常见医学图像格式概述

医学图像因其临床应用需求，衍生出多种专用存储格式，每种格式在元数据管理、压缩方式及三维数据存储上具有独特设计。DICOM（Digital Imaging and Communications in Medicine）作为国际标准，广泛应用于CT、MRI等设备，支持患者信息、扫描参数等元数据的结构化存储。NIfTI（Neuroimaging Informatics Technology Initiative）则专注于神经影像，通过单一文件同时存储三维体数据与空间坐标信息，简化脑科学研究的图像对齐操作。PNG/JPEG等通用格式虽不包含医学元数据，但因其轻量级特性，常用于教学演示或快速预览场景。

Python医学图像处理工具链

Python生态中，SimpleITK、NiBabel、pydicom三大库构成了医学图像读取的核心工具链。SimpleITK由ITK（Insight Segmentation and Registration Toolkit）简化而来，支持DICOM系列文件批量读取、图像重采样及基础滤波操作，其多线程设计在处理4D动态影像时效率显著。NiBabel针对神经影像优化，可无缝解析NIfTI的.nii/.nii.gz文件，并直接获取体素尺寸、仿射变换矩阵等空间信息。pydicom专注于DICOM标准，能精确提取患者ID、扫描序列类型等元数据，同时支持修改并重新保存DICOM文件，满足数据脱敏需求。

DICOM文件读取实战

以CT影像处理为例，使用pydicom读取单张DICOM文件的完整流程如下：

import pydicom
import matplotlib.pyplot as plt
# 读取DICOM文件
ds = pydicom.dcmread("patient_001.dcm")
# 提取像素数据与元数据
pixel_array = ds.pixel_array  # 获取二维数组
window_center = ds.WindowCenter  # 窗位
window_width = ds.WindowWidth   # 窗宽
# 显示图像（需根据窗宽窗位调整）
plt.imshow(pixel_array, cmap="gray")
plt.title(f"Patient ID: {ds.PatientID}")
plt.axis("off")
plt.show()

对于系列DICOM文件（如一个CT扫描序列），需先通过pydicom.dcmread读取首个文件获取元数据，再循环处理后续文件拼接三维数据。此时需注意InstanceNumber标签排序，确保体数据在Z轴上的正确顺序。

NIfTI文件处理技巧

处理脑部MRI数据时，NiBabel能直接解析四维数据（x,y,z,t）：

import nibabel as nib
# 加载NIfTI文件
img = nib.load("brain_mri.nii.gz")
data = img.get_fdata()  # 返回NumPy数组
affine = img.affine     # 获取空间变换矩阵
# 提取第一时相数据
slice_0 = data[:, :, :, 0]

通过affine矩阵，可将体素坐标转换为物理空间坐标，这对后续的图像配准至关重要。若需修改数据后保存，使用nib.Nifti1Image重新封装数组与矩阵即可。

通用图像格式转换

在临床数据整理场景中，常需将DICOM转换为PNG用于报告生成。此时需处理窗宽窗位调整：

import pydicom
import numpy as np
import cv2
def dicom_to_png(dcm_path, png_path, window_center=40, window_width=400):
    ds = pydicom.dcmread(dcm_path)
    img = ds.pixel_array
    # 应用窗宽窗位
    min_val = window_center - window_width // 2
    max_val = window_center + window_width // 2
    img = np.clip(img, min_val, max_val)
    img = ((img - min_val) / (max_val - min_val) * 255).astype(np.uint8)
    cv2.imwrite(png_path, img)

该函数通过线性变换将医学图像映射至8位灰度范围，保留关键解剖结构的同时压缩文件体积。

性能优化与异常处理

处理大型DICOM系列时，内存管理成为关键。SimpleITK的ImageSeriesReader支持流式读取，避免一次性加载全部数据：

import SimpleITK as sitk
series_IDs = sitk.ImageSeriesReader.GetGDCMSeriesIDs("dicom_dir")
series_reader = sitk.ImageSeriesReader()
series_reader.SetSeriesIDs(series_IDs[0])
image3D = series_reader.Execute()  # 按需加载

对于元数据缺失或格式异常的文件，建议实现分级错误处理：

def safe_read_dicom(file_path):
    try:
        return pydicom.dcmread(file_path, stop_before_pixels=True)
    except pydicom.errors.InvalidDicomError:
        print(f"Invalid DICOM: {file_path}")
        return None
    except Exception as e:
        print(f"Unexpected error reading {file_path}: {str(e)}")
        return None

实际应用建议

在医学影像AI开发中，建议构建标准化预处理管道：统一将输入数据转换为NIfTI格式，利用NiBabel的空间信息管理功能确保训练数据的一致性。对于多中心数据，需通过pydicom校验设备型号、扫描参数等元数据，排除因成像协议差异导致的模型偏差。此外，使用SimpleITK的ResampleImageFilter可统一体素间距，提升模型泛化能力。

通过合理组合上述工具库，开发者能高效处理从基础诊断图像到复杂科研数据的全场景需求，为医学影像分析奠定坚实基础。