[DICOM活久见-3] 不是所有的错误图像，都值得挽救的

本文由Markdown语法编辑器编辑完成.

1. 背景:

近日在工作中，突然收到现场运营的反馈，一个医生从信息科老师导出的检查，上传到我们的服务器后，经过AI的预测后，结果是黑屏。
而这个检查对应的患者，是医院一个很有名的专家，第二天要做泌尿外科手术的患者。专家需要提前通过我们的软件，辅助做手术规划之类的工作安排。现场运营立刻联系研发，能不能赶紧支持解决一下。

我一听，慌了神。专家，急着手术，迫不及待，十万火急 !!!

问同事拿到这个有问题的检查数据后，开始仔细地分析开来。

首先这个数据，在我们产品的界面中，是无法展示的， 也就是黑屏。

但是这里的黑屏，并不是图像不存在。其实图像是存在的，只不过按照我们预设的窗宽窗位，它显示出来是黑屏。但是，通过切换不同的窗宽窗位的预设，比如从胸腹窗，切换到肺窗以后，是可以看到图像的轮廓的，但是图像整体上仍然是偏暗的。

其次，当我将这个序列生成的体数据，放到slicer里面时，slicer是可以显示出来这个序列的，而且看起来还比较“正常”。
至少，在肉眼看起来，看不太明显它有什么问题。

但是，如果从slicer的volumes模块查看，却可以发现这个序列影像，不太正常的地方。

切换到Volumes模块后，可以看到这个序列影像，它的Scalar Range的范围是: -1024 ~ -769.
这里的Scalar Range, 其实就是CT值。

CT值，指的就是这个影像上面，像素点的灰度值，经过计算后得到的值，

关于CT值的概念，可以通过咨询kimi助手了解到，它主要就是反映人体内组织的密度。密度越小，CT值越小；反之，则CT值越大。由于肺部里面，主要是充满着很多的空气，因此，如果是包含胸肺的序列，它的影像的最小值，一般是-1024(空气的CT值)；而由于胸肺区域，还有肋骨，所以它的影像的最大值，一般是1000+以上(骨骼的CT值)。

但是这个有问题的序列，它的CT的最大值，才-769，显然是不符合常理的。

2. 分析

2.1 为什么slicer可以正常展示序列?

那么，为什么这个有问题的序列，在slicer里面，能够正常展示呢？

其实，之所以这个有问题的序列，在我们的软件产品中黑屏，而在slicer, 或其他的一些dicom viewer里面能够正常展示。是因为，这些软件，它们会根据这个序列的灰度范围，而自动调节显示时使用的窗宽窗位。而我们的软件，由于是给特定部位使用的，所以里面有一个默认的窗宽窗位，就像第一幅图中展示的, ww = 150, wl = 90.

而slicer在加载这个序列后，它的窗宽窗位，会自适应地调整成为: ww = 254, wl = -897.

2.2 这个灰度范围是怎么计算出来的?

那么到底，这个序列的灰度范围: -1024 ~ -769, 是怎么计算出来的呢？
这就需要查看一下这个dcm的tag, 主要涉及到:

Tag Name	Tag Value
BitsAllocated	8
BitsStored	8
High Bit	7
Pixel Representation	0
Rescale Intercept	-1024
Rescale Slope	1
PixelData->pixel_array	0 ~ 255

其实，为什么PixelData的灰度值的范围是 0 ~ 255呢?
因为这个dicom里面，它的BitsAllocated是8, 也就是每个像素点的灰度值，是由一个8位的二进制数决定的。而一个8位的二进制，它的最大值，就是256.

那么再通过 RescaleIntercept的调整，自然它的CT值的范围就变成了: (0 ~ 255) - 1024 = (-1024 ~ -769).

因此，这个影像的灰度范围，永远都是256个灰阶单位。

那么，如果想让这个序列，能够在我们的软件中显示，该怎么办呢？ —— 只能通过扩大它的灰阶，才能实现。

也就好比，我需要在原来256个灰阶的基础上，放大10倍，变成2560个灰阶。而且，需要保持最小的灰阶，仍然是-1024。

那么，这样的灰阶放大，有意义吗？

仔细想想，其实是没有太大意义的。

为什么会有不同的灰阶呢？因为，灰度代表每个点的密度。为什么正常的序列，灰阶会跨越那么大呢。因为，人体内不同组织，它们的密度差异很大。从最小的-1024, 到比较大的2000 ~ 3000。正因为灰阶跨度范围大，我们才能够通过调整窗宽窗位，看到某一个局部部位的细节。细节，其实就是通过不同的灰阶变化来实现的。

由于人的眼睛，对于灰度的范围，识别区域其实很小。比如平时看到的jpg, png, 它的灰度范围就是 0 ~ 255。但是，由于医学诊断要求的精度更高，所以对于医学影像，一般医院都会有专门的医用影像显示器，才能呈现出更加精细的灰度差异。

那么，如果我们要把一个 256灰阶的图像，扩大10倍的灰阶。比较简单的线性变化，就是每个像素点的灰度值，乘以10。经过这样的处理，灰度范围是变大了，但是其实无法达到将丢失的细节，还原回来的目的。那么，即使增大灰度范围后，在后续的处理过程中，也可能会出现各种各样的问题。

因此，我也就放弃了，再将这个问题图像，想办法复原的方法了。

后来的解决方法是，我们找到有经验的同事，从PACS上直接下来下来这个序列，然后再次处理，就可以正常展示了。
也就是说，最后问题，还是需要从下载图像的源头解决。

如果本身下载下来的图像，就是缺失了很多灰度和细节信息的，那么通过后续的弥补，是很难真正还原的。