIntensityImageFilter()
rescalFilt.SetOutputMaximum(255)
rescalFilt.SetOutputMinimum(0)
image = rescalFilt.Execute(image)
image_data = sitk.GetArrayFromImage(image_data)
image_data = np.squeeze(dicom_data)
cv2.imwrite('./img.png',image_data)
医学影像早期使用的是DICOM标准，基本上各家厂商都会使用符合DICOM标准的产品，但是这个标准对于数据分析并不方便。在神经影像兴起时就诞生了各种各样的数据存储标准，比如analyze。后为了便于学术交流，NIH拉着其他一些组织的专家成立了工作组，制定了新的神经影像的数据存储标准，称为NIFTI。 读取nii后缀的NIFTI格式图像需要安装nibabel库
pip install nibabel
使用nib.load() 函数即可读取图像数据data, 其中dataobj就是图像矩阵
import os
import numpy as np
import nibabel as nib
import matplotlib.pyplot as plt
from glob import glob
img_path = './xxx.nii'
image = nib.load(img_path)
image_data = image.dataobj
for i in range(0, dataobj.shape[2]):
cv2.imwrite('./{}.png'.format(i), img_data[i, :, :])
