背景介绍
最近开始推进医疗影像数据机器学习模型，医疗领域最常规的图像格式当属 DICOM 了，之前对医疗图像了解甚少，此次对 DICOM 图像进行了一些探索，整理相关内容在这边。
DICOM 图像探索
DICOM 格式介绍
DICOM 是一组通用标准协议，包括医疗图像的处理，存储，传输等各个方面的内容。协议具体内容可以查看 dicomstandard.org
而之前搜索调研医疗图像最常规的格式是 DICOM 和 NIfTI，实际和医院的科研单位进行沟通，医疗图像使用最多的还是 DICOM 格式，预期后续的医疗图像模型训练主要以 DICOM 为主。
图像结构
DICOM 图像数据主要包含 Header 和 Dataset，其中 Header 是数据头，用于验证 DICOM 格式，Dataset 是实际的数据内容。具体的格式如下所示：
Header
Header 部分主要由两部分组成，Preamble 是 128 字节的填充内容，可以忽略，Prefix 是 DICM 字符。选择一个 DICOM 文件，使用 ImHex 打开查看对应十六进制数据如下：
可以看到与具体的描述一致，一般情况下 Header 部分我们都不需要关心，解析工具会基于 Header` 执行必要的校验。
Dataset
Dataset 是以 Data Element 为单位依次排列而成，具体的格式如下所示：
单个 Data Element 主要由四部分组成：
Tag：4 字节，描述数据对应的编号，前面 2 字节为组编号，后面 2 字节为元素编号；VR: 2 字节，可选字段，描述数据对应的类型；Value Length：2 字节，描述数据长度；Value Field：可选长度，实际的数据；
Tag 与 VR 决定了数据的类型，通过这两个字段可以确定对应的数据是病人的姓名，还是设备生产厂家，或者是对应的图像数据，对应关系可以通过 dicomlibrary 进行查询
从这个结构也可以看出，DICOM 文件的特殊之处在于，使用Data Element既支持了描述信息，也支持图像数据，而且 DICOM 可以根据需要被设计为单帧图像或多帧图像。
DICOM 解析
DICOM 图像在不同语言存在不同的解析工具，在 Python 语言中主要使用 pydicom 进行解析。使用方式相对简单：
from pydicom import dcmread
ds = dcmread(file_path)
# 获取图像原始像素数据
print(ds.PixelData)
# 获取图像像素数组
print(ds.pixel_array)
使用 pydicom 解析中，虽然可以通过 PixelData 获取像素数据，但是基本上用处不大，因为 DICOM 文件可能会包含多个图像帧，基于 PixelData 获取到的像素数据就无法表示任一图像。
一般情况下我们会使用 pixel_array 获取像素点 numpy 列表，对于单帧单通道图像，此时获取到的是一个 宽度 * 高度 的二维数组，而多帧多通道图像，此时获取的是 帧数 * 宽度 * 高度 * 通道 的四维列表，通过 numpy 操作可以获取对应帧的图像，甚至可以根据需要进行必要的压缩操作，关于这部分的描述可以参考 pixel data 文档
总结
DICOM 是医疗图像的通用格式，一个特殊设计在于通过 Data Element 列表，支持将描述信息与实际的图像数据使用同样的结构进行描述，可以支持将患者相关信息直接写入 DICOM 图像中，使用更加便利，但是也导致 DICOM 图像本身包含大量敏感隐私信息，因此 DICOM 图片需要被谨慎处理，否则便容易导致信息泄露。
