Skip to content

Data Science › Image Analysis › 生醫影像分析

生醫影像分析 (Biomedical Image Analysis) ​

古典生醫影像流程:讀入影像與 metadata、建立 mask、標記物件、量測結構,最後做 registration 與 resampling。和一般照片最大的不同是空間語意:2D 的 pixel、3D 的 voxel 除了強度,還有實際的物理位置與大小。

shape 只告訴你陣列大小,不等於真實世界的尺寸;尺寸要靠 spacing。

各成像模態量的物理量(HU、MRI 加權、SUV)與假影見 Biology:醫學影像。

text
讀影像與 metadata → 確認 shape / spacing / FOV / 方向 → 用強度建 mask → 形態學修 mask
  → 標記物件 → 轉成可量測特徵(體積、距離、中心)→ 必要時 registration / resampling

檔案格式與讀取 ​

格式用途Python
DICOM(.dcm,每張切片一個檔)臨床原始格式,含大量 metadata(含個資)pydicom、SimpleITK
NIfTI(.nii / .nii.gz)研究用 3D / 4D volume(神經影像、分割標籤)nibabel、SimpleITK
NRRD、MHA研究與工具間交換SimpleITK
TIFF / OME-TIFF、OME-Zarr顯微鏡tifffile、aicsimageio
python
import SimpleITK as sitk

img = sitk.ReadImage("ct.nii.gz")                    # DICOM 資料夾:見下
arr = sitk.GetArrayFromImage(img)                    # NumPy 陣列,軸順序 (z, y, x)
img.GetSize()                                        # (x, y, z)  ← 順序相反!
img.GetSpacing()                                     # (dx, dy, dz),單位 mm
img.GetOrigin(), img.GetDirection()                  # 物理座標原點與方向

# DICOM 系列 → 3D volume(自動依切片位置排序)
reader = sitk.ImageSeriesReader()
reader.SetFileNames(reader.GetGDCMSeriesFileNames("chest_dicom/"))
vol = reader.Execute()

# NIfTI:nibabel
import nibabel as nib
nii = nib.load("brain.nii.gz")
data = nii.get_fdata()                               # 軸順序 (x, y, z)
nii.header.get_zooms()                               # voxel 大小
nii.affine                                           # voxel 索引 → 世界座標的 4×4 矩陣

SimpleITK 的陣列是 (z, y, x),但 GetSize() / GetSpacing() 是 (x, y, z);nibabel 的陣列是 (x, y, z)。把 spacing 套到陣列軸上之前,先確認順序,這是最常見的錯誤之一。

舊教材常用 imageio.imread / imageio.volread 並從 vol.meta["sampling"] 取 spacing;新版 imageio 中這組 API 移到 imageio.v2,醫學影像建議改用 SimpleITK 或 nibabel,它們保留完整的方向與座標資訊。自己用 np.stack 疊切片時,要確認切片依 ImagePositionPatient 排序,而不是依檔名。

Shape、Spacing、FOV ​

概念意義例子
Shape每軸有幾個 voxel(120, 512, 512)
Spacing / sampling每個 voxel 代表多少實際距離(mm)(2.5, 0.7, 0.7):切片厚、平面內細
Field of view (FOV)每軸覆蓋的實際範圍 = shape × spacing(300, 358, 358) mm
方向 (direction / affine)陣列軸與病人座標(左右、前後、上下)的對應決定左右是否翻轉
python
n = np.array(arr.shape)                       # (z, y, x)
d = np.array(img.GetSpacing())[::-1]          # 轉成 (z, y, x)
fov = n * d

兩個 volume 的 shape 相同,spacing 不同時代表的真實空間大小也不同;各向異性 (anisotropic) 的 voxel(切片厚度遠大於平面解析度)會讓 3D 形態學與距離計算失真。

強度、直方圖與閾值 ​

模態強度的意義閾值策略
CTHounsfield unit (HU),有物理意義:空氣 −1000、水 0、軟組織約 20–80、骨 > 300固定 HU 範圍就能分出組織
MRI任意單位,不同掃描、不同機器間不可比先做強度標準化(z-score、bias field 校正)再閾值
螢光顯微鏡相對亮度,受曝光與染色影響同批次固定設定;Otsu 等自動閾值
python
import scipy.ndimage as ndi

hist, edges = np.histogram(arr, bins=256)          # 先看直方圖再決定閾值
soft = (arr > -100) & (arr < 300)                  # CT:軟組織範圍(HU)
bone = arr > 300
band = soft & ~bone
bone_only = np.where(bone, arr, 0)                 # 只保留骨頭強度

閾值假設不同組織在強度上可以分開;造影劑、部分容積效應 (partial volume)、雜訊都會讓這個假設不成立。

形態學 (Morphology) ​

原始閾值 mask 常有洞、鋸齒、斷裂或小雜點,用二值形態學修正,讓後續標記與量測更穩:

操作作用用途
Dilation(膨脹)擴張前景補小裂縫
Erosion(侵蝕)收縮前景去小雜點、分開細連接
Opening = erosion → dilation去除比結構元素小的突出與雜點去雜訊
Closing = dilation → erosion填補小洞與縫隙平滑邊界
Fill holes填滿封閉的內部空洞實心器官 mask
python
m = arr > 300
m = ndi.binary_opening(m, iterations=2)
m = ndi.binary_closing(m, iterations=2)
m = ndi.binary_fill_holes(m)

iterations 是以 voxel 為單位;spacing 各向異性時,同樣的迭代次數在不同軸代表不同的實際距離。

標記與量測 ​

python
labels, n = ndi.label(m)                                # 連通區塊 → 整數標籤
sizes = ndi.sum(m, labels, index=range(1, n + 1))       # 每個區塊的 voxel 數
largest = labels == (np.argmax(sizes) + 1)              # 保留最大區塊(常是目標器官)

# 距離轉換:前景 voxel 到背景的距離;帶 sampling 才是 mm
d_vox = ndi.distance_transform_edt(largest)
d_mm = ndi.distance_transform_edt(largest, sampling=d)  # d 為 (z, y, x) spacing
max_radius_mm = d_mm.max()

com = ndi.center_of_mass(largest)                       # 中心(voxel 座標)

# 體積 = voxel 數 × 單一 voxel 體積
voxel_ml = np.prod(d) / 1000                            # mm³ → mL
volume_ml = largest.sum() * voxel_ml

時間序列 volume(例如心動週期的心室)可以對每個時間點計算體積,得到體積曲線:

python
ts = np.array([(labels_t[t] == 1).sum() * voxel_ml for t in range(labels_t.shape[0])])
ejection_fraction = (ts.max() - ts.min()) / ts.max()    # 舒張末期與收縮末期體積
量測用途
體積、面積腫瘤大小、器官體積、病灶負擔
距離轉換最大厚度 / 半徑、到邊界的距離
中心粗略定位、初始化 registration
強度統計(ndi.mean(arr, labels, index))病灶內的平均 HU、SUV(PET)

Registration 與空間轉換 ​

不同病人、時間點或掃描姿勢的影像要對齊到同一個參考(template 或基線影像),才能比較。

轉換自由度(2D)包含用途
平移 (translation)2移動粗略對齊中心
剛體 (rigid)3平移 + 旋轉同一病人不同時間(形狀不變)
仿射 (affine)6+ 縮放、剪切不同病人粗對齊
非線性 (deformable)很多局部變形圖譜對齊、呼吸運動校正
python
# scipy.ndimage:簡單轉換(以陣列座標操作)
com = ndi.center_of_mass(im)
centered = ndi.shift(im, shift=[128 - com[0], 128 - com[1]])
rotated = ndi.rotate(im, angle=25, reshape=False)        # reshape=False 保留大小,但可能裁掉邊角
mat = [[0.8, 0, -20], [0, 0.8, -10], [0, 0, 1]]
xfm = ndi.affine_transform(im, mat)                      # 齊次座標矩陣;注意它是「輸出 → 輸入」的映射

# SimpleITK:以物理座標做真正的 registration(最佳化相似度指標)
fixed, moving = sitk.Cast(fixed, sitk.sitkFloat32), sitk.Cast(moving, sitk.sitkFloat32)
init = sitk.CenteredTransformInitializer(fixed, moving, sitk.Euler3DTransform(),
                                         sitk.CenteredTransformInitializerFilter.GEOMETRY)
reg = sitk.ImageRegistrationMethod()
reg.SetMetricAsMattesMutualInformation(numberOfHistogramBins=50)   # 不同模態也適用
reg.SetOptimizerAsGradientDescent(learningRate=1.0, numberOfIterations=200)
reg.SetInterpolator(sitk.sitkLinear)
reg.SetInitialTransform(init, inPlace=False)
tx = reg.Execute(fixed, moving)
aligned = sitk.Resample(moving, fixed, tx, sitk.sitkLinear, 0.0)
相似度指標適合
Mean squared error同模態、強度可直接比較
Normalized cross-correlation同模態、強度有線性差異
Mutual information不同模態(CT ↔ MRI、MRI T1 ↔ T2)

Resampling 與 Interpolation ​

改變解析度、對齊到另一個網格、統一不同掃描的 spacing 時都會 resampling:在新的座標網格上重新估計像素值,不只是改 shape。

python
vol_dn = ndi.zoom(arr, zoom=0.5, order=1)                 # 降採樣:省記憶體與計算
iso = ndi.zoom(arr, zoom=d / 1.0, order=1)                # 重採樣成 1 mm 等向 voxel
mask_iso = ndi.zoom(mask.astype(np.uint8), zoom=d / 1.0, order=0)   # 標籤用最近鄰
內插order / SimpleITK用於
最近鄰 (nearest neighbor)order=0、sitkNearestNeighbor分割標籤、類別 mask
線性order=1、sitkLinear連續強度影像
B-spline / cubicorder=3、sitkBSpline平滑的強度影像(可能產生超出原範圍的值)

不要用線性或 spline 內插 resample 分割標籤:類別值會被混成小數(標籤 1 和 3 之間出現 2),邊界被破壞。升採樣只是增加陣列大小,不會憑空增加資訊。

常見錯誤 ​

錯誤後果
用 voxel 數比較不同掃描的大小忽略 spacing,數字沒有可比性
SimpleITK / nibabel 的軸順序搞混spacing 套錯軸,體積與距離錯
依檔名排序 DICOM 切片切片順序錯亂
MRI 直接用固定閾值不同掃描的強度單位不同
用線性內插 resample 標籤產生不存在的類別
分享影像時保留 DICOM header洩漏病人姓名、生日、病歷號,見 匿名化