深度学习下的医学图像分析(四).docxVIP

深度学习下的医学图像分析（四） 本周内（截止至 7 月 23 日晚 24 点）本公众号本周发布的所有文章，留言获赞最多者 AI 研习社送西瓜书（ 《机器学习》周志华）一本 AI 研习社 按：本文由图普科技编译自 Medical Image Analysis with Deep Learning Part4 》，是最近 发表的《深度学习下的医学图像分析（三） 》的后续文章。对与深度学习相关的医疗保障工作而言， 2017 年的 “ Nvidia GTC 大会” 绝对是一个绝佳的信息来源。在大会上，有诸 如 Ian GoodFellow 和 Jeremy Howard 的深度学习专家分享了他们对深度学习的见解；还有一些顶级医学院（例如西奈 山医学院、纽约大学医学院、 麻省综合医院等） 和 Kaggle 在 大会上介绍他们的建模战略。 在上一篇文章中，我们谈论了深度学习相关的基本内容。本文，我们将关注于医学图像及其格式。 本文分为三个部分——医学图像及其组成、医学图像格式和医学图像的格式转换。本文希望通过对深度学 习的相关知识的介绍，最终达到医学图像分析的目的。 医 学图像及其组成 由 Michele Larobina 和 Loredana Murino 发表的论文，对本文即将展开的讨论来说是一个很好的信息 参考。 Michele Larobina 和 Loredana Murino 二人是意大利“生物架构和生物成像协会” （ IBB ）的成员。 IBB 是意大利“国家研究委员会” 的组成部分，同时也是意大利最大的 公共研究机构。我们的另一个参考信息资源是一篇题为 《 Working with the DICOM and NIfTI data standards in R 》的 论文。 什么是医学图像？ 医学图像是反映解剖区域内部结 构或内部功能的图像，它是由一组图像元素——像素（ 2D ） 或立体像素（ 3D ）——组成的。医学图像是由采样或重建产 生的离散性图像表征，它能将数值映射到不同的空间位置 上。像素的数量是用来描述某一成像设备下的医学成像的， 同时也是描述解剖及其功能细节的一种表达方式。像素所表 达的具体数值是由成像设备、成像协议、影像重建以及后期 加工所决定的。 医学图像的组成医学图像组成 医学图像有 四个关键成分——像素深度、 光度表示、 元数据和像素数据。 这些成分与图像大小和图像分辨率有关。 图像深度（又称 比特深度或颜色深度）是用来编码每个像素信息的比特数。 比如说，一个 8 比特的光栅可以有 256 个从 0 到 255 数 值不等的图像深度。 “光度表示” 解释了像素数据如何以 正确的图像格式（单色或彩色图片）显示。为了说明像素数 值中是否存在色彩信息，我们将引入 “每像素采样数” 的 概念。单色图像只有一个 “每像素采样” ，而且图像中没有 色彩信息。图像是依靠由黑到白的灰阶来显示的，灰阶的数 目很明显取决于用来储存样本的比特数。在这里，灰阶数与 像素深度是一致的。 医疗放射图像， 比如 CT 图像和磁共振（MR ）图像，是一个灰阶的 “光度表示” 。而核医学图像， 比如正电子发射断层图像（ PET）和单光子发射断层图像 SPECT），通常都是以彩色映射或调色板来显示的。 “元数据” 是用于描述图形象的信息。它可能看起来会比较奇 怪，但是在任何一个文件格式中，除了像素数据之外，图像 还有一些其他的相关信息。这样的图像信息被称为 “元数 据”，它通常以 “数据头” 的格式被储存在文件的开头， 涵盖了图像矩阵维度、空间分辨率、像素深度和光度表示等 信息。 “像素数据” 是储存像素数值的位置。根据数据类 型的不同，像素数据使用数值显示所需的最小字节数，以整 点或浮点数的格式储存。 图像大小 = 数据头大小（包括元 数据）+ 行数 栏数 * 像素深度 *（图像帧数） 医学图像 格式 放射图像有 6 种主要的格式，分别为 DICOM （医学 数字成像和通讯） 、 NIFTI （神经影像信息技术） 、 PAR/REC Philips 磁共振扫描格式） 、ANALYZE （ Mayo 医学成像）、 NRRD （近原始栅格数据）和 MNIC 。 2017 年 5 月的医学图像格式 在上图的五个格式中， DICOM 和 NIFTI 是接受度最高的。 DICOM 格式的基本内容 DICOM 表示 “医学 数字成像和通讯” 。 DICOM  是由 “美国国家电气制造商协 会”（ NEMA ）发布的标准， 这一标准规范了医学成像的管理、 储存、打印和信息传输，这些都是扫描仪或医院 “医疗影 像储传系统”（PACS）中的文件格式。 DICOM 包括了一个 文件格式和一个网络通讯协议，其中的