DICOM转NIfTI：医学图像空间语义对齐的6个关键控制点

1. 项目概述：为什么DICOM转NIfTI不是“点几下鼠标”的事，而是医学图像处理的基石动作

在某高校医学影像实验室带学生做课题时，我常被问到一个看似简单的问题：“老师，CT原始数据怎么导入ITK-SNAP或者FSL里做分割？”——答案永远是：先转成NIfTI。但真正动手时，90%的学生卡在第一步：导出的NIfTI文件要么方向错乱、要么体素尺寸失真、要么时间序列顺序颠倒，甚至出现整个脑组织被“镜像翻转”或“上下颠倒”的诡异现象。这不是软件bug，而是对DICOM与NIfTI两种格式底层逻辑理解偏差导致的系统性错误。DICOM是临床设备生成的“带说明书的原始照片集”，每张切片都附带独立的定位信息（Image Position Patient、Image Orientation Patient）、像素物理尺寸（Pixel Spacing）、采集时序（Instance Number）和设备元数据；而NIfTI是科研分析工具默认的“标准化三维数组”，它用一个统一的仿射矩阵（affine matrix）描述整个数据块的空间坐标系。二者之间不存在1:1映射关系，必须经过坐标系对齐、方向校正、序列重排、元数据压缩等不可逆的语义转换。这个过程一旦出错，后续所有基于该NIfTI文件的配准、分割、统计建模结果都将产生系统性偏倚——你可能在分析一个“被旋转45度的海马体”，却浑然不觉。本文不讲抽象理论，只聚焦实操中真正决定成败的6个关键控制点：方向一致性校验、层厚与像素尺寸的物理单位对齐、Instance Number与Acquisition Number的优先级判定、多期增强序列的时间轴重建、私有标签引发的坐标系漂移规避，以及如何用3行Python代码验证转换结果是否可信。这些细节，在任何官方文档里都不会明说，却是我在处理超过12家三甲医院、27台不同品牌MRI/CT设备原始数据后，用踩坑换来的硬核经验。

2. 核心原理拆解：DICOM与NIfTI不是“格式转换”，而是空间语义的重新锚定

2.1 DICOM的“碎片化空间描述”本质

DICOM标准将空间信息分散在多个非强制字段中，这正是混乱的根源。以一张头部MRI矢状位T1加权像为例，其空间定位依赖三个核心字段组合：

• Image Position Patient（0020,0032）：记录该切片左上角像素在患者坐标系（RAS：Right-Anterior-Superior）中的毫米级坐标，如[-120.5, -85.2, 45.8]；
• Image Orientation Patient（0020,0037）：定义切片平面法向量与行/列方向在RAS坐标系中的单位向量，通常为6个浮点数，如[1.0, 0.0, 0.0, 0.0, 1.0, 0.0]表示标准轴向切片；
• Pixel Spacing（0028,0030）：记录行/列方向单个像素对应的物理尺寸（mm），如[0.46875, 0.46875]；
• Spacing Between Slices（0018,0088）：相邻切片间的物理距离（mm），如5.0；
• Slice Thickness（0018,0050）：单层切片的标称厚度（mm），如5.0。

问题在于：Spacing Between Slices与Slice Thickness常不一致（尤其在螺旋CT重建中），Image Position Patient的Z值间隔可能因设备插值算法而并非严格等距，且Image Orientation Patient在某些老旧设备中可能缺失或填写错误。这意味着，仅靠读取单个DICOM文件，无法100%还原真实的三维空间结构——必须通过多张连续切片的坐标计算，拟合出最可靠的层间距离与方向。

提示：不要迷信Spacing Between Slices！我曾处理一台西门子Skyra MRI的数据，其Spacing Between Slices=1.0，但实际Image Position Patient的Z坐标差为0.9999999999999998，四舍五入后导致整个体积在Z轴被压缩0.0001%，在高精度fMRI分析中足以造成显著的配准误差。

2.2 NIfTI的“统一仿射矩阵”范式

NIfTI格式（v1.1）用一个4×4的仿射矩阵（affine）将体素索引(i, j, k)映射到RAS世界坐标系中的物理位置(x, y, z)：

[x] [a11 a12 a13 a14] [i] [y] = [a21 a22 a23 a24] [j] [z] [a31 a32 a33 a34] [k] [1] [ 0 0 0 1 ] [1]

其中，前三列构成旋转缩放矩阵，第四列是平移向量。关键约束是：NIfTI要求所有体素在物理空间中严格等距排列，且方向必须符合RAS约定。这意味着转换过程必须完成三件事：

1. 坐标系对齐：将DICOM的Patient坐标系（可能为LPS、LAS等）统一转换为RAS；
2. 方向标准化：确保矩阵前三列构成右手正交基，且各轴指向RAS定义的方向；
3. 间距均一化：用最小二乘法拟合所有切片的Z坐标，计算最优层厚，而非直接采用Spacing Between Slices。

注意：NIfTI头文件中的pixdim[1-3]（体素尺寸）与qform_code/sform_code（坐标系代码）必须严格匹配。若sform_code=1（即使用sform矩阵），则pixdim[1-3]应设为0，否则FSL等工具会优先读取pixdim导致方向错误。这是新手最常忽略的“静默陷阱”。

2.3 转换失败的三大典型病理模式

根据处理超2000例临床数据的经验，95%的转换异常可归为以下三类：

病理模式	表现现象	根本原因	检测方法
方向错乱型	图像左右翻转、上下颠倒、前后镜像	DICOM未声明坐标系（无Image Orientation Patient），或设备误填为LPS；转换工具默认假设RAS但未校验	用nibabel加载后检查affine[0,0]、affine[1,1]、affine[2,2]符号是否全为正（RAS要求）
层厚失真型	Z轴体素尺寸明显大于/小于XY轴；3D渲染呈“拉长”或“压扁”状	直接采用Spacing Between Slices而非拟合Z坐标；多期动态扫描中混用不同期的层厚参数	计算np.diff(nib.affine[:3,3])，检查Z轴增量是否与pixdim[3]一致
序列错序型	功能MRI时间序列中，第10卷显示的是第1次扫描的图像；动脉期/静脉期标签混乱	Instance Number被设备重置（如分段扫描），而Acquisition Number才是真实采集序号；工具未启用acq_num优先模式	用pydicom遍历所有文件，按AcquisitionNumber分组再排序

这些不是“软件bug”，而是DICOM标准本身允许的灵活性与NIfTI刚性规范之间的必然冲突。解决方案不是更换工具，而是建立一套鲁棒的校验流水线。

3. 实操全流程：从原始DICOM文件夹到可信赖NIfTI的7步精准操作

3.1 环境准备与工具链选型：为什么不用dcm2niix？因为它太“智能”了

主流方案有三类：dcm2niix（命令行）、pydicom + nibabel（Python）、MATLAB dicm2nii。我最终选择自研Python脚本+dcm2niix辅助校验的混合方案，原因如下：

• dcm2niix虽快，但其“智能”体现在自动修复DICOM缺陷（如补全缺失的Image Orientation Patient），这种修复缺乏透明度。当它把一个LPS坐标系强行转为RAS时，你无法追溯修正逻辑；
• pydicom提供完全可控的DICOM解析，可逐字段审计元数据质量；
• nibabel对NIfTI写入有精细控制，支持手动设置sform/qform及pixdim。

环境搭建（Ubuntu 22.04 LTS）：

# 创建隔离环境 conda create -n dicom2nii python=3.9 conda activate dicom2nii pip install pydicom nibabel numpy pandas tqdm # 安装dcm2niix用于交叉验证（非必需，但强烈推荐） wget https://github.com/rordenlab/dcm2niix/releases/download/v1.0.20230411/dcm2niix_ubuntu2004_20230411.zip unzip dcm2niix_ubuntu2004_20230411.zip sudo cp dcm2niix /usr/local/bin/

实操心得：永远不要在生产环境用pip install dcm2niix！PyPI上的dcm2niix包是旧版封装，不支持最新DICOM标准。务必从rordenlab官网下载编译好的二进制。

3.2 原始数据预检：用5分钟发现80%的潜在问题

在转换前，必须对DICOM文件夹进行“健康扫描”。我编写了一个dicom_audit.py脚本，核心逻辑如下：

import pydicom from pathlib import Path import numpy as np def audit_dicom_folder(dicom_dir): files = list(Path(dicom_dir).rglob("*.dcm")) + list(Path(dicom_dir).rglob("*.ima")) if not files: raise ValueError("No DICOM files found") # 提取关键字段并去重 positions = [] orientations = [] spacings = [] instance_nums = [] acq_nums = [] for f in files[:10]: # 只检查前10个，避免大文件夹耗时 try: ds = pydicom.dcmread(f, stop_before_pixels=True) if hasattr(ds, 'ImagePositionPatient'): positions.append(ds.ImagePositionPatient) if hasattr(ds, 'ImageOrientationPatient'): orientations.append(tuple(ds.ImageOrientationPatient)) if hasattr(ds, 'PixelSpacing'): spacings.append(tuple(ds.PixelSpacing)) if hasattr(ds, 'InstanceNumber'): instance_nums.append(int(ds.InstanceNumber)) if hasattr(ds, 'AcquisitionNumber'): acq_nums.append(int(ds.AcquisitionNumber)) except Exception as e: print(f"Warning: Failed to read {f.name} - {e}") # 输出诊断报告 print(f"Found {len(files)} DICOM files") print(f"Unique ImagePositionPatient: {len(set(map(tuple, positions)))}/{len(positions)}") print(f"Unique ImageOrientationPatient: {len(set(orientations))}/{len(orientations)}") print(f"PixelSpacing variance: {np.std(spacings, axis=0) if spacings else 'N/A'}") print(f"InstanceNumber range: {min(instance_nums)}-{max(instance_nums)}") print(f"AcquisitionNumber range: {min(acq_nums)}-{max(acq_nums) if acq_nums else 'N/A'}") return { 'positions': positions, 'orientations': orientations, 'spacings': spacings, 'instance_nums': instance_nums, 'acq_nums': acq_nums } # 运行审计 audit_dicom_folder("/path/to/your/dicom/folder")

运行此脚本后，重点关注三处输出：

• 若Unique ImageOrientationPatient: 1/10为1/10，说明所有切片方向一致，可放心转换；
• 若PixelSpacing variance中某维度标准差>0.001mm，提示设备存在像素尺寸漂移，需在转换时强制指定平均值；
• 若AcquisitionNumber range存在明显分段（如1-100, 201-300），表明是分段扫描，必须按AcquisitionNumber分组处理。

注意：审计时跳过stop_before_pixels=True，否则无法读取私有标签。某些GE设备的坐标系信息藏在私有标签0021,105E中，需额外处理。

3.3 坐标系强制校准：如何让LPS设备输出RAS NIfTI

当审计发现ImageOrientationPatient缺失或为LPS时，必须手动构建RAS仿射矩阵。核心步骤：

1. 确定患者坐标系类型：
   检查ds.ImageOrientationPatient是否为空，或计算其行列向量叉积：

   if not hasattr(ds, 'ImageOrientationPatient'): # 默认假设为轴向，RAS方向 row_vec = [1.0, 0.0, 0.0] # X轴向右 col_vec = [0.0, 1.0, 0.0] # Y轴向前 slice_normal = [0.0, 0.0, 1.0] # Z轴向上 else: # 解析ImageOrientationPatient (6个值: row_x,row_y,row_z, col_x,col_y,col_z) iop = ds.ImageOrientationPatient row_vec = iop[:3] col_vec = iop[3:] slice_normal = np.cross(row_vec, col_vec) # 右手法则计算法向量 # 若slice_normal[2] < 0，则为LPS（Z轴向下），需翻转 if slice_normal[2] < 0: slice_normal = -slice_normal row_vec = -row_vec # 同时翻转X轴以保持右手系

2. 构建仿射矩阵：
   使用nibabel的orientation_matrix工具生成标准RAS基：

   from nibabel.orientations import ornt_transform, io_orientation # 定义DICOM原始方向（假设为LPS） lps_ornt = np.array([[0, -1], # L->R [1, 0], # P->A [0, 1]]) # S->S (Z不变) # 转换为RAS ras_ornt = ornt_transform(lps_ornt, io_orientation('RAS')) # 构建完整4x4 affine affine = np.eye(4) affine[:3, :3] = np.array([row_vec, col_vec, slice_normal]).T * np.array(pixdim) # 平移向量 = 第一张切片的ImagePositionPatient first_pos = positions[0] affine[:3, 3] = first_pos

3. 写入NIfTI时锁定sform：

   nii_img = nib.Nifti1Image(data_array, affine) nii_img.header['qform_code'] = 0 # 禁用qform nii_img.header['sform_code'] = 1 # 启用sform nii_img.header['pixdim'][1:4] = 0 # pixdim清零，强制使用affine nib.save(nii_img, "output.nii.gz")

实操心得：永远用sform而非qform！qform是历史遗留，精度低且易被FSL覆盖。sform直接存储affine矩阵，是现代工具链的事实标准。

3.4 多期动态序列的时间轴重建：动脉期/静脉期不能靠文件名排序

对于CE-MRI或CTA，同一解剖位置有多组时间点（如动脉早期、动脉晚期、静脉期）。设备常将它们存放在同一文件夹，仅靠InstanceNumber无法区分。正确做法是：

1. 按AcquisitionNumber分组：

   from collections import defaultdict acq_groups = defaultdict(list) for f in dicom_files: ds = pydicom.dcmread(f, stop_before_pixels=True) acq_num = getattr(ds, 'AcquisitionNumber', 0) acq_groups[acq_num].append(f)

2. 组内按TriggerTime或AcquisitionTime排序：

   for acq_num, files_in_group in acq_groups.items(): # 按触发时间排序，确保时间序列正确 files_in_group.sort(key=lambda x: pydicom.dcmread(x, stop_before_pixels=True).get('TriggerTime', '000000'))

3. 为每组生成独立NIfTI：

   for acq_num, files_in_group in acq_groups.items(): # 对每组执行完整的DICOM→NIfTI流程 data_3d = load_and_sort_dicom_series(files_in_group) affine = build_affine_matrix(files_in_group) nii_img = nib.Nifti1Image(data_3d, affine) nib.save(nii_img, f"acq_{acq_num:03d}.nii.gz")

提示：GE设备常用Private Creator标签0021,105E存储真实采集时间，需用ds.private_block(0x0021, 'GEIIS')提取，而非依赖标准AcquisitionTime。

3.5 层厚拟合与Z轴校准：为什么最小二乘比直接取平均更可靠

当ImagePositionPatient的Z坐标不严格等距时（常见于螺旋CT重建），直接取np.diff(z_coords).mean()会放大噪声。改用线性拟合：

z_coords = np.array([pos[2] for pos in positions]) # 所有切片Z坐标 i_indices = np.arange(len(z_coords)) # 切片索引 # 拟合 Z = slope * i + intercept slope, intercept = np.polyfit(i_indices, z_coords, 1) layer_thickness = abs(slope) # 层厚即斜率绝对值 # 重构affine矩阵的Z轴部分 affine[2, 2] = layer_thickness affine[2, 3] = intercept # 首层Z坐标

此方法能自动抑制个别切片因重建误差导致的Z坐标异常，使整个体积在Z轴保持物理尺度一致性。

3.6 元数据压缩与BIDS兼容：如何让NIfTI自带“电子病历”

科研项目常需符合BIDS（Brain Imaging Data Structure）标准。在NIfTI头文件中嵌入关键元数据：

# 添加BIDS兼容字段 nii_img.header['descrip'] = b"BIDS-compliant conversion" nii_img.header['pixdim'][0] = 1.0 # 时间维度（若为4D） # 写入JSON sidecar（BIDS要求） json_data = { "RepetitionTime": 2.0, # TR "EchoTime": 0.03, # TE "MagneticFieldStrength": 3.0, "Manufacturer": "Siemens", "Modality": "MR" } with open("output.json", "w") as f: json.dump(json_data, f, indent=2)

注意：descrip字段长度限制为80字节，超长会被截断。关键信息应存入JSON sidecar。

3.7 结果可信度三重验证：3行代码揪出99%的转换错误

转换完成后，必须执行自动化校验。我将其封装为validate_nii.py：

import nibabel as nib import numpy as np def validate_nii(nii_path): img = nib.load(nii_path) affine = img.affine data = img.get_fdata() # 1. 检查RAS方向（对角线元素全为正） if not (affine[0,0] > 0 and affine[1,1] > 0 and affine[2,2] > 0): print("❌ FAIL: Non-RAS orientation detected") return False # 2. 检查Z轴层厚一致性 z_step = affine[2,2] z_coords = np.dot(affine, np.array([[0,0,i,1] for i in range(data.shape[2])]).T).T[:,2] if not np.allclose(np.diff(z_coords), z_step, atol=1e-5): print("❌ FAIL: Z-axis spacing inconsistent") return False # 3. 检查数据完整性（非全零） if np.all(data == 0): print("❌ FAIL: Empty data array") return False print("✅ PASS: All validations succeeded") return True validate_nii("output.nii.gz")

此脚本应在CI/CD流水线中作为必过关卡，任何FAIL都需人工介入审计原始DICOM。

4. 常见问题与排查技巧实录：那些文档里不会写的血泪教训

4.1 “图像被切成两半”：层厚拟合失效的隐蔽征兆

现象：转换后的NIfTI在FSLeyes中显示为两个分离的脑组织块，中间有巨大空隙。
根因：ImagePositionPatient的Z坐标存在“双峰分布”。常见于西门子设备的“Multi-band EPI”序列，其实际采集是分组交错的（如先采奇数层，再采偶数层），导致Z坐标交替跳跃。
排查：运行audit_dicom_folder，观察Unique ImagePositionPatient数量。若为2，且Z坐标差值接近2*SpacingBetweenSlices，即为此问题。
解决：

• 方法1（推荐）：启用dcm2niix的-b参数（BIDS模式），它会自动检测并重组Multi-band序列；
• 方法2：在Python脚本中，对Z坐标进行聚类（sklearn.cluster.KMeans(n_clusters=2)），将两簇分别拟合，再合并为单一等距序列。

实操心得：永远先用dcm2niix -b -o /tmp/ /path/to/dicom生成参考NIfTI，再与自研脚本结果对比。差异即为问题所在。

4.2 “脑组织旋转45度”：ImageOrientationPatient被设备误填的灾难

现象：在ITK-SNAP中，脑干看起来像被顺时针旋转了45度。
根因：飞利浦设备在某些固件版本中，将ImageOrientationPatient的row_vec和col_vec填写为设备坐标系而非患者坐标系，导致方向向量未随患者摆位旋转。
排查：用pydicom读取首尾两张切片的ImagePositionPatient，计算向量差Δpos，再与ImageOrientationPatient的slice_normal点乘。若np.dot(Δpos, slice_normal) < 0，说明法向量指向错误。
解决：强制翻转slice_normal，并同步调整row_vec和col_vec以维持右手系：

slice_normal = -slice_normal row_vec = np.cross(slice_normal, col_vec) # 重新计算行向量 col_vec = np.cross(row_vec, slice_normal) # 重新计算列向量

4.3 “时间序列顺序颠倒”：AcquisitionNumber在GE设备中的陷阱

现象：fMRI的第1卷显示的是最后1次TR的图像。
根因：GE设备的AcquisitionNumber在每次扫描重启时从1开始计数，而非全局唯一。真正的采集序号藏在私有标签0021,105E（AcquisitionIndex）中。
排查：用pydicom读取任意文件，执行：

ds = pydicom.dcmread("file.dcm") print(ds.private_block(0x0021, 'GEIIS').value(0x105E)) # 获取AcquisitionIndex

解决：替换排序键：

files.sort(key=lambda x: pydicom.dcmread(x).private_block(0x0021, 'GEIIS').value(0x105E))

4.4 “转换后文件体积暴涨3倍”：数据类型未压缩的隐性成本

现象：原始DICOM总大小1GB，转换后NIfTI达3GB。
根因：DICOM常使用12位或16位整数（BitsAllocated=16），但pydicom默认读取为int16，而nibabel写入NIfTI时若未指定dtype，会升级为float32（4字节→2字节）。
解决：显式指定数据类型：

# 读取时降级 data_2d = ds.pixel_array.astype(np.int16) # 强制int16 # 写入时锁定 nii_img = nib.Nifti1Image(data_3d, affine, dtype=np.int16)

效果：体积回归1GB，且FSL/FREESURFER等工具完全兼容int16NIfTI。

4.5 “同一设备不同序列结果不一致”：私有标签引发的坐标系漂移

现象：同一台Philips MRI的T1和T2序列，转换后在FSLeyes中无法精确配准。
根因：Philips的Private Creator标签2001,100A（ScanRegion）包含扫描野中心偏移，该偏移未被pydicom自动解析，导致T1/T2的ImagePositionPatient基准点不一致。
解决：手动提取并补偿：

if hasattr(ds, 'private_block'): try: block = ds.private_block(0x2001, 'PHILIPS MR') offset = block.value(0x100A) # 获取扫描中心偏移 # 将offset应用到ImagePositionPatient corrected_pos = np.array(ds.ImagePositionPatient) + offset except: corrected_pos = ds.ImagePositionPatient

5. 工具链深度优化：如何让转换速度提升5倍且零失败

5.1 并行化瓶颈突破：为什么多进程比多线程更有效？

DICOM解析是IO密集型任务，pydicom的dcmread在CPython中受GIL限制，多线程无法加速。改用concurrent.futures.ProcessPoolExecutor：

from concurrent.futures import ProcessPoolExecutor import multiprocessing as mp def process_single_dicom(file_path): ds = pydicom.dcmread(file_path, stop_before_pixels=True) return { 'path': file_path, 'position': getattr(ds, 'ImagePositionPatient', None), 'orientation': getattr(ds, 'ImageOrientationPatient', None), 'instance_num': getattr(ds, 'InstanceNumber', 0) } def parallel_audit(dicom_files, max_workers=None): if max_workers is None: max_workers = mp.cpu_count() - 1 with ProcessPoolExecutor(max_workers=max_workers) as executor: results = list(executor.map(process_single_dicom, dicom_files)) return results # 调用 results = parallel_audit(all_dicom_files)

实测：处理10000张DICOM，单进程耗时42秒，并行（8核）仅需9.3秒，提速4.5倍。

5.2 内存映射优化：处理超大CT数据集的终极方案

当DICOM序列超过5000层（如全身CT），全部加载到内存会导致OOM。改用numpy.memmap：

# 创建内存映射数组 data_shape = (rows, cols, slices) memmap_path = "/tmp/dicom_data.dat" data_memmap = np.memmap(memmap_path, dtype='int16', mode='w+', shape=data_shape) # 分批写入 for i, f in enumerate(sorted_files): ds = pydicom.dcmread(f) data_memmap[:, :, i] = ds.pixel_array # 转换为NIfTI时直接读取memmap nii_img = nib.Nifti1Image(data_memmap, affine)

此方案将内存占用从O(N)降至O(1)，支持无限层数的DICOM序列。

5.3 自动化校验流水线：用GitHub Actions实现零人工干预

将上述所有步骤封装为CI脚本，每次推送DICOM到仓库即自动转换并校验：

# .github/workflows/dicom2nii.yml name: DICOM to NIfTI Conversion on: push: paths: - 'data/**.dcm' - 'data/**.ima' jobs: convert: runs-on: ubuntu-22.04 steps: - uses: actions/checkout@v3 - name: Setup Python uses: actions/setup-python@v4 with: python-version: '3.9' - name: Install dependencies run: | pip install pydicom nibabel numpy - name: Run conversion & validation run: | python dicom2nii.py --input data/ --output nii/ python validate_nii.py nii/*.nii.gz - name: Upload artifacts uses: actions/upload-artifact@v3 with: name: converted-nii path: nii/

提示：在dicom2nii.py中加入--dry-run参数，CI首次运行时先审计不转换，确认无误后再启用真实转换。

6. 临床与科研场景延伸：从基础转换到高阶应用

6.1 放射科日常：如何为PACS系统定制轻量级DICOM转NIfTI服务

放射科医生需要快速将急诊CT转换为NIfTI供AI辅助诊断。我们部署了一个Flask微服务：

from flask import Flask, request, send_file import tempfile import os app = Flask(__name__) @app.route('/convert', methods=['POST']) def convert_dicom(): if 'dicom_zip' not in request.files: return "No file uploaded", 400 zip_file = request.files['dicom_zip'] with tempfile.TemporaryDirectory() as tmpdir: # 解压ZIP import zipfile with zipfile.ZipFile(zip_file) as zf: zf.extractall(tmpdir) # 调用转换函数 nii_path = dicom_to_nii(tmpdir, output_dir=tmpdir) # 返回NIfTI文件 return send_file(nii_path, as_attachment=True, download_name="converted.nii.gz") if __name__ == '__main__': app.run(host='0.0.0.0:5000')

前端网页上传ZIP，后端10秒内返回NIfTI，无缝集成至PACS工作流。

6.2 影像组学研究：转换时注入ROI标注信息

在肿瘤分割项目中，需将DICOM-RT结构集（RT-Struct）同步转换为NIfTI掩膜：

def dicom_rtstruct_to_nii(rtstruct_path, ref_nii_path, output_path): # 读取RT-Struct rt = pydicom.dcmread(rtstruct_path) ref_img = nib.load(ref_nii_path) # 提取每个ROI的轮廓点 for roi in rt.StructureSetROISequence: contour_data = [] for seq in rt.ROIContourSequence: if seq.ReferencedROINumber == roi.ROINumber: for contour in seq.ContourSequence: contour_data.extend(contour.ContourData) # 将轮廓点映射到NIfTI体素坐标 mask = np.zeros(ref_img.shape, dtype=np.uint8) for point in contour_data: # 使用ref_img.affine的逆矩阵转换 world_coord = np.array([point[0], point[1], point[2], 1.0]) voxel_coord = np.linalg.inv(ref_img.affine).dot(world_coord)[:3] i, j, k = np.round(voxel_coord).astype(int) if 0 <= i < mask.shape[0] and 0 <= j < mask.shape[1] and 0 <= k < mask.shape[2]: mask[i,j,k] = 1 # 保存为NIfTI nib.save(nib.Nifti1Image(mask, ref_img.affine), f"{output_path}_{roi.ROIName}.nii.gz")

此功能使放射科医生无需离开PACS即可生成训练用标注数据。

6.3 多中心研究：如何用转换脚本自动适配不同厂商设备

为协调12家医院的数据，我们开发了vendor_profile.py，根据DICOM头自动匹配配置：

def get_vendor_profile(ds): manufacturer = getattr(ds, 'Manufacturer', '').lower() if 'siemens' in manufacturer: return { 'use_acq_num': True, 'fix_orientation': 'ras', 'pixel_dtype': np.int16 } elif 'ge' in manufacturer: return { 'use_acq_num': False, # GE用AcquisitionIndex 'fix_orientation': 'lps_to_ras', 'pixel_dtype': np.uint16 } elif 'philips' in manufacturer: return { 'use_acq_num': True, 'fix_orientation': 'scan_region_compensate', 'pixel_dtype