1 CT图像的Hu值变换
2 CT调整图像窗宽窗位
1 CT图像的Hu值变换
属于医学领域的概念，通常域的概念（hounsfield unit,HU),它反映了组织对X射线的吸收。黑影表示低吸收区，即低密度区，如肺部含气较多；影子表示高吸收区，即高密度区，如骨骼。但是CT 与X线图像相比，CT密度分辨率高，即密度分辨率高（density resolution）。因此，人体软组织的密度差异很小。虽然吸收系数大多接近水，但也可以形成对比和成像。解剖成像。
计算机领域的概念是指单个像素点的亮度。灰度值越大，亮度越亮。范围一般为0-255，白色为255，黑色为0，因此黑白图片也称为灰度图像。
两种最常用的医学图像数据格式：和
DICOM文件类型的后缀为,常用的python处理库有：,
NIFTI文件类型的后缀为或，常用的python处理库有：,
：无论对于dcm还是nii图片的格式，只要是ct为了更好地观察不同的器官，可以选择将存储的原始数据转换为Hu值，因为Hu值代表物体的真实密度。
对于nii格式图片，SimpleITK,nibabel中常用的api界面将自动进行上述转换过程，即取出的值已经是Hu了。除非专门用nib.load('xx').dataobj.get_unscaled()或者itk.ReadImage('xx').GetPixel(x,y,z)获取原始数据
对于dcm格式图片，SimpleITK,pydicom常用的api接口不会自动将原始数据转换为Hu。（itk snap软件读入dcm或nii数据不会进行scale操作）
公式及代码：
HU = pixel_val*slope intercept
其中，slope,intercept可读取元数据
def get_pixels_hu(ct_array,slope,intercept): if slope != 1: ct_array = slope*ct_array ct_array = intercept return ct_array对于CT图像，它的HU值从负几千到正几千，我们可以用ITK依次读取CT图像的每个值，并可以将其每个值保存在Mat中此时通过opencv的imshow函数无法显示。图像显示和打印的一个问题是，图像的亮度和对比度不能完全突出关键部分。这里提到的关键部分是 CT 软组织、骨头、脑组织、肺、腹等。因为通常只有显示器 8-bit， 而数据有 12- 至 16-bits。也就是说，我们不能直接 CT 值作为传统意义上的像素值进行输出， 相反，它需要改变，或者称为映射。
研究人员对这些问题提出了一些要求 (requirements)，变化应尽可能满足：
要求一:充分利用 0-255 间显示有效值域 要求2：尽量减少值域压缩造成的损失 要求3：组织部分不应突出损失
医学图像领域的窗口技术包括窗宽(window width)和窗位(window center),选择感兴趣的CT值范围。因为各种组织结构或病变有所不同CT因此，为了显示组织结构的细节，应选择适合观察组织或病变的窗宽和窗位，以获得最佳显示。窗宽和窗位对应图像的对比度和亮度。
：1)宽窗位是CT独特的图像概念，MRI图像中没有这个概念2)CT西安必须转换图像HU调整窗宽窗位值
是CT显示在图像上CT值范围，在此CT不同模拟灰度显示值范围内的组织和病变。而CT组织和病变的组织和病变，无论高程度如何，都以白影显示，不再有灰度差异； 相反，低于这一范围的组织结构，无论有多低，都以黑影显示，没有灰度差异。增加窗宽，图像显示CT增加值范围，显示不同密度的组织结构增加，但结构之间的灰度差减少。减少窗宽，显示的组织结构减少，但结构之间的灰度差增加。例如，观察大脑的窗宽通常为-15~ 85H，即密度在-15 ~ 85H脑质和脑脊液间隙等各种结构均以不同的灰度显示。而高于 85H骨质几颅内钙化等组织结构，虽然密度差，但白影显示，无灰度差；低于-15H皮下脂肪、乳突内气体等组织结构均以黑影显示，其间无灰度差异。
它是窗户的中心位置。由于窗户位置不同，窗户宽度相同。CT值范围的CT值也不同。例如，窗宽为1000H，当窗位为0H时，其CT值范围为-50 ~ 50H ; 如窗位为 35H时，则CT值范围为-15~ 85H。。例如脑质CT值约为 35H，在观察脑组织及其病变时，选择窗口 35H为妥。
应用场景：用神经网络分割liver 和 liver tumor,预处理训练数据。
基本思路：
：
窗位和窗宽可设置如下:(但有研究人员认为这种方法没有定制方法2的优势)
def get_window_size(organ_name): if organ_name == 'lung': # 肺部 ww 1500-2000 wl -450--600 center = -500 width = 2000 elif organ_name == 'abdomen': # 腹部 ww 300-500 wl 30-50 center = 40 width = 500 elif organ_name == 'bone': # 骨窗 ww 1000-1500 wl 250-350 center = 300 width = 2000 elif organ_name == 'lymph': # 淋巴，软组织 ww 300-500 wl 40-60 center = 50 width = 300 elif organ_name == 'mediastinum': # 纵隔 ww 250-350 wl 30-50 center = 40 width = 350 elif organ_name == 'liver': #肝组织正常CT值为50HU左右， #采用 ww 100-150 wl 70-75可以检查常规ww200,wl 50未检测到的病灶 #两种组织密度差小的病变适合观察高窗位和低窗宽 center == 70 width == 100 return center, width
：
1）用liver和tumor的mask抠出liver 和 tumor部分
2）统计相应的最大值和最小值，并用其计算窗宽窗位。
优点：每个case的窗宽窗位依据案例量身定做。相较于整个数据集用统一的窗宽窗位，或者采用cut off,有无可比拟的优点。
import SimpleITK as sitk
import numpy as np
import os
def saved_preprocessed(savedImg,origin,direction,xyz_thickness,saved_name):
newImg = sitk.GetImageFromArray(savedImg)
newImg.SetOrigin(origin)
newImg.SetDirection(direction)
newImg.SetSpacing((xyz_thickness[0], xyz_thickness[1], xyz_thickness[2]))
sitk.WriteImage(newImg, saved_name)
def window_transform(ct_array, windowWidth, windowCenter, normal=False):
"""
return: trucated image according to window center and window width
and normalized to [0,1]
"""
minWindow = float(windowCenter) - 0.5*float(windowWidth)
newing = (ct_array - minWindow)/float(windowWidth)
newing[newing < 0] = 0
newing[newing > 1] = 1
#将值域转到0-255之间,例如要看头颅时， 我们只需将头颅的值域转换到 0-255 就行了
if not normal:
newing = (newing *255).astype('uint8')
return newing
ct_path = 'G:\LITS\Training_dataset'
saved_path = 'C:\\Users\\Cerry\\Desktop\\wl'
name_list = ['volume-0.nii']
for name in name_list:
ct = sitk.ReadImage(os.path.join(ct_path,name))
origin = ct.GetOrigin()
direction = ct.GetDirection()
xyz_thickness = ct.GetSpacing()
ct_array = sitk.GetArrayFromImage(ct)
seg_array = sitk.GetArrayFromImge(sitk.ReadImage(os.path.join(ct_path,name.replace('volume'
,'segmentation'))))
seg_bg = seg_array == 0
seg_liver = seg_array >= 1
seg_tumor = seg_array == 2
ct_bg = ct_array * seg_bg
ct_liver = ct_array*seg_liver
ct_tumor = ct_array*seg_tumor
liver_min = ct_liver.min(）
liver_max = ct_liver.max()
tumor_min = ct_tumor.min()
tumor_max = ct_tumor.max()
#by liver
liver_wide = liver_max - liver_min
liver_center = (liver_max + liver_min)/2
liver_wl = window_transform(ct_array,liver_wide,liver_center,normal=True)
saved_name = os.path.join(saved_path,'liver_w1_1.nii')
saved_preprocessed(liver_w1,origin,direction,xyz_thickness,saved_name)
#by tumor(recommended)
tumor_wide = tumor_max - tumor_min
tumor_center = (tumor_max + tumor_min) / 2
tumor_wl = window_transform(ct_array, tumor_wide, tumor_center, normal=True)
saved_name = os.path.join(saved_path, 'tumor_wl_1.nii')
saved_preprocessed(tumor_wl, origin, direction, xyz_thickness, saved_name)
：有研究者认为如果用下面的公式来实现，实验结果会非常的糟糕！
#先算图像的最大和最小值
min = (2*window_center - window_width)/2.0 + 0.5
max = (2*window_center + window_width)/2.0 + 0.5
for i in range(nNumPixels):
disp_pixel_val = (pixel_val - min)*255.0/(max - min)
#或者：
dFactor = 255.0 / (max - min)
d, h, w = np.shape(img)
for n in np.arange(d):
for i in np.arange(h):
for j in np.arange(w):
img[n, i, j] = int((img[n, i, j] - min) * dFactor)
min_index = img < 0
img[min_index] = 0
max_index = img > 255
img[max_index] = 255
return img
CT图像不同扫描面的像素尺寸、粗细粒度是不同的，这对进行CNN有不好的影响，因此可能需要进行重构采样，这里可参考CT图像相关知识与SimpleITK的使用介绍的12
并且，为了更好地进行网络训练，通常采用数据归一化。