dicom.ipynb

Kernel: Python 3

Copyright 2019 The TensorFlow IO Authors.

#@title Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

Decodifique arquivos DICOM de exames de imagem

Ver em TensorFlow.org

Executar no Google Colab

Ver fonte no GitHub

Baixar notebook

Visão geral

Este tutorial mostra como usar tfio.image.decode_dicom_image no TensorFlow IO para decodificar arquivos DICOM usando o TensorFlow.

Configuração e uso

Baixe a imagem DICOM

A imagem DICOM usada neste tutorial vem do dataset NIH Chest X-ray (raios-X de tórax da NIH).

Esse dataset contém 100.000 imagens anonimizadas de raios-X do tórax no formato PNG, fornecido pelo Centro Clínico NIH e que pode ser baixado neste link.

O Google Cloud também fornece uma versão DICOM das imagens, disponível no Cloud Storage.

Neste tutorial, você vai baixar um arquivo de amostra do dataset no repositório do GitHub.

Observação: para ver mais informações sobre o dataset, confira a seguinte referência:

• Xiaosong Wang, Yifan Peng, Le Lu, Zhiyong Lu, Mohammadhadi Bagheri, Ronald Summers, ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases, IEEE CVPR, páginas 3.462-3.471, 2017

!curl -OL https://github.com/tensorflow/io/raw/master/docs/tutorials/dicom/dicom_00000001_000.dcm
!ls -l dicom_00000001_000.dcm

Instale os pacotes necessários e reinicie o runtime

try:
  # Use the Colab's preinstalled TensorFlow 2.x
  %tensorflow_version 2.x 
except:
  pass

!pip install tensorflow-io

Decodifique a imagem DICOM

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');

Decodifique os metadados DICOM e trabalhe com tags

decode_dicom_data decodifica as informações de tags. dicom_tags contém informações úteis, como a idade e o sexo do paciente. Portanto, você pode usar tags DICOM como dicom_tags.PatientsAge e dicom_tags.PatientsSex. O tensorflow_io usa a mesma notação de tags do pacote DICOM pydicom.

tag_id = tfio.image.dicom_tags.PatientsAge
tag_value = tfio.image.decode_dicom_data(image_bytes,tag_id)
print(tag_value)

print(f"PatientsAge : {tag_value.numpy().decode('UTF-8')}")

tag_id = tfio.image.dicom_tags.PatientsSex
tag_value = tfio.image.decode_dicom_data(image_bytes,tag_id)
print(f"PatientsSex : {tag_value.numpy().decode('UTF-8')}")

Documentação

Esse pacote tem duas operações que encapsulam funções DCMTK. decode_dicom_image decodifica os dados de pixel dos arquivos DICOM, e decode_dicom_data decodifica as informações de tags. tags contém tags DICOM úteis, como tags.PatientsName. A notação de tags é a mesma do pacote DICOM pydicom.

Obtendo dados da imagem DICOM

io.dicom.decode_dicom_image(
    contents,
    color_dim=False,
    on_error='skip',
    scale='preserve',
    dtype=tf.uint16,
    name=None
)

• contents: Tensor do tipo string. 0-D. Arquivo DICOM codificado com byte string

• color_dim: bool opcional. O padrão é False. Se True, um terceiro canal é anexado a todas as imagens, formando um tensor tridimensional. Uma imagem 1024x1024 em escala de cinza será 1024x1024x1

• on_error: o padrão é skip (ignorar). Esse atributo define o comportamento caso ocorra um erro ao abrir a imagem ou se o tipo de saída não conseguir acomodar todos os possíveis valores de entrada. Por exemplo, se o usuário definir o dtype de saída como tf.uint8, mas uma imagem DICOM armazenar um tipo tf.uint16, strict vai gerar um erro. skip retorna um tensor unidimensional vazio. lossy continua a operação, dimensionando o valor por meio do atributo scale.

• scale: o padrão é preserve (preservar). Esse atributo define o que fazer com a escala dos valores de entrada. auto fará o dimensionamento automático dos valores de entrada. Se o tipo de saída for inteiro, auto usará a escala de saída máxima, por exemplo, uint8, que armazena valores de [0, 255], para alargar linearmente para preencher um uint16, com valores [0,65535]. Se a saída for float, auto vai dimensionar no intervalo [0,1]. preserve mantém os valores como eles são. Um valor de entrada maior do que a saída máxima possível será recortado.

• dtype: um tf.DType opcional dentre: tf.uint8, tf.uint16, tf.uint32, tf.uint64, tf.float16, tf.float32, tf.float64. O padrão é tf.uint16.

• name: nome da operação (opcional).

Retorna um Tensor do tipo dtype, e o formato é determinado pelo arquivo DICOM.

Obtendo os dados de tags DICOM

io.dicom.decode_dicom_data(
    contents,
    tags=None,
    name=None
)

• contents: Tensor do tipo string. 0-D. Arquivo DICOM codificado com byte string

• tags: Tensor do tipo tf.uint32 de qualquer dimensão. Esses números uint32 mapeiam diretamente para tags DICOM

• name: nome da operação (opcional).

Retorna um Tensor do tipo tf.string e mesmo formato que tags. Se uma tag DICOM for uma lista de strings, elas são combinadas em uma string e separadas por uma barra invertida dupla \. Existe um bug em DCMTK: se a tag for uma lista de números, somente o elemento com índice 0 será retornado como uma string.

Bibtex

Se esse pacote tiver ajudado, por favor, cite o seguinte:

@misc{marcelo_lerendegui_2019_3337331,
  author       = {Marcelo Lerendegui and
                  Ouwen Huang},
  title        = {Tensorflow Dicom Decoder},
  month        = jul,
  year         = 2019,
  doi          = {10.5281/zenodo.3337331},
  url          = {https://doi.org/10.5281/zenodo.3337331}
}

Licença

Copyright 2019 Marcelo Lerendegui, Ouwen Huang, Gradient Health Inc.

Licenciado com Licença Apache, Versão 2.0 ("Licença"); você não pode usar este arquivo, exceto conforme disposto pela Licença. Você pode obter uma cópia da Licença em:

http://www.apache.org/licenses/LICENSE-2.0

A menos que exigido pelas leis aplicáveis ou acordado por escrito, o software distribuído com a Licença é distribuído "DA FORMA EM QUE SE ENCONTRA", SEM GARANTIAS OU CONDIÇÕES DE QUALQUER TIPO, explícitas ou implícitas. Confira a Licença para ver as informações específicas sobre permissões e limitações da Licença.