"Programowanie dla Fizyków Medycznych"/DICOM

Z Brain-wiki

powrót: Programowanie dla fizyków medycznych

Struktura plików DICOM

Prace nad ustandaryzowaniem wymiany danych graficznych pomiędzy urządzeniami medycznymi rozpoczęły się już w 1983 w ramach współpracy American College of Radiology (ACR) i National Electrical Manufactures Association (NEMA). Pierwsza wersja standardu pojawiła się dwa lata później i nosiła nazwę ACR/NEMA 300 V1.0. Wersja ta umożliwiała zapis danych w odpowiednim formacie oraz ujednolicony sposób transferu plików za pomocą sieci lub nośników zewnętrznych. W 1988 roku pojawiła się druga wersja standardu ACR/NEMA V2.0, która opierała się na ujednoliconej terminologii, strukturze informacji odpowiednim kodowaniu danych. Wraz z rozwijaniem standardów pojawiały się nowe zapotrzebowania. Ostatni oficjalna wersja to DICOM 3.0 (Digital Imaging and COmmunications in Medicine) z 1992. Standard ten jest w dalszym ciągu uaktualniany.


Dokumentacja

Standard DICOM jest zorganizowany w postaci wieloczęściowego dokumentu (Rys. %i 1) i uaktualniany corocznie w postaci Suplementów.

Obejrzyj stronę domową standardu DICOM: http://dicom.nema.org/, w szczególności: Strategic Document & Principal Contacts

Poszczególne dokumenty są poświęcone strukturze danych, sposobom kodowania, archiwizacji, wymiany informacji oraz aspektom bezpieczeństwa danych. Na zajęciach skupimy się na następujących częściach dokumentacji:

  • PS 3.1: Introduction and Overview – wprowadzenie oraz informacje podstawowe na temat standardu
  • PS 3.2: Conformance – definicje podstawowych zasad oraz pojęć
  • PS 3.3: Information Object Definitions – definicje atrybutów czyli informatyczna reprezentacja fizycznych danych
  • PS 3.4: Service Class Specifications – obsługa informatycznych reprezentacji danych
  • PS 3.5: Data Structure and Encoding – struktura danych oraz sposób ich kodowania
  • PS 3.6: Data Dictionary – spis wszystkich możliwych atrybutów
    Dokumentacja standardu DICOM.

DICOM-Meta-Information-Header

Dane zawarte w każdym pliku DICOM podzielone są na dwie części:

  • część zawierającą informacje o pliku (Dicom-Meta-Information-Header)
  • dane jednego obiektu Service-Object Pair Instance (Dicom-Data-Set)

Model informacji określa format danych dla różnych typów informacji, takich jak: obrazy, przebiegi czasowe, obiekty graficzne, raporty, wydruki itp. Dane są grupowane w tematycznych zbiorach (ang. Entities) oraz podzbiorach (ang. Modules). Każdy moduł tworzony jest przez zbiór atrybutów.

  1. podstawowa jednostka danych: Data Element
  2. strumień informacji: Data Set

Data Element stanowi podstawową jednostkę danych, opisywany jest przy pomocy:

  • identyfikatora elementu danych (Tag) złożonego z dwóch liczb określających: grupę (Group) oraz element grupy (Element), zapisywanych w postaci liczb heksadecymalnych,
  • typu danych (Value Representation), określonego w postaci pary liter w kodzie ASCII i umożliwiającego poprawną interpretację danych,
  • rozmiaru elementu (Value Length) wyrażonego w bajtach,
  • informacji takich jak: nazwisko pacjenta, rozdzielczość obrazu

Strumień informacyjny (Data Set) jest uporządkowanym strumieniem elementów danych.


Struktura Data Element.


Zadanie 1. Na stronie http://northstar-www.dartmouth.edu/doc/idl/html_6.2/DICOM_Attributes.html można znaleźć wygodny opis możliwych pól i odpowiadających im reprezentacji danych. Na tej podstawie znajdź wyjaśnienie następujących oznaczeń:

  • (0008,0020): 20120510
  • (0008,0030): 101714
  • (0008,0060): MG
  • (0008,0070): SIEMENS
  • (0008,0080): Ovarian Screening, St Barts
  • (0010,0010): xxx
  • (0010,0040): 0

Rozwiązanie:

  • (0008,0020): 20120510 - Study Date
  • (0008,0030): 101714 - Study Time
  • (0008,0060): MG - Modality
  • (0008,0070): SIEMENS - Manufacturer
  • (0008,0080): Ovarian Screening, St Barts - Institution Name
  • (0010,0010): xxx - Patient's Name
  • (0010,0040): 0 - Patient's Sex


Zadanie 2. 56-letnia Janina Kowalska zgłosiła się do Centrum Onkologii z podejrzeniem nowotworu mózgu. 15 lutego 2013 roku zostało wykonanie badanie za pomocą pozytonowej tomografii emisyjnej wykonane na tomografie firmy GE. W czasie badania pacjentka leżała na prawym boku. Za pomocą odpowiednich atrybutów zapisz te informacje w formie pliku DICOM.

Rozwiązanie:

  • (0010,0010): Kowalska Janina
  • (0010,0040): F
  • (0010,1010): 56
  • (0008,0080): Centrum Onkologii
  • (0008,0020): 20130215
  • (0008,0060): PT
  • (0008,0070): GE
  • (0018,5100): HFDR

Biblioteka PyDICOM

Do obsługi: wczytywania, zmieniania, zapisywania informacji w nagłówku, jak również do pobrania pliku graficznego służy biblioteka pydicom.

Wczytaj plik w formacie DICOM, zawierający skan MRI wraz z informacjami na temat pacjenta i badania. Powstanie w ten sposób obiekt dataset typu pydicom.dataset.FileDataset.

import pydicom as dcm
filename="C:/Users/user/Documents/z_programowanie/DICOM/LADJAN_MRI/localizer - 1/IM-0001-0001.dcm"
dataset = dcm.read_file(filename)
print(dataset)

Obiekt dataset ma strukturę trochę podobną do słownika. Składa się z elementów typu pydicom.dataelem.DataElement. Do elementów można się dostać na różne sposoby: korzystając z nazwy elementu, korzystając z numeru (a ściślej krotki z dwóch numerów wypisywanych zwykle w systemie szesnastkowym).

print(dataset.StudyDate)
print(dataset[(0x8, 0x20)])
element=dataset.data_element('StudyDate')
print(element.value)

Aby dowiedzieć się, jakie elementy wchodzą w skład danego pliku dicomowskiego, można użyć metody dir. Jeśli jako argument poda się string, zostanie wypisana lista tylko tych nazw elementów, które zawierają ten string.

lista1= dataset.dir('pat')
print lista1
for de in lista1:
    print(dataset.data_element(de))

Dane o pacjencie mogę pozmieniać lub usunąć.

dataset.StudeDate='20180111' #dzisiejsza data
lista2 = ['PatientAge',
          'PatientBirthDate',
          'PatientID',
          'PatientName',
          'PatientPosition',
          'PatientSex',
          'PatientWeight']
for de in lista2:
  if type(dataset.data_element(de).value)==str:
    dataset.data_element(de).value='nic'
  if 'float' in str(type(dataset.data_element(de).value)):
    dataset.data_element(de).value=0

Zmienioną wersję mogę też zapisać (tylko lepiej pod inną nazwą)

dataset.save_as('zmieniony.dcm')

Zadanie 1

Napisz skrypt, który otworzy wszystkie pliki z rozszerzeniem dcm, jakie są w katalogu i usunie z nich informacje osobiste.

Zadanie 2

Zaimportujmy też cv2 i numpy, aby wyświetlić zawartość obrazu.

import cv2
import numpy as np

img=dataset.pixel_array
cv2.imshow('obraz', img)

Zadanie polega na tym, aby za pomocą klawiszy zmieniać jasność wyświetlanego obrazu.

Operacje na obrazie

Przyjmijmy, że wartości pikseli będziemy mnożyć przez funkcję sigmoidalną: [math] f(x)=\frac a {(1+e^{-b(x-c)})} [/math]. Parametr a powinien być równy maksymalnej możliwej wartości piksela, a więc 255 dla obrazów 8-bitowych i 256*256-1=65535 dla obrazów 16-bitowych. Parametr c powinien zawierać się w granicach między 0 i a.

Oprócz tego możemy dokonać innych operacji. Jedną z nich jest progowanie, czyli wyświetlanie jako białych punktów o wartości powyżej progu i jako czarnych wartości poniżej progu. W tym wypadku mielibyśmy tylko jeden parametr (odpowiednik c z funkcji sigmoidalnej).

Inna operacja to mnożenie wartości przez funkcję liniową [math] f(x)=ax+b [/math], dbając o to, by wartości ujemne zostały wyzerowane, a wartości zbyt duże by przyjęły wartość maksymalną. Można do tego napisać własną osobną funkcję, lub wykorzystać funkcję np.where.

Do zmieniania wartości parametrów wykorzystamy suwaki, jakie można utworzyć w okienku obrazu opencv. Metody cv2.createTrackbar oraz cv2.getTrackbarPos pozwolą suwak utworzyć i sprawdzić jego pozycję.

import cv2
import numpy as np

def nothing (x):
    pass

img=np.zeros([100, 200], dtype='uint8')

try:
    #cv2.namedWindow('suwaczki')
    cv2.imshow('suwaczki', img)
    cv2.createTrackbar('b','suwaczki',0,255,nothing)

    k=-1
    while k!=27:
        k=cv2.waitKey(0)
        b=cv2.getTrackbarPos('b','suwaczki')
        print(b)
finally:
    cv2.destroyAllWindows()

Zadanie 3

Napisz klasę, która pomoże w manipulacji jasnością i kontrastem obrazu. Powinna mieć następujące własności:

  1. Przy tworzeniu obiekt powinien dostać przekazaną jako parametr macierz obrazu i ją zapamiętać
  2. Powinien mieć metody do pokazania i ukrycia osobnego okienka zawierającego suwaki odpowiednie do wybranej metody
  3. Powinien mieć metodę zwracającą macierz obrazu z dokonanymi na niej operacjami

Główny program powinien wyświetlać obraz, utworzyć dla niego obiekt do operacji i wywoływać odpowiednio jego metody zależnie od klawiszy naciśniętych przez użytkownika.

# -*- coding: utf-8 -*-
"""
Created on Wed Jan 10 16:09:55 2018

@author: user
"""

import pydicom as dcm
import numpy as np
import cv2

filename="C:/Users/user/Documents/z_programowanie/DICOM/LADJAN_MRI/localizer - 1/IM-0001-0001.dcm"
dataset = dcm.dicomio.read_file(filename)

def nothing (x):
    pass

def lin(arr, a, b, maks=255):
    arr1=np.array(arr*a+b, dtype='float32')
    arr1=np.where(arr1<0, 0, arr1)
    arr1=np.where(arr1>maks, maks, arr1)
    return arr1
    
def sig(arr, b, c, maks=255):
    arr1=np.array(arr, dtype='float32')-c
    #arr1=float(maks)/(1+np.exp(-b*(arr1-c)))
    arr1=0.5*(b*arr1/np.sqrt(1+(b*arr1)**2)+1)*maks
    return arr1
    
class suwaki (object):
    def __init__(self, img, maks=255):
        self.img=np.array(1.0*(img-np.min(img))*maks/(np.max(img)-np.min(img)), dtype='float32')
        self.dtype=img.dtype
        #self.b=b
        #self.c=c
        self.maks=maks
        self.widac=''
    
    def pokaz_suw_sig(self):
        self.ukryj_suw()
        q=np.zeros([50, 200])
        cv2.namedWindow('sigmoida')
        cv2.imshow('sigmoida', q)
        self.widac='sigmoida'
        cv2.createTrackbar('b', 'sigmoida', 10, 20, nothing)
        cv2.createTrackbar('c', 'sigmoida', 128, 255, nothing)
        
    def pokaz_suw_lin(self):
        self.ukryj_suw()
        q=np.zeros([50, 200])
        cv2.namedWindow('liniowy')
        cv2.imshow('liniowy', q)
        self.widac='liniowy'
        cv2.createTrackbar('a', 'liniowy', 10, 20, nothing)
        cv2.createTrackbar('x0', 'liniowy', 128, 255, nothing)
        
    def ukryj_suw(self):
        if self.widac!='':
            cv2.destroyWindow(self.widac)
        self.widac=''
        
    def wynik(self):
        if self.widac=='sigmoida':
            b=2.0**(1.0*cv2.getTrackbarPos('b','sigmoida')-10)*255/self.maks
            c=1.0*cv2.getTrackbarPos('c', 'sigmoida')*self.maks/255
            return np.array(sig(self.img, b, c, self.maks), dtype=self.dtype)
        elif self.widac=='liniowy':
            a=2.0**(cv2.getTrackbarPos('a','liniowy')-10)
            b=self.maks/2-a*cv2.getTrackbarPos('x0', 'liniowy')*self.maks/255
            return np.array(lin(self.img, a, b, self.maks), dtype=self.dtype)
        else:
            return np.array(self.img, dtype=self.dtype)

try:
    arr=dataset.pixel_array

    if arr.dtype==np.dtype('uint16'):
        maks=256*256-1
    else:
        maks=255
    cv2.imshow('obraz', arr)
    suw=suwaki(arr, maks=maks)
    k=-1
    while True:
        k=cv2.waitKey(100)
        if k==ord('s'):
            suw.pokaz_suw_sig()
        elif k==ord('l'):
            suw.pokaz_suw_lin()
        elif k==32:
            suw.ukryj_suw()
        elif k==27:
            break
        else:
            cv2.imshow('obraz', suw.wynik())
            
finally:
    cv2.destroyAllWindows()