CT图像之Hu值变换与窗宽窗位调整

今天通过分析实验结果，完善了之前的预处理代码，借此博文分享给大家，另外 点击此处可以查看预处理的完整代码，欢迎大家一起来完善。
最重要的是，欢迎大家的批评指正，您的建议和意见将会是我成长源泉。

接下来开始进入正题。

灰度值转换为HU值

基本知识

首先，我们要明确，CT值和灰度值属于不同的概念。
CT值属于医学领域的概念，通常称亨氏单位(hounsfield unit ，HU)，反映了组织对X射线吸收程度。
灰度值属于计算机领域的概念，指的是单个像素点的亮度，灰度值越大表示越亮。范围一般从0到255，白色为255 ，黑色为0，故黑白图片也称灰度图像。

其次，我们了解两种最常用的医学图像数据格式：DICOM类型和NIFTI类型
DICOM类型的文件后缀为dcm，常用的python处理库有：SimpleITK, pydicom库 ；
NIFTI类型型的文件后缀为nii或nii.gz(压缩格式)，常用的python处理库有：SimpleITK, nibabel库。

对于nii格式的图片，SimpleITK,nibabel中常用的api接口，都会自动的进行上述转化过程，即取出来的值已经是Hu了。(除非专门用nib.load(‘xx’).dataobj.get_unscaled()或者itk.ReadImage(‘xx’).GetPixel(x,y,z)才能取得原始数据）
对于dcm格式的图片，SimpleITK, pydicom常用的api接口都不会将原始数据自动转化为Hu！！(itk snap软件读入dcm或nii都不会对数据进行scale操作)

以下我用SimpleITK读取的NIFTI文件，打印出来的最大值和最小值范围，很明显，它们已经是Hu值了，而非灰度值，无需做Hu值变换。

0 all:( -3024.0 , 1410.0 ) bg:( -3024.0 , 1410.0 ) liver:( -604.0 , 333.0 ) tumor:( -0.0 , 160.0 )

公式与代码

HU = pixel_val*slope+ intercept
其中，slope,intercept可以从元数据中读取

def get_pixels_hu(ct_array,slope,intercept):
    if slope != 1:
        ct_array = slope * ct_array
    ct_array += intercept
    return ct_array

CT图像窗宽窗位调整

注意：

1. 窗宽窗位是CT图像特有的概念，MRI图像中可没有此概念；
2. CT 图像必须先转换成 HU值再做窗宽窗位调整。

基本知识

医学图像领域的窗口技术，包括窗宽(window width)和窗位(window center)，用于选择感兴趣的CT值范围。因为各种组织结构或病变具有不同的CT值，因此欲显示某一组织结构细节时，应选择适合观察该组织或病变的窗宽和窗位，以获得最佳显示。

窗宽是CT图像上显示的CT值范围，在此CT值范围内的组织和病变均以不同的模拟灰度显示。而CT值高于此范围的组织和病变，无论高出程度有多少，均以白影显示，不再有灰度差异; 反之，低于此范围的组织结构，不论低的程度有多少，均以黑影显示，也无灰度差别。增大窗宽，则图像所示CT值范围加大，显示具有不同密度的组织结构增多，但各结构之间的灰度差别减少。减小窗宽，则显示的组织结构减少，然而各结构之间的灰度差别增加。如观察脑质的窗宽常为-15~+85H，即密度在-15 ~+85H范围内的各种结构如脑质和脑脊液间隙均以不同灰度显示。而高于+85H的组织结构如骨质几颅内钙化，其间虽有密度差，但均以白影显示，无灰度差别;而低于-15H组织结构如皮下脂肪及乳突内气体均以黑影显示，其间也无灰度差别。
窗位是窗的中心位置，同样的窗宽，由于窗位不同，其所包括CT值范围的CT
值也有差异。例如窗宽同为100H，当窗位为0H时，其CT值范围为-50 ~ +50H ; 如窗位为+35H时，则CT值范围为-15~+85H。通常，欲观察某以组织结构及发生的病变，应以该组织的CT值为窗位。例如脑质CT值约为+35H，则观察脑组织及其病变时，选择窗位以+35H为妥。

设定正确的窗宽窗位

应用场景：用神经网络分割liver 和liver tumor，对训练数据进行预处理。
基本思路：

1. 用liver和tumor的mask抠出liver和tumor部分；
2. 统计相