📚 课程目录第3章 DICOM协议与元数据工程

3. DICOM协议与元数据工程

在医学影像数据管线中，DICOM 文件既是像素数据的载体，也是临床语义的容器。一个 CT 序列能否被正确重建、一个检查能否被准确归入某位患者、一次科研检索能否命中目标人群，几乎都取决于对 DICOM 信息模型与元数据的理解深度。本节从信息模型出发，逐层展开 SOP 类、传输语法、私有标签、去标识化标准与元数据抽取入库的工程实现。

一、DICOM 信息模型：从患者到像素的四级结构

DICOM 采用面向对象的信息模型，其核心是“实体—关系”结构。最上层是 Patient（患者），向下依次为 Study（检查）、Series（序列）、Instance（实例，即单个 SOP 实例）。四者通过唯一标识符（UID）串联：PatientID 标识患者，StudyInstanceUID 标识一次检查，SeriesInstanceUID 标识一个序列，SOPInstanceUID 标识一个实例。这种层级关系决定了数据入库时的主键设计——若把 SOPInstanceUID 当作唯一主键而忽略 Series 与 Study 的归属，后续按检查或序列聚合时就会出现重复或错配。

每个层级都携带一组属性。例如 Study 层有 StudyDate、StudyDescription、AccessionNumber；Series 层有 Modality、SeriesNumber、BodyPartExamined；Instance 层有 InstanceNumber、SOPClassUID、Rows、Columns。工程上常说的“元数据抽取”，本质就是按这四级结构把属性映射到关系表或宽表中。

二、SOP 类与传输语法：决定“怎么读”

SOP 类（Service-Object Pair Class）定义了“对象是什么”以及“能对它做什么”。例如 CT 图像存储的 SOP Class UID 为 1.2.840.10008.5.1.4.1.1.2，MR 为 1.2.840.10008.5.1.4.1.1.4，而增强型 CT 为 1.2.840.10008.5.1.4.1.1.2.1。解析时若只按 Modality 判断，会把增强型与普通型混为一谈，导致多帧数据被误当作单帧处理。

传输语法（Transfer Syntax）决定字节序、VR 编码方式与压缩算法。常见的有隐式 VR 小端（1.2.840.10008.1.2）、显式 VR 小端（1.2.840.10008.1.2.1）、显式 VR 大端（1.2.840.10008.1.2.2），以及 JPEG Baseline、JPEG Lossless、JPEG 2000 等压缩语法。工程上必须显式读取 (0002,0010) TransferSyntaxUID，再据此选择解码器；若用隐式 VR 解析器去读显式 VR 文件，标签长度会错位，后续所有属性都会偏移。

三、私有标签：厂商扩展的陷阱

私有标签位于奇数 Group 号中，由厂商自行定义，如西门子的 (0019,xx)、GE 的 (0009,xx)、飞利浦的 (2001,xx)。它们常携带重建参数、剂量信息、序列描述等关键字段，但缺乏统一语义。处理原则是：先通过 Private Creator 标签（如 (0019,0010)）确认厂商，再按厂商字典解析；对无法识别的私有标签，保留原始字节并记录来源，不要强行猜测含义。入库时建议单独建一张私有标签表，以 SOPInstanceUID + 标签路径为键，避免污染主表结构。

四、去标识化：DICOM PS3.15 的工程落地

PS3.15 定义了去标识化配置文件与保密选项。基础配置文件要求移除或替换患者姓名、出生日期、病历号、机构名称、医生姓名等 30 余类属性，同时保留 StudyInstanceUID 等用于关联的 UID（或按需重新生成）。工程实现通常分三步：第一，按标签清单执行“清除/替换/保留”动作；第二，对像素数据中的烧录注释（Burned-in Annotation）进行检测，必要时用 (0028,0301) 标记；第三，对私有标签中的身份信息做二次扫描。

注意：仅替换 PatientName 并不等于完成去标识化。检查描述、序列描述、协议名称、附加患者历史等自由文本字段同样可能包含身份线索，必须纳入清洗范围。

五、元数据抽取入库：从文件到表

抽取流程可概括为“扫描—解析—映射—写入”。以 Python 为例，使用 pydicom 读取文件后，按四级结构提取字段：

import pydicom
ds = pydicom.dcmread(path, stop_before_pixels=True)
record = {
    "patient_id": ds.get("PatientID"),
    "study_uid": ds.get("StudyInstanceUID"),
    "series_uid": ds.get("SeriesInstanceUID"),
    "sop_uid": ds.get("SOPInstanceUID"),
    "modality": ds.get("Modality"),
    "study_date": ds.get("StudyDate"),
    "series_number": ds.get("SeriesNumber"),
    "instance_number": ds.get("InstanceNumber"),
    "rows": ds.get("Rows"),
    "columns": ds.get("Columns"),
    "transfer_syntax": ds.file_meta.TransferSyntaxUID,
}

写入时建议以 SOPInstanceUID 为唯一键做 UPSERT，同时建立 study_uid、series_uid、patient_id 的索引。对于多帧增强型对象，还需额外抽取 NumberOfFrames、FrameIncrementPointer 等字段，否则后续按帧检索会缺失粒度。

入库校验建议：统计每个 Study 下的 Series 数量、每个 Series 下的 Instance 数量，与原始目录结构比对；若出现 Instance 数为 0 或 Series 归属为空，通常意味着 UID 解析失败或文件损坏。

综上，DICOM 元数据工程的核心不是“读文件”，而是建立一套从信息模型到关系表的稳定映射，并在 SOP 类、传输语法、私有标签与去标识化四个维度上保持一致性。只有这四层都处理正确，后续的影像重建、检索与科研分析才有可靠的数据基础。