[Kaggle] CT Medical Image - (1) DICOM 파일 array로 전환 및 시각화

CT Medical Image Classification

(0) 서론, 액션플랜

 

0. 데이터 구성 

 

 

- dicom_dir : dicom 파일 폴더 (100 files)

- tiff_images: tiff 파일 폴더 (100 files)

- full_archive.npz: images, idx 어레이들의 집합(475 instances)

- overview.csv: 환자 ID, 환자의 특징과 dicom 파일명을 column으로 가지는 데이터 프레임(100 instances)

 

* npz?

 변수를 저장하고 싶을 때가 있는데, 여러 개의 array 변수를 한 번에 저장하고 싶을때 사용하는 것이 npz

 여러 개의 array를 담고 있기 때문에 하나의 array에 접근하기 위해서는 그 변수를 알아야 한다. 

 위의 full_archive.npz는 image와 idx라는 이름의 array 변수가 있었다. 따라서 아래와 같이 각각의 변수 타입을 프린트 하면 

import numpy as np

x = np.load('full_archive.npz', allow_pickle=True)

print(type(x['image']))
print(type(x['idx']))

아래와 같은 output이 나온다. 

 

x['image'][:10]

image 변수를 살펴보면 아래와 같다. 

x['idx'][:10]

idx를 뽑으면 이렇게 된다. 

full_archive의 두 변수 image와 idx의 경우 475개의 개체가 있다. 

한편.. dicom_dir과 tff_images의 경우 100개의 개체뿐이다. overview.csv 에도 100개의 개체뿐이므로, full_archive는 이용하지 않도록 하겠다. 

 

 

overview 파일은 아래와 같은 정보를 담고 있다. 

- input: DICOM

- output: Contrast 

 

1. DICOM 파일 열어보기

 

일단 dicom 파일 하나를 열어보자

 

https://hyelimkungkung.tistory.com/44

[의료이미지 분석]Introduction to medical image analysis

 

여기에 써 놨듯이 의료 이미지에는 영상 정보와 헤더 정보가 함께 있어야 한다. 한 dicom 파일에도 영상 정보와 헤더 정보가 함께 들어있다. 파이썬에서 dicom 파일을 열어보기 위해서 사용할 수 있는 것이 'pydicom' 라이브러리다.

이용해서 아래와 같이 하나의 무작위 파일을 열어서 읽어보았다. 

 

!pip install pydicom
import pydicom

dicom = pydicom.read_file('dicom_dir/'+os.listdir('dicom_dir')[0])

 

그러면 아래와 같이 메타데이터에 대한 정보가 담겨있다.

정확하게 무엇에 대한 정보인지 알 수 없는 데이터이지만 조금 더 내려보면 우리가 해석할 수 있는 정보가 있다. 

이미지 차원, width, height, pixel spacing(강의에서는 voxel spacing에 대해서 다루었지만 이미지가 2차원인 고로 pixel spacing인 것 같음) 

 

흥미롭다!

 

2. DICOM 파일 array로 전환 및 시각화 

 

data = dicom.pixel_array

 

위에서 본 image dimension과 shape가 정확히 같다.

따라서 data는 dicom의 영상 정보가 적절히 잘 전환되었다고 생각할 수 있다. 

그러나 여기서 그쳐서는 안 된다고 한다. 

 

window_center = -600
window_width = 1600
 
# CT image
dicom_path ='dicom_dir/'+os.listdir('dicom_dir')[0]
slice = pydicom.read_file(dicom_path)
s = int(slice.RescaleSlope)
b = int(slice.RescaleIntercept)
image = s * slice.pixel_array + b
 
plt.subplot(1,4,1)
plt.title('DICOM -> Array')
plt.imshow(slice.pixel_array,cmap='gray')

plt.subplot(1,4,2)
plt.title('Rescaled Array')
plt.imshow(image, cmap = 'gray')
 
# apply_voi_lut( )
slice.WindowCenter = window_center
slice.WindowWidth = window_width
image2 = apply_voi_lut(image, slice)
plt.subplot(1,4,3)
plt.title('apply_voi_lut( )')
plt.imshow(image2, cmap = 'gray')
 
# normalization
image3 = np.clip(image, window_center - (window_width / 2), window_center + (window_width / 2))
plt.subplot(1,4,4)
plt.title('normalize')
plt.imshow(image3, cmap = 'gray')
 
plt.show()

 

https://ballentain.tistory.com/53

 

총 3가지의 변화를 주었는데 아래와 같다. 

 

(1) rescaleslope, rescaleintercept 반영

(2) apply_voi_lut

(3) normalize 

 

(1) rescaleslope, rescaleintercept 반영

 

우선 resclaeslope과 rescaleintercept를 반영했을 때 그림상으로는 무엇이 크게 달라지는지는 잘 모르겠다. 

하지만 값에서는 확연히 차이를 보인다. 

왼쪽이 rescaleslope와 intercepty를 반영하지 않았을 때의 array 값, 그리고 오른쪽이 반영했을 때의 값이다. 

모두 음수로 바뀐 것을 알 수 있다. 그렇다면 왜 그렇게 됐는가? 그 원리가 궁금하면 아래의 블로그를 참조하도록 하자. 

 

https://jayeon8282.tistory.com/2

 

 

(2) apply_voi_lut

 

 영상을 통해서 어떤 차이를 주었는지 한 번에 확인할 수 있다. 이미지의 밝기가 변해서 우리가 쉽게 이해할 수 있는 구조로 변하였다. 

 

(3) normalize 

 

 솔직히 말하면 사진이 작아서 어떤 변화가 일어났는지 잘 파악을 할 수 없다. 

 하지만 수식적으로는 그 차이가 무엇인지 알 수 있을 것이다. 

 우리가 임의로 정한 Window_center 와 window_width 값을 넘는 것들은 모두 컷해서 우리가 지정한 값들이 되게끔 하는 장치이다. 

 

3. 위에 기반하여 dicom을 array로 전환하는 함수 생성   

 

def dicom_2_array(path):
    window_center = -600
    window_width = 1600

    slice = pydicom.read_file(path)
    s = int(slice.RescaleSlope)
    b = int(slice.RescaleIntercept)
    image = s * slice.pixel_array + b

    # apply_voi_lut( )
    slice.WindowCenter = window_center
    slice.WindowWidth = window_width
    image2 = apply_voi_lut(image, slice)

    return image2

 

4. contrast 사용 여부가 다른 dicom 파일 시각화 

 

## contrast 가 True인 이미지와 False인 이미지 섞어서 subset 생성

df = pd.read_csv('overview.csv')

df_contrast = df.loc[df.Contrast == True,:][:8]
df_none = df.loc[df.Contrast == False,:][:8]

df_subset =pd.concat([df_contrast, df_none]).reset_index(drop=True)

## subset의 시각화 

f, ax = plt.subplots(4,4, figsize=(16,20))

for i, data in enumerate(df_subset.values):
    
    path = 'dicom_dir/' + data[-1]
    image = dicom_2_array(path)
    ax[i//4, i%4].imshow(image, cmap='gray')
    ax[i//4, i%4].set_title(f'Age: {data[1]}\nContrast: {data[2]}')

 

 

 시각화를 했을 때 어떤 차이가 있는 것 같은가? 

 솔직히 말하면 나는 아직 잘 모르겠다. 

 

5. 데이터 프레임에 pixe_array column 추가하기

 

나중에 작업하기 용이하도록 pixel_array를 그냥 column으로 새로 만들어준다. 

pixel_array = []

for path in df.dicom_name:
    dicom_path = 'dicom_dir/' + path
    array = dicom_2_array(dicom_path)
    
    pixel_array.append(array)
    
df['pixel_array'] = pixel_array

 

 

오늘은 쉽게 끝낼 수 있었다. 다행이다. ㅠㅠ

나도 프로젝트 할 때마다 표지를 만들어서 게시할 수 있으면 참 좋을 것 같다. 

좀 깔끔하고 기분이도 좋고 

 

[reference]

 

- https://www.kaggle.com/raddar/convert-dicom-to-np-array-the-correct-way

- https://ballentain.tistory.com/53

- https://jayeon8282.tistory.com/2