如何调整 .mhd 文件的查看 window 以更好地查看医学图像？
How to adjust the viewing window of .mhd file to get a better look at medical images?
我为医学图像加载了一些 .mdh 和 .raw 文件，但有一件事困扰着我。我知道在 .dicom 文件中，您可以使用 rescale.slope 和 rescale.intercept 将像素强度转换为 HU，而 .mhd 文件无法包含。因此，我想知道如何从 .mdh 和 .raw 中更好地查看我的图像数据 file.This 是我想要完成的 image that I generate, this is the kind of image。
在这里，我从数据中加载一个切片，并绘制每个 'pixel' 值的 histogram（不确定是称它们为像素还是体素）。
虽然我确实有一个简单地重置具有最小值的像素的想法，但我真的很想听听有经验的同行是否有更复杂的方法来实现这一点。
itk_img = SimpleITK.ReadImage(mhd_file)
img_array = SimpleITK.GetArrayFromImage(itk_img)
plt.imshow(img_array[80], cmap=plt.cm.gray) # show a slice from a 3D data
plt.show()
plt.hist(img_array[80].flatten(), bins=80, color='c')
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.show()
我已经上传了我所有的图片到github，因为我还没有被允许上传图片，所以请随时点击。
非常感谢！
.mhd/.mha 文件中存储的值已经是 HU 值。您想到的是图像查看器的 Window and Level，它将 HU 值重新映射为可以在监视器上显示的像素值。
我不建议重新调整文件本身的值，因为这会导致信息丢失。相反，我建议下载一个能够显示图像的程序，例如 ITK-Snap and/or MeVisLab，它允许您调整 window 和级别
前面的回答很好地解释了为什么您需要窗口化，而不是重新调整强度值。但是，@Czorio 提出的解决方案涉及您在第 3 方软件（ITK-Snap 或 MeVisLab）中可视化图像。
虽然我也建议使用这些应用程序，但在您的 post 中，您似乎正在尝试使用 Matplotlib 在 Python 中可视化图像。如果您想更改 Python 中的窗口，我建议修改 plt.imshow 中的 clim 参数。例如：
import numpy as np
itk_img = SimpleITK.ReadImage(mhd_file)
img_array = SimpleITK.GetArrayFromImage(itk_img)
plt.imshow(img_array[80], cmap=plt.cm.gray, clim=np.percentile(img_array, (1,99)))
plt.show()
plt.hist(img_array[80].flatten(), bins=80, color='c')
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.show()
在上面修改后的代码中，我只是将颜色图 plt.cm.gray 重新缩放到图像中值的第 1 个到第 99 个百分位数。您需要尝试使用这些百分位数，直到获得您喜欢的图像（这取决于您正在可视化的解剖结构等因素）。您也可以使用直方图来帮助您做出决定。
您可以进一步修改 cmap 和 clim 以实现非线性颜色映射，您可能希望再次根据您尝试可视化的解剖结构进行调整。
我也只是附和一下。我也用 dicom/diagnostic 图像、分析和机器学习做了很多工作。
要具体说明的一个关键点（我假设您知道这一点，而其他回复隐含地说明了这一点）是这些图像（您使用的是 CT，但同样适用于 MR 和其他模式）是 图像数据本身是 16 位 。 （即值范围超过 65,536 个值集，而不是像 8 位数据那样的 256 个）。
有两点很重要：
- 对于任何机器learning/analysisy你必须使用16位数据，而不是它的任何8位表示。我说 'must' 因为 a) 如果你不这样做，你就会丢失数据中的大部分信息 b) 特定值（对于 CT）具有临床意义 c) 你不是如果您不使用 16 位数据
，那么任何临床监管都会有希望 approval/use/testing/validation
- 当您想可视化数据时，您需要将其转换为（通常）8 位下采样版本 - 即以某种方式将其表示为 256 个离散值而不是 65k .
您在上面所做的是尝试可视化整个 16 位数据集（这意味着以某种方式下采样到 256 个灰度值）。
默认情况下，matplotlib imshow - 对于 16 位数据 - 会将灰度限制设置为数据的最小值和最大值。这几乎可以肯定（见下文）不会让你得到你想要的图像，或者对任何人都有用。
要获得你想要的图像视图，你需要将 vmin/vmax 传递给 imshow() 以告诉 matplotlib 最小和最大灰度值（即什么值是黑色，什么是白色）：
vmin = -100
vmax = 200
plt.imshow(img_array, cmap='gray', vmin=vmin, vmax=vmax)
# or if you're using window/level:
window = 300
level = 100
vmin = level - window/2
vmax = level + window/2
plt.imshow(img_array, cmap='gray', vmin=vmin, vmax=vmax)
我几乎可以肯定地说，因为在 CT 图像中，图像中大多数扫描仪的最小值是 -3000（或某个等效的非常低的值）。这是因为虽然空气的 HU 值为 -1000，但扫描仪具有圆形视野，它们可以获取图像数据。在那个 FOV 之外，他们将数据设置为这个 "low" 值以表明它不是实际的真实扫描数据。您可以在图像 here 中看到这一点，其中有 body，body 外部的空气（mid-grey 值 - 大约 -1000 HU），然后是黑色该圆形区域之外的值（可能约为 -3000 HU）。
我为医学图像加载了一些 .mdh 和 .raw 文件，但有一件事困扰着我。我知道在 .dicom 文件中，您可以使用 rescale.slope 和 rescale.intercept 将像素强度转换为 HU，而 .mhd 文件无法包含。因此，我想知道如何从 .mdh 和 .raw 中更好地查看我的图像数据 file.This 是我想要完成的 image that I generate, this is the kind of image。
在这里，我从数据中加载一个切片，并绘制每个 'pixel' 值的 histogram（不确定是称它们为像素还是体素）。
虽然我确实有一个简单地重置具有最小值的像素的想法，但我真的很想听听有经验的同行是否有更复杂的方法来实现这一点。
itk_img = SimpleITK.ReadImage(mhd_file)
img_array = SimpleITK.GetArrayFromImage(itk_img)
plt.imshow(img_array[80], cmap=plt.cm.gray) # show a slice from a 3D data
plt.show()
plt.hist(img_array[80].flatten(), bins=80, color='c')
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.show()
我已经上传了我所有的图片到github，因为我还没有被允许上传图片，所以请随时点击。
非常感谢！
.mhd/.mha 文件中存储的值已经是 HU 值。您想到的是图像查看器的 Window and Level，它将 HU 值重新映射为可以在监视器上显示的像素值。
我不建议重新调整文件本身的值，因为这会导致信息丢失。相反，我建议下载一个能够显示图像的程序，例如 ITK-Snap and/or MeVisLab，它允许您调整 window 和级别
前面的回答很好地解释了为什么您需要窗口化，而不是重新调整强度值。但是，@Czorio 提出的解决方案涉及您在第 3 方软件（ITK-Snap 或 MeVisLab）中可视化图像。
虽然我也建议使用这些应用程序，但在您的 post 中，您似乎正在尝试使用 Matplotlib 在 Python 中可视化图像。如果您想更改 Python 中的窗口，我建议修改 plt.imshow 中的 clim 参数。例如：
import numpy as np
itk_img = SimpleITK.ReadImage(mhd_file)
img_array = SimpleITK.GetArrayFromImage(itk_img)
plt.imshow(img_array[80], cmap=plt.cm.gray, clim=np.percentile(img_array, (1,99)))
plt.show()
plt.hist(img_array[80].flatten(), bins=80, color='c')
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.show()
在上面修改后的代码中，我只是将颜色图 plt.cm.gray 重新缩放到图像中值的第 1 个到第 99 个百分位数。您需要尝试使用这些百分位数，直到获得您喜欢的图像（这取决于您正在可视化的解剖结构等因素）。您也可以使用直方图来帮助您做出决定。
您可以进一步修改 cmap 和 clim 以实现非线性颜色映射，您可能希望再次根据您尝试可视化的解剖结构进行调整。
我也只是附和一下。我也用 dicom/diagnostic 图像、分析和机器学习做了很多工作。
要具体说明的一个关键点（我假设您知道这一点，而其他回复隐含地说明了这一点）是这些图像（您使用的是 CT，但同样适用于 MR 和其他模式）是 图像数据本身是 16 位 。 （即值范围超过 65,536 个值集，而不是像 8 位数据那样的 256 个）。
有两点很重要：
- 对于任何机器learning/analysisy你必须使用16位数据，而不是它的任何8位表示。我说 'must' 因为 a) 如果你不这样做，你就会丢失数据中的大部分信息 b) 特定值（对于 CT）具有临床意义 c) 你不是如果您不使用 16 位数据 ，那么任何临床监管都会有希望 approval/use/testing/validation
- 当您想可视化数据时，您需要将其转换为（通常）8 位下采样版本 - 即以某种方式将其表示为 256 个离散值而不是 65k .
您在上面所做的是尝试可视化整个 16 位数据集（这意味着以某种方式下采样到 256 个灰度值）。
默认情况下，matplotlib imshow - 对于 16 位数据 - 会将灰度限制设置为数据的最小值和最大值。这几乎可以肯定（见下文）不会让你得到你想要的图像，或者对任何人都有用。
要获得你想要的图像视图，你需要将 vmin/vmax 传递给 imshow() 以告诉 matplotlib 最小和最大灰度值（即什么值是黑色，什么是白色）：
vmin = -100
vmax = 200
plt.imshow(img_array, cmap='gray', vmin=vmin, vmax=vmax)
# or if you're using window/level:
window = 300
level = 100
vmin = level - window/2
vmax = level + window/2
plt.imshow(img_array, cmap='gray', vmin=vmin, vmax=vmax)
我几乎可以肯定地说，因为在 CT 图像中，图像中大多数扫描仪的最小值是 -3000（或某个等效的非常低的值）。这是因为虽然空气的 HU 值为 -1000，但扫描仪具有圆形视野，它们可以获取图像数据。在那个 FOV 之外，他们将数据设置为这个 "low" 值以表明它不是实际的真实扫描数据。您可以在图像 here 中看到这一点，其中有 body，body 外部的空气（mid-grey 值 - 大约 -1000 HU），然后是黑色该圆形区域之外的值（可能约为 -3000 HU）。