▲基本图像处理（利用 python 实现）
图像处理库有很多，但 OpenCV（开源计算机视觉库，open computer vision）凭借其广泛的支持且可用于 C++、java 和 python 的优点而成为主流。而我更偏向于使用 jupyter notebook 导入 OpenCV。
你可以使用 pip install opencv-python，也可以从 opencv.org 网站直接进行安装。
安装 opencv
现在打开 Jupyter notebook 并确认能够导入 cv2。你还需要 numpy 和 matplotlib 库来在 notebook 内查看图片。
现在来检查能否打开并通过键入下述代码在笔记本上查看图像。
通过 OpenCV 进行图像加载的示例
▲基本人脸识别
我们来做点有意思的事情吧，比如人脸识别。我们将使用一种最初由 Rainer Lienhart 开发的正面人脸识别器，它使用了基于开源 xml 残基（stump-based）的 20x20 柔和 adaboost 算法。
关于 Haar-cascade 检测的详细范例：http://docs.opencv.org/trunk/d7/d8b/tutorial_py_face_detection.html
使用 OpenCV 进行人脸识别
在文档区使用 opencv 进行图像处理的例子不胜枚举。
我们已经了解了图像处理的基础，下面来了解医学图像格式吧。
医学图像数据格式
医学图像以数字成像和通信（DICOM）为存储与交换医学图像数据的标准解决方案。该标准的第一版发布于 1985 年，之后有少许修改；它使用了文件格式和通信协议如下。
文件格式：所有患者的医疗图像都以 DICOM 文件格式进行保存。该格式不仅具有与图像相关的数据（如用于捕获图像的设备和医疗处理情境），还具有关于患者的 PHI (受保护的健康信息，protected health information)，如姓名、性别、年龄等。医疗影像设备可以创建 DICOM 文件，而医生可以使用 DICOM 查看器以及可显示 DICOM 图像的计算机应用程序来读取并诊断从图像获得的结果。
通信协议：DICOM 通信协议用于搜索档案中的成像研究，并将成像研究恢复到工作站来显示。连接到医院网络的全部医学成像应用程序都使用 DICOM 协议来交换信息，其中大部分信息是 DICOM 图像，但还包括患者和手术信息。此外还有更先进的网络命令用于控制并跟踪治疗、调整进程、报告状态，并在医生和成像设备之间共享工作负载。
现有篇博文很细致地描述了 DICOM 标准，此处为链接：http://dicomiseasy.blogspot.com/
▲分析DICOM文件
Pydicom 是一个 python 包，它很适合分析 DICOM 图像。本节将阐述如何在 Jupyter notebook 上呈现 DICOM 图像。
安装 Pydicom 使用：pip install pydicom。
安装 pydicom 包之后，回到 Jupyter notebook 进行操作。在 notebook 中导入 dicom 包以及其他包，如下所示：
我们也能使用 pandas、scipy、skimage 以及 mpl_toolkit 等其他的包来进行数据处理与分析。
你可以在线获得很多免费的 DICOM 数据集，但下述数据集在入门阶段定能有所帮助：
Kaggle Competitions and Datasets：它是我的最爱。请查阅肺癌竞争和糖尿病视网膜病变的数据：https://www.kaggle.com/c/data-science-bowl-2017/data
Dicom Library：面向教育和科学的 DICOM 库，其提供免费的在线医疗 DICOM 图像或视频文件共享服务。
Osirix Datasets：提供通过各种成像模式获取的大量人类数据集。
Visible Human Datasets：在这里可视化人类计划的一部分数据可以免费利用，这很奇怪，因为获取这些数据既不免费也不轻松。
The Zubal Phantom：该网站免费提供 CT 和 MRI 这两种男性的多个数据集。
请下载 dicom 文件并加载到 jupyter notebook 中。
现在将 DICOM 图像加载到列表中。
第一步：在 Jupyter 中进行 DICOM 图像的基本查看操作
在第一行加载第一个 DICOM 文件来提取元数据，这个文件将赋值为 RefDs，其文件名会列在 lstFilesDCM 列表的顶端。
然后来计算 3D NumPy 数组的总维度，它等于在笛卡尔坐标轴中（每个切片的像素行数*每个切片的像素列数*切片数）。最后，使用 PixelSpacing 和 SliceThickness 属性来计算三个轴之间的像素间距。我们将把数组维度储存在 ConstPixelDims 中，把空间储存在 ConstPixelSpacing [1] 中。
第二步：查看 DICOM 格式的细节
CT 扫描中的测量单位是亨氏单位（Hounsfield Unit，HU），它是辐射强度的度量。CT 扫描仪经过高度校准以精确测量。
每个像素都被分配了一个数值（CT 号），它是包含在相应体素（corresponding voxel）中的所有衰减值的平均数。将这个数字与水的衰减值进行比较，并以任意单位中的亨氏单位（HU）为刻度进行显示。
这个刻度将水的衰减值（HU）标为 0。CT 数量的范围是 2000HU，但一些现代扫描仪具有较高的 HU 范围，最高可达 4000。每个数字表示在光谱的其中一端会出现+1000（白色）和-1000（黑色）的灰色阴影。
一些扫描仪具有圆柱形扫描范围，但其输出图像却是矩形。落在这些边界之外的像素具有-2000 的固定值。
第一步通常是将这些值设置为 0。接着，通过与重新缩放的斜率相乘并添加截距来返回到亨氏单位（斜率和截距均很方便地存储在扫描的元数据中！）。
下部分将会用到 Kaggle 的肺癌数据集，并使用 Keras 卷积神经网络进行建模；它将以上文所提供的的信息为基础。
在上文中，我们介绍了一些使用 OpenCV 进行图像处理的基础知识，以及 DICOM（医学数字影像和通讯）图像基础。下面我们将从卷积神经网络（Convolutional Neural Nets）的视角来谈一谈深度学习基础。在下部分文章里，我们将以 Kaggle 的肺癌数据集为实例，来研究一下在一个肺癌 DICOM 图像中要寻找的关键信息，并使用 Kera 开发出一个预测肺癌的模型。
