SimpleITK : 의료 이미지 분석을 위한 라이브러리

 

 

What is SimpleITK?

 

SimpleITK는 의료 이미지 분석을 위한 라이브러리입니다.

다양한 의료 이미지 형식을 지원하며, 이미지 처리, 세그멘테이션, 정합 등의 기능을 제공합니다.

• 주요 특징:
  • 다양한 이미지 포맷 지원 (DICOM, NIFTI, JPEG, PNG 등)
  • 이미지 처리(Filtering, Segmentation) 및 정합(Registration) 기능 제공
  • 2D 및 3D 이미지를 다룸

---

How to install SimleITK?

!pip install SimpleITK

 

 

또한 이렇게 설치된 것을 아래의 코드를 통해 확인할 수 있습니다.

 

import SimpleITK as sitk

print("SimpleITK Version : ", sitk.Version())

 

 

---

Read Data

이번 코드에서는 dicom 파일을 다룰 예정입니다.

 

dicom 파일은 환자의 정보나 이미지의 정보에 관한 Meta Data가 포함되어 있는것이 특징입니다.

 

또한 고해상도 데이터를 다루기에 큰 용량을 가지고 있습니다.

 

 

 

위와 같은 코드를 입력하면 모든 메타 값이 출력이 됩니다.

 

• LoadPrivateTagsOn() : Load all Private Tags from DICOM file.
• ReadImageInformation() : Read Image Information and meta data.
• GetMetaDataKeys() : Return all the meta data on DICOM file.

또한 다음처럼 Key를 통해 해당 내용에 접근할 수도 있습니다.

 

---

 

Visualization Data

 

이 메타데이터에는 Image 값도 포함됩니다.

 

하지만, ReadImage라는 함수를 사용하는 것이 더 간단합니다.

 

이미지를 확인하는 코드는 아래와 같습니다.

 

 

 

Image Preprocessing

Medical 이미지는 preprocessing이 정말 중요한 작업입니다.

noise를 줄이고, Image Resolution을 높이며, 중요한 feature들을 명확하게 할 수 있습니다. 

이 작업을 통해 model의 performance를 올릴 수 있습니다.

 

그중 여러 방법을 소개하려고 합니다.

 

Filtering

필터링은 이미지의 노이즈를 줄이며, 흔히 Gaussian, Median, Mean 필터라는 것들을 사용합니다.

 

• Gaussian Filter : noise 제거를 통해 이미지가 부드러워집니다.

gaussian_filtered_image = sitk.DiscreteGaussian(image, variance=2.0)

original_array = sitk.GetArrayFromImage(image)[0]
gaussian_array = sitk.GetArrayFromImage(gaussian_filtered_image)[0]

fig, axes = plt.subplots(1, 2, figsize=(10, 5))

# 원본 이미지 시각화
axes[0].imshow(original_array, cmap='gray')
axes[0].set_title('Original Image')
axes[0].axis('off')

# 가우시안 필터 이미지 시각화
axes[1].imshow(gaussian_array, cmap='gray')
axes[1].set_title('Gaussian Filtered Image')
axes[1].axis('off')

plt.show()

 

• Median Filter : 적당한 노이즈 제거를 통해 edge를 보존합니다.

image_2d = image[:, :, 0]

# 미디안 필터 적용 (2D 슬라이스에 적용, 반경을 [2, 2]로 설정)
median_filtered_image = sitk.Median(image_2d, [2, 2])

# 시각화: 원본 이미지 및 필터링된 이미지 비교
original_array = sitk.GetArrayFromImage(image_2d)
median_array = sitk.GetArrayFromImage(median_filtered_image)

# 비교 시각화
fig, axes = plt.subplots(1, 2, figsize=(10, 5))
axes[0].imshow(original_array, cmap='gray')
axes[0].set_title('Original 2D Slice')
axes[0].axis('off')

axes[1].imshow(median_array, cmap='gray')
axes[1].set_title('Median Filtered Image')
axes[1].axis('off')

plt.show()

 

• Mean Filter : 노이즈를 줄이고 부드럽게 만듭니다.

image_2d = image[:, :, 0]

mean_filtered_image = sitk.Mean(image_2d, [2, 2])

# 시각화: 원본 이미지 및 필터링된 이미지 비교
original_array = sitk.GetArrayFromImage(image_2d)
mean_array = sitk.GetArrayFromImage(median_filtered_image)

# 비교 시각화
fig, axes = plt.subplots(1, 2, figsize=(10, 5))
axes[0].imshow(original_array, cmap='gray')
axes[0].set_title('Original 2D Slice')
axes[0].axis('off')

axes[1].imshow(mean_array, cmap='gray')
axes[1].set_title('Mean Filtered Image')
axes[1].axis('off')

plt.show()

 

 

Threshold

Threshold는 주어진 임계치 값을 기준으로 이진으로 만드는 세그멘테이션 기법입니다. 

 

import SimpleITK as sitk
import matplotlib.pyplot as plt

# DICOM 이미지 불러오기
image = readDicom.checkDicom('/Users/foxyhyun/Neurophotonics/HeartDisease/data/patient/JEONG_KYUNGTAE.MR.YUMC_Cardiac_Vi.2.1.2023.04.28.08.47.45.431.66981158.dcm')
# SimpleITK 이미지에 대해 이진화(Binary Threshold) 적용

binary_image = sitk.BinaryThreshold(image, lowerThreshold=50, upperThreshold=250, insideValue=1, outsideValue=0)

binary_image_array = sitk.GetArrayFromImage(binary_image)

plt.figure(figsize=(5,5))
plt.imshow(binary_image_array[0], cmap='gray')  # 2D 이미지를 시각화
plt.title('DICOM Image')
plt.axis('off')  # 축 제거
plt.show()

 

 

 

Clipping

Clipping은 픽셀의 값을 제한된 범위로 제한하는 방법입니다.

의미 없는 이상치 값을 제거할 때 사용되며, 특정 value를 가진 부분을 강조하기 위해 사용합니다.

 

import SimpleITK as sitk
import matplotlib.pyplot as plt

# DICOM 이미지 불러오기
image = readDicom.checkDicom('/Users/foxyhyun/Neurophotonics/HeartDisease/data/patient/JEONG_KYUNGTAE.MR.YUMC_Cardiac_Vi.2.1.2023.04.28.08.47.45.431.66981158.dcm')
# SimpleITK 이미지에 대해 이진화(Binary Threshold) 적용


# 픽셀 값 범위를 -500에서 500 사이로 클리핑 (CT 이미지에 유용)
clipped_image = sitk.Clamp(image, lowerBound=-500, upperBound=500)
clipped_image_array = sitk.GetArrayFromImage(clipped_image)

plt.figure(figsize=(5,5))
plt.imshow(clipped_image_array[0], cmap='gray')  # 2D 이미지를 시각화
plt.title('DICOM Image')
plt.axis('off')  # 축 제거
plt.show()

 

 

Histogram Equalization

빈번한 빈도수의 value를 평평하게 쪼개는 방법입니다.

어두운 부분은 밝게, 밝은 부분은 어둡게 만드는 방법입니다.

이렇게 해서 feature를 쉽게 볼 수 없는 부분도 볼 수 있습니다.

 

import cv2
import SimpleITK as sitk
import numpy as np
import matplotlib.pyplot as plt

# DICOM 이미지 불러오기
image = readDicom.checkDicom('/Users/foxyhyun/Neurophotonics/HeartDisease/data/patient/JEONG_KYUNGTAE.MR.YUMC_Cardiac_Vi.2.1.2023.04.28.08.47.45.431.66981158.dcm')

# SimpleITK 이미지를 Numpy 배열로 변환
image_array = sitk.GetArrayFromImage(image)

# 픽셀 값을 8-bit 범위로 변환 (0-255)
# min/max 값 기준으로 스케일링하여 uint8로 변환
image_8bit = np.uint8(255 * (image_array - np.min(image_array)) / (np.max(image_array) - np.min(image_array)))

# OpenCV의 히스토그램 평활화 적용 (첫 번째 슬라이스에 적용)
equalized_image = cv2.equalizeHist(image_8bit[0])

# 3D 이미지인 경우, 각 슬라이스에 대해 히스토그램 평활화 적용
equalized_image_3d = [cv2.equalizeHist(slice) for slice in image_8bit]

# 결과 시각화 (첫 번째 슬라이스)
plt.figure(figsize=(5, 5))
plt.imshow(equalized_image_3d[0], cmap='gray')
plt.title('Histogram Equalized (First Slice)')
plt.axis('off')
plt.show()