1. DICOM标准全景与数据工程定位

医学影像数据工程的第一道门槛，不是写代码，而是理解数据本身长什么样。CT、MR、DR、超声、PET 等设备产出的原始数据，绝大多数以 DICOM（Digital Imaging and Communications in Medicine）格式存在。它既不是单纯的图片格式，也不是普通的数据库记录，而是一套把像素数据与临床语义绑定在一起的标准体系。本章先建立全局视角：DICOM 在医学影像生态中扮演什么角色，数据工程要解决哪些核心任务，以及贯穿全课程的项目如何落地。

一、DICOM 不只是"图片格式"

把 DICOM 当成 PNG 或 JPEG 来理解，是初学者最常见的误区。一张 DICOM 文件由两大部分构成：文件元信息（File Meta Information）与数据集（Data Set）。数据集内部由一个个数据元素（Data Element）组成，每个元素用三元组标识——标签（Tag）、值表示（VR, Value Representation）、值长度（Value Length）。标签是形如 (0010,0010) 的十六进制对，前者是组号，后者是元素号；VR 描述数据类型，例如 PN 表示人名、DA 表示日期、UI 表示唯一标识符、OB 表示字节流。

真正让 DICOM 区别于普通图像的是它的语义层。像素数据本身只是灰度矩阵，而 (0028,0010) Rows、(0028,0011) Columns、(0028,0100) Bits Allocated、(0028,1052) Rescale Intercept、(0028,1053) Rescale Slope 等标签，决定了如何把矩阵还原成有物理意义的数值。以 CT 为例，存储的像素值并非直接就是 HU（Hounsfield Unit），而要通过线性变换得到：

HU = pixel_value × RescaleSlope + RescaleIntercept

典型 CT 参数示例（示例值，非实测）：
RescaleSlope     = 1
RescaleIntercept = -1024
pixel_value      = 1024  →  HU = 0（约等于水）
pixel_value      = 3071  →  HU = 2047（高密度骨）

如果忽略这一步，后续所有基于 HU 阈值的分割、窗宽窗位显示都会出错。这正是数据工程必须介入的地方：标准只规定结构，工程要保证语义被正确还原。

二、DICOM 在医学影像生态中的位置

从设备到临床，DICOM 贯穿整条链路。设备端通过 DICOM 服务类与外界交互，最核心的是 C-STORE（存储）、C-FIND（查询）、C-MOVE（检索迁移）和 C-GET。影像归档与通信系统（PACS）作为枢纽，接收、存储、检索影像；放射信息系统（RIS）负责检查预约与报告；医院信息系统（HIS）管理患者主索引。它们之间靠 DICOM 网络协议与 HL7/FHIR 协同工作。

理解这个生态，才能明白数据工程的任务边界：我们通常不直接控制设备，也不直接面向医生出报告，而是处在数据汇聚与治理的中间层，把来自多厂商、多模态、多院区的 DICOM 数据整理成可计算、可检索、可复用的资产。

三、数据工程的核心任务

结合上图，数据工程的核心任务可以归纳为四类，它们不是线性步骤，而是相互支撑的能力面。

• 采集与解析：从 PACS 拉取、从磁盘导入或从对象存储读取 DICOM 文件，正确解析文件元信息与数据集，处理隐式/显式 VR、小端/大端字节序、压缩传输语法（如 JPEG Lossless、JPEG 2000）。
• 清洗与归一：还原 HU、统一像素间距、处理缺失标签、执行去标识（De-identification），把 (0010,0010) PatientName、(0010,0030) PatientBirthDate 等 PHI 字段替换或删除。
• 索引与存储：按 Patient → Study → Series → Instance 四级模型组织数据，建立可检索的元数据索引，选择文件系统、对象存储或数据库方案。
• 服务与交付：以 API、批量导出、DICOMweb（QIDO-RS/WADO-RS/STOW-RS）等方式，把数据交付给下游模型训练、科研分析或临床调阅。

这四类任务中，解析与归一最容易出错，也最值得投入。例如同一台 CT 设备在不同协议下可能产生不同的 RescaleIntercept；不同厂商对 (0028,1050) WindowCenter 的编码方式可能不同；多帧增强型 DICOM（Enhanced CT/MR）把多帧放在一个 SOP Instance 中，与传统的单帧 Series 结构差异很大。工程上必须用真实数据反复验证，而不能只依赖标准文档。

四、贯穿课程的项目说明

本课程以一个贯穿项目为主线：构建一个可运行的医学影像数据管道。项目从一批示例 DICOM 数据出发，逐步实现解析、清洗、索引、检索与交付，最终形成一个可查询、可导出、可对接下游的迷你影像数据平台。示例数据为教学构造，参数与结果均为示例值，不代表真实临床数据。

项目会分阶段推进，每一阶段都对应课程中的若干章节。例如早期聚焦单文件解析与标签提取，中期引入批量处理与去标识，后期加入 DICOMweb 接口与性能优化。你不需要一次写完所有代码，而是随着章节推进，逐步把管道补全。每章末尾的实践任务都会给出明确的输入、预期输出与判断依据，方便你自检。