0
雷鋒網(wǎng)按：本文由圖普科技編譯自《Medical Image Analysis with Deep Learning 》，雷鋒網(wǎng)獨家首發(fā)。
近年來，深度學(xué)習(xí)技術(shù)一直都處于科研界的前沿。憑借深度學(xué)習(xí)，我們開始對圖像和視頻進行分析，并將其應(yīng)用于各種各樣的設(shè)備，比如自動駕駛汽車、無人駕駛飛機，等等。
A Neural Algorithm of Artistic Style是一篇最新發(fā)表的研究性論文，論文向我們介紹了如何將一種風(fēng)格和氣質(zhì)從藝術(shù)家身上轉(zhuǎn)移至一張圖像，并由此創(chuàng)建出另一張新圖像。其他的一些論文，比如Generative Adversarial Networks和Wasserstein GAN，也已經(jīng)為開發(fā)模型鋪平了道路，這個模型能夠創(chuàng)建出與輸入數(shù)據(jù)相似的新數(shù)據(jù)。由此，“半監(jiān)督學(xué)習(xí)”世界的大門被打開了，未來“無監(jiān)督學(xué)習(xí)”的發(fā)展也將更加順利。
盡管這些調(diào)查研究的對象現(xiàn)在僅限于一般的圖像，但我們的目標(biāo)是將這些研究運用到醫(yī)學(xué)圖像中，幫助醫(yī)療保健的發(fā)展。在本文中，我將從圖像處理和醫(yī)學(xué)圖像格式數(shù)據(jù)入手，并對一些醫(yī)學(xué)數(shù)據(jù)進行可視化處理。在下一篇文章中，我將進深入剖析一些卷積神經(jīng)網(wǎng)絡(luò)，并將其與Keras聯(lián)合，預(yù)測肺癌。
OpenCV（開源計算機視覺庫）憑借其大量社區(qū)支持，以及對C++，Java和Python的可兼容性，在琳瑯滿目的圖像處理庫中脫穎而出，成為了圖像處理庫的主流。
現(xiàn)在，打開你的Jupyter筆記本，并且確定cv2是能夠?qū)胫凉P記本的。你還需要numpy和matplotlib來查看筆記本內(nèi)的細節(jié)內(nèi)容。
現(xiàn)在，我們來看一下你能不能打開圖片，能不能用下面的代碼在你的筆記本上查看圖片。
接下來，我們要玩些有趣的——檢測人臉。我們將使用一個開源的正臉檢測器來進行人臉檢測，這個檢測器最初是由Rainer Lienhart創(chuàng)建的。下圖這個帖子詳細地介紹了級聯(lián)檢測的細節(jié)：
在下面的文檔中還有很多使用OpenCV進行圖像處理的例子（點擊鏈接查看文檔http://docs.opencv.org/trunk/d6/d00/tutorial_py_root.html），讀者們可以任意查看。了解了基本的圖像處理以后，接下來我們將開始了解“醫(yī)學(xué)圖像格式”。
醫(yī)學(xué)圖像與“數(shù)字影像和通訊”（DICOM）一樣，是一個儲存和交換醫(yī)學(xué)圖像數(shù)據(jù)的標(biāo)準(zhǔn)解決方案。該標(biāo)準(zhǔn)自1985年第一版發(fā)布以來，已經(jīng)被修改了好幾次。該標(biāo)準(zhǔn)使用的是一個文件格式和一個通訊協(xié)議。
文件格式——所有病人的醫(yī)學(xué)圖像都被保存在DICOM文件格式里。這個格式中保存著病人的受保護健康信息，比如：病人姓名、性別、年齡，還有一些醫(yī)療圖像的數(shù)據(jù)?！搬t(yī)學(xué)成像設(shè)備”創(chuàng)建了DICOM文件。醫(yī)生們使用DICOM閱讀器和能夠顯示DICOM圖像的電腦軟件應(yīng)用程序來查看醫(yī)學(xué)圖像，并且根據(jù)圖像的信息作出診斷。
通訊協(xié)議——DICOM通訊協(xié)議是用來在檔案中搜索影像研究，并將影像研究還原顯示的。所有連接了醫(yī)院網(wǎng)絡(luò)的醫(yī)學(xué)成像應(yīng)用程序都會使用DICOM協(xié)議交換信息，這些信息中的大部分是DICOM圖像，不過還包括了一些患者信息和治療方案。還有一些網(wǎng)絡(luò)要求是用于控制和跟蹤手術(shù)、安排手術(shù)日程、報告狀態(tài)，以及分擔(dān)醫(yī)生和成像設(shè)備之間的工作量的。
下面的博客詳細地介紹了DICOM標(biāo)準(zhǔn)：
Pydicom是一個相當(dāng)不錯的、用于分析DICOM圖像的Python工具包。在這個部分，我們將會看到DICOM圖像是如何在Jupyter筆記本上呈現(xiàn)的。
使用pip安裝pydicom下載安裝OpenCV
Pydicom工具包安裝完畢以后，回到Jupyter筆記本。將dicom工具包和下圖中的其他工具包導(dǎo)入筆記本中。
在處理和分析數(shù)據(jù)時，我們還會用到其他的工具包，比如pandas，scipy，skimage和mpl_toolkit，等等。
網(wǎng)上有很多免費的DICOM數(shù)據(jù)庫，下面的這些數(shù)據(jù)庫可能對你有所幫助：
Kaggle競賽和數(shù)據(jù)庫：這是我個人最喜歡的數(shù)據(jù)庫。這里面有關(guān)于肺癌和糖尿病視網(wǎng)膜病變的數(shù)據(jù)。
Dicom數(shù)據(jù)庫：DICOM數(shù)據(jù)庫是一個免費的線上醫(yī)學(xué)DICOM圖像或視頻分享的服務(wù)器，它主要是以教學(xué)和科研為目的的。
Osirix數(shù)據(jù)庫：這個數(shù)據(jù)庫向我們提供了大量通過各種成像方式獲得的人類數(shù)據(jù)。
可視化人體數(shù)據(jù)集：“可視人計劃”的某些部分是分布于這個數(shù)據(jù)集的，但是這個數(shù)據(jù)集中的數(shù)據(jù)是需要收費的。
Zubal幻影：這個網(wǎng)站提供了關(guān)于兩名男性CT和MRI圖像的多個數(shù)據(jù)庫。
下載dicom文件，并將其上傳至你的jupyter筆記本。
現(xiàn)在，將DICOM圖像加載到一個列表中。
在第一行，我們加載第一個DICOM文件，然后提取文件名在列表中排第一的元數(shù)據(jù)。
接下來，我們要計算3DNumpy數(shù)組的總維數(shù)，它等于片中像素的行數(shù)x、片中像素的列數(shù)x,還有x,y,z軸。最后，我們要用“像素空間”和“SliceThickness”來計算三個軸上像素間的空間距離。我們需要將數(shù)組維度保存在ConstPixelDims中，并將空間保存在ConstPixelSpacing中。
第二步：進一步研究DICOM格式的細節(jié)CT掃描測量的單元是“胡斯菲爾德單元”（HU），這個單元測量的是放射性密度。為了得到精確的測量結(jié)果，CT掃描儀經(jīng)過了嚴(yán)格的校準(zhǔn)。下面是關(guān)于CT掃描測量的細節(jié)內(nèi)容：
每個像素都會被分配一個數(shù)值（CT數(shù)），這個數(shù)值是相應(yīng)的voxel內(nèi)所有衰減值的平均值。這個數(shù)字是與水的衰減值相比較得出的，而且是以任意單元的規(guī)模顯示的，這個任意單元叫做“胡斯菲爾德單元”（HU），是以Godfrey Hounsfield先生的名字命名的。
這個任意單元的規(guī)模將水的衰減值定為零。CT數(shù)字的范圍是2000HU，盡管有一些現(xiàn)代掃描儀的HU范圍達到了4000。每個數(shù)值都代表了一種灰色陰影，在光譜兩端有+1000白色和-1000黑色。
胡斯菲爾德規(guī)模（圖片來自《CT的介紹》）
有些掃描儀是有柱狀掃描邊界的，但是其輸出的圖像確實方形的。在掃描邊界之外的像素將被賦予-2000的定值。
CT掃描儀圖像（圖片來自《CT的介紹》）
第一步通常是將這些值設(shè)置為零。接著，我們把得到的數(shù)值與重新調(diào)節(jié)的斜率相乘，再加上截距（通常是記錄在掃描的元數(shù)據(jù)中的），然后回到HU單元。
在接下來的部分，我們將會使用Kaggle的肺癌數(shù)據(jù)庫和Keras的卷積神經(jīng)網(wǎng)絡(luò)。我們將根據(jù)本文提供的信息，構(gòu)建下一部分的內(nèi)容。
雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
