1. 医学图像处理入门：为什么选择.nii和DICOM格式
当你第一次接触医学图像处理时，可能会被各种文件格式搞得晕头转向。在众多格式中，.nii和DICOM是最常见的两种，它们就像是医学图像界的"普通话"和"方言"——各有特点但都不可或缺。
.nii格式（Neuroimaging Informatics Technology Initiative）是神经影像学领域的标准格式，它最大的特点是把图像数据和元信息打包在一个文件中，就像把照片和照片的拍摄参数都装进一个信封里。这种格式特别适合做脑部MRI等三维图像分析，我在处理阿尔茨海默症患者的脑部扫描时，90%的数据都是.nii格式。
DICOM（Digital Imaging and Communications in Medicine）则是医院影像科室的"通用语言"，从X光片到CT扫描，几乎所有的医疗设备输出的原始数据都是这个格式。它有点像老式相机用的胶片——每张图像单独存储，但通过特殊的标记（DICOM Tag）记录拍摄参数和患者信息。记得我第一次处理DICOM数据时，发现同一个病人的胸部CT可能分散在几百个文件中，这和其他图像格式很不一样。
这两种格式之所以成为医学图像处理的首选，主要是因为：
- 标准化程度高：全球医疗机构和科研团队都在使用
- 信息完整：不仅存储图像，还包含关键的医学元数据
- 工具生态丰富：有大量专业软件和开源库支持
提示：如果你是临床医生转行做研究，可能更熟悉DICOM；如果是计算机背景进入医学AI领域，可能会先接触.nii格式。
2. 零基础查看.nii文件的两种实用方法
2.1 用ITK-SNAP实现三维可视化
ITK-SNAP是我推荐给新手的第一个工具，它就像医学图像界的"Photoshop"，但操作要简单得多。最新版本可以从官网直接下载，安装过程和其他Windows软件没什么区别。这里分享一个实用技巧：安装时记得勾选"将.nii文件关联到ITK-SNAP"，这样以后双击文件就能直接打开。
打开一个脑部MRI的.nii文件后，你会看到类似MRI机器的操作界面——三个窗口分别显示横断面（Axial）、矢状面（Sagittal）和冠状面（Coronal）。我最喜欢的功能是用鼠标滚轮快速切换切片，就像翻书一样查看大脑的每一层。对于肿瘤分析，可以按住Shift+鼠标左键来测量病灶尺寸，这个功能在临床诊断中特别实用。
进阶用法是加载分割结果。比如你有一个脑肿瘤分割的.nii文件，直接拖到主窗口，在弹出对话框选择"Label Map"，就能看到半透明的彩色标注覆盖在原始图像上。不过要注意，ITK-SNAP对同时显示多个分割结果确实支持有限，这时候就需要我们的第二种方法了。
2.2 用Python代码灵活分析.nii图像
如果你需要更灵活的分析方式，Python+SimpleITK组合是我的首选方案。先安装必要的库：
pip install SimpleITK numpy matplotlib下面这段代码可以显示带有多重标注的.nii图像：
import SimpleITK as sitk import matplotlib.pyplot as plt # 加载图像和分割结果 image = sitk.ReadImage('brain_mri.nii') tumor_mask = sitk.ReadImage('tumor_seg.nii') ventricle_mask = sitk.ReadImage('ventricle_seg.nii') # 转换为numpy数组 image_array = sitk.GetArrayFromImage(image) tumor_array = sitk.GetArrayFromImage(tumor_mask) ventricle_array = sitk.GetArrayFromImage(ventricle_mask) # 创建带轮廓的可视化 plt.figure(figsize=(10,8)) plt.imshow(image_array[100,:,:], cmap='gray') # 显示第100层切片 plt.contour(tumor_array[100,:,:], colors='r', linewidths=0.5) plt.contour(ventricle_array[100,:,:], colors='b', linewidths=0.5) plt.show()这种方法最大的优势是可以自定义显示方式。比如你想比较算法分割结果和医生标注的差异，可以用不同颜色显示两种轮廓，这在论文结果可视化时特别有用。另外，通过调节cmap参数，可以快速尝试不同的灰度映射方案，找到最适合当前图像的显示效果。
3. DICOM文件查看的实战技巧
3.1 MicroDicom：轻量级查看器入门
MicroDicom是我电脑里常备的DICOM查看工具，它的安装包只有20MB左右，但对基础查看功能来说已经足够。第一次使用时要注意：在Options→Settings里把默认窗宽窗位（Window Level）调成适合你专业领域的预设值，比如肺部CT常用窗宽1500、窗位-600。
查看DICOM序列有个小技巧：把整个文件夹拖到MicroDicom窗口，它会自动按切片位置排序。这时候按键盘上下键就能像翻动画书一样浏览整个扫描序列。我经常用这个功能快速检查数据质量，比如查看是否有明显的运动伪影。
测量工具是临床中最实用的功能之一。点击工具栏上的"Length"按钮，在图像上两点间划线，就能自动计算实际尺寸（单位是mm）。这个功能在评估肿瘤大小时特别重要，记得我刚开始用时，经常忘记先校准显示器DPI，导致测量结果偏差很大。
3.2 RadiAnt的高级三维重建
虽然RadiAnt Viewer的免费版有功能限制，但它的三维重建确实做得不错。加载DICOM序列后，点击3D→MPR就能进入多平面重建模式。这里有个实用技巧：按住Ctrl键的同时拖动鼠标，可以同时调整三个切面的位置，这在定位小病灶时效率特别高。
对于需要定量分析的研究者，RadiAnt的ROI（感兴趣区域）统计功能很实用。画一个区域后，软件会自动计算该区域的均值、标准差、最大/最小像素值等统计量。我在做肝脏脂肪含量分析时，就靠这个功能快速获取ROI内的CT值分布。
不过要注意，RadiAnt对DICOM标签的处理比较严格。如果遇到无法打开的文件，可能是私有标签导致的兼容性问题。这时候可以先用MicroDicom打开并另存为标准DICOM文件，通常就能解决问题。
4. Python处理医学图像的进阶方法
4.1 用pydicom解析DICOM元数据
DICOM文件里藏着大量宝藏信息，从扫描参数到患者基本信息都记录在标签中。pydicom库让提取这些信息变得非常简单：
import pydicom ds = pydicom.dcmread("CT0001.dcm") print(f"患者姓名：{ds.PatientName}") print(f"扫描设备：{ds.Manufacturer}") print(f"层厚：{ds.SliceThickness}mm") print(f"CT管电压：{ds.KVP}kV") # 获取图像像素数据 import numpy as np pixel_data = ds.pixel_array print(f"图像尺寸：{pixel_data.shape}")在实际项目中，我经常用这些元数据来自动分类不同扫描序列。比如通过"SeriesDescription"字段识别是平扫还是增强CT，或者通过"ImagePositionPatient"计算切片间距（当SliceThickness字段不可靠时特别有用）。
4.2 用SimpleITK进行图像配准
.nii格式特别适合做图像配准（Registration）这类高级处理。下面是一个简单的配准示例，把PET图像对齐到CT图像：
import SimpleITK as sitk # 加载图像 fixed_image = sitk.ReadImage("CT.nii", sitk.sitkFloat32) moving_image = sitk.ReadImage("PET.nii", sitk.sitkFloat32) # 初始化配准器 initial_transform = sitk.CenteredTransformInitializer( fixed_image, moving_image, sitk.Euler3DTransform(), sitk.CenteredTransformInitializerFilter.GEOMETRY) # 执行配准 registration_method = sitk.ImageRegistrationMethod() registration_method.SetMetricAsMattesMutualInformation(numberOfHistogramBins=50) registration_method.SetOptimizerAsGradientDescent(learningRate=1.0, numberOfIterations=100) registration_method.SetInitialTransform(initial_transform) final_transform = registration_method.Execute(fixed_image, moving_image) # 应用变换并保存结果 resampled_image = sitk.Resample(moving_image, fixed_image, final_transform, sitk.sitkLinear, 0.0) sitk.WriteImage(resampled_image, "PET_registered.nii")这个流程在肿瘤放疗计划系统中很常见，把功能影像（PET）和解剖影像（CT）对齐后，医生能更准确地确定放疗靶区。配准过程中最关键的参数是相似性度量（Metric）和优化器（Optimizer），需要根据图像特点调整。
4.3 医学图像的可视化技巧
用matplotlib直接显示医学图像经常会遇到对比度不足的问题。这里分享几个实用技巧：
# 自适应窗宽窗位 def auto_window_level(image, sigma=3.0): mean = np.mean(image) std = sigma * np.std(image) vmin = max(image.min(), mean - std) vmax = min(image.max(), mean + std) return vmin, vmax # 显示DICOM图像 plt.imshow(pixel_data, cmap='gray', vmin=auto_window_level(pixel_data)[0], vmax=auto_window_level(pixel_data)[1]) plt.colorbar() plt.title(f"CT值范围：[{pixel_data.min():.0f}, {pixel_data.max():.0f}]")对于.nii格式的三维数据，可以使用ipywidgets创建交互式查看器：
from ipywidgets import interact def scroll_through_volume(volume, slice_idx=0): plt.imshow(volume[slice_idx,:,:], cmap='gray') plt.title(f'Slice {slice_idx}') interact(scroll_through_volume, volume=fixed(volume_array), slice_idx=(0, volume_array.shape[0]-1))这种交互式查看方式在数据清洗阶段特别有用，可以快速浏览整个扫描序列，检查是否有异常切片或伪影。我在处理公开数据集时，经常用这个方法发现数据质量问题，比如患者移动导致的模糊切片。
