Diese Seite wurde von der Cloud Translation API übersetzt.
Switch to English

Dekodieren Sie DICOM-Dateien für die medizinische Bildgebung

Ansicht auf TensorFlow.org In Google Colab ausführen Quelle auf GitHub anzeigen Notizbuch herunterladen

Überblick

Dieses Tutorial zeigt, wie Sie tfio.image.decode_dicom_image in TensorFlow IO verwenden, um DICOM-Dateien mit TensorFlow zu dekodieren.

Einrichtung und Verwendung

Laden Sie das DICOM-Bild herunter

Das in diesem Lernprogramm verwendete DICOM-Bild stammt aus dem NIH-Brust-Röntgendatensatz .

Der NIH-Brust-Röntgendatensatz besteht aus 100.000 nicht identifizierten Bildern von Brust-Röntgenstrahlen im PNG-Format, die vom NIH Clinical Center bereitgestellt werden und über diesen Link heruntergeladen werden können .

Google Cloud bietet auch eine DICOM-Version der Bilder, die im Cloud-Speicher verfügbar ist.

In diesem Tutorial laden Sie eine Beispieldatei des Datensatzes vom GitHub-Repo herunter

  • Xiaosong Wang, Yifan Peng, Le Lu, Zhiyong Lu, Mohammadhadi Bagheri, Ronald Summers, ChestX-ray8: Brust-Röntgendatenbank im Krankenhausmaßstab und Benchmarks zur schwach überwachten Klassifizierung und Lokalisierung häufiger Thoraxkrankheiten, IEEE CVPR, S. 3462 -3471, 2017
curl -OL https://github.com/tensorflow/io/raw/master/docs/tutorials/dicom/dicom_00000001_000.dcm
ls -l dicom_00000001_000.dcm
  % Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
                                 Dload  Upload   Total   Spent    Left  Speed
100   164  100   164    0     0    611      0 --:--:-- --:--:-- --:--:--   611
100 1024k  100 1024k    0     0  1644k      0 --:--:-- --:--:-- --:--:--  9.7M
-rw-rw-r-- 1 kbuilder kokoro 1049332 Jul 28 18:17 dicom_00000001_000.dcm

Installieren Sie die erforderlichen Pakete und starten Sie die Laufzeit neu

 try:
  # Use the Colab's preinstalled TensorFlow 2.x
  %tensorflow_version 2.x 
except:
  pass
 
pip install -q tensorflow-io

DICOM-Bild dekodieren

 import matplotlib.pyplot as plt
import numpy as np

import tensorflow as tf
 
 import tensorflow_io as tfio

image_bytes = tf.io.read_file('dicom_00000001_000.dcm')

image = tfio.image.decode_dicom_image(image_bytes, dtype=tf.uint16)

skipped = tfio.image.decode_dicom_image(image_bytes, on_error='skip', dtype=tf.uint8)

lossy_image = tfio.image.decode_dicom_image(image_bytes, scale='auto', on_error='lossy', dtype=tf.uint8)


fig, axes = plt.subplots(1,2, figsize=(10,10))
axes[0].imshow(np.squeeze(image.numpy()), cmap='gray')
axes[0].set_title('image')
axes[1].imshow(np.squeeze(lossy_image.numpy()), cmap='gray')
axes[1].set_title('lossy image');
 

png