2. DICOM文件结构与数据元素解析

上一节我们建立了对DICOM整体生态的认识，这一节要把镜头拉近到单个文件内部。DICOM文件并不是一个黑盒，它遵循严格的二进制布局：从128字节的前导码开始，经过"DICM"魔数，进入文件元信息组，再进入数据集，数据集由一个个数据元素串联而成。理解这条结构链，是后续用代码读写、用工具排障、用十六进制手工解析的基础。

一、文件的三段式布局

一个标准DICOM文件（Part 10格式）由三部分组成。第一部分是128字节的前导码（Preamble），内容通常为全0，历史上用于兼容不支持DICOM的旧系统，可以写入任意数据。第二部分是4字节的DICM魔数，固定为ASCII字符"DICM"，它是识别一个文件是否为DICOM的关键标志。第三部分是文件元信息（File Meta Information），以组号0002开头，采用显式VR小端字节序编码，包含传输语法、媒体存储SOP类UID、SOP实例UID等关键信息。元信息之后就是数据集（Dataset），也就是真正的影像与患者信息，其编码方式由元信息中声明的传输语法决定。

这里有一个容易踩坑的点：文件元信息组永远使用显式VR小端编码，不受传输语法影响；而数据集部分才遵循传输语法。很多初学者在解析时把两者混为一谈，导致读出的标签错位。

二、数据元素：DICOM的最小语义单元

数据集由数据元素（Data Element）顺序排列组成。每个数据元素包含四个字段：标签（Tag）、VR（值表示）、值长度（Value Length）和值域（Value Field）。标签由组号（Group Number）和元素号（Element Number）两个16位无符号整数构成，例如(0010,0010)表示患者姓名，(7FE0,0010)表示像素数据。

VR决定了值域如何被解释。常见VR包括：PN（人员姓名）、DA（日期）、TM（时间）、UI（唯一标识符）、US（无符号短整型）、UL（无符号长整型）、OB（字节串）、SQ（序列）等。VR的编码方式分两种：显式VR在标签后直接写2字节VR字符；隐式VR不写VR，由标签查数据字典推断，标签后直接跟4字节长度。

值长度字段的宽度也随VR变化：显式VR下，OB、OW、OF、SQ、UT、UN使用4字节长度（前2字节保留为0），其余VR使用2字节长度；隐式VR下统一使用4字节长度。这个细节直接决定了手工解析时该往后跳几个字节。

三、传输语法：数据集的编码契约

传输语法（Transfer Syntax）是元信息中(0002,0010)标签的值，它是一个UID，规定了数据集的字节序（小端/大端）、VR编码方式（显式/隐式）以及是否压缩。最常用的三种是：

• 1.2.840.10008.1.2：隐式VR小端，DICOM默认传输语法；
• 1.2.840.10008.1.2.1：显式VR小端，现代设备最常用；
• 1.2.840.10008.1.2.2：显式VR大端，较少见。

压缩传输语法（如JPEG Baseline、JPEG 2000）会在UID中体现，此时像素数据需要先解压才能还原图像。解析时必须先读元信息拿到传输语法，再据此切换数据集的解析策略。

四、手工解析一个真实DICOM文件

下面用十六进制工具（如HxD、xxd或Python的hexdump）走一遍解析流程。假设我们拿到一个名为CT_small.dcm的文件，目标是读出患者姓名和传输语法。

第一步：确认魔数。用十六进制工具打开文件，跳到偏移量0x80（即第128字节），查看接下来4个字节。如果显示44 49 43 4D，对应ASCII就是"DICM"，说明这是一个合法的DICOM Part 10文件。如果不是，可能是裸数据集或非DICOM文件。

第二步：读取元信息组。从偏移0x84开始，第一个数据元素通常是(0002,0000)文件元信息组长度。以显式VR小端为例，字节序列为02 00 00 00 55 4C 04 00 XX XX XX XX：标签组号0x0002、元素号0x0000，VR为"UL"，值长度4字节，值域是元信息组的总字节数。接着是(0002,0001)文件元信息版本、(0002,0002)媒体存储SOP类UID、(0002,0003)媒体存储SOP实例UID，最后是(0002,0010)传输语法UID。

第三步：定位传输语法。找到标签02 00 10 00，后面跟VR55 49（"UI"），再跟2字节长度。假设长度是0x0013（19字节），值域为31 2E 32 2E 38 34 30 2E 31 30 30 30 38 2E 31 2E 32 2E 31 00，去掉末尾的00填充，得到字符串1.2.840.10008.1.2.1，即显式VR小端。UI类型值以00填充到偶数长度。

第四步：解析数据集。元信息组结束后，数据集开始。由于传输语法是显式VR小端，每个数据元素按"标签(4字节) + VR(2字节) + 长度(2或4字节) + 值"读取。例如患者姓名标签10 00 10 00，VR50 4E（"PN"），长度0A 00（10字节），值域5A 48 41 4E 47 5E 53 41 4E 20，解码为"ZHANG^SAN "。注意末尾的空格是DICOM为保持偶数长度而填充的，解析时应去除。

五、常见解析陷阱

手工解析时最容易出错的地方有三处。其一是字节序：小端下10 00表示0x0010，大端下表示0x1000，读错会导致标签完全错位。其二是VR长度字段宽度：OB、OW、SQ等VR在显式编码下长度字段是4字节，若按2字节读会少跳2字节，后续全部错乱。其三是序列（SQ）嵌套：SQ的值域内部是若干项（Item），每项以FFFE,E000开头，项内又是完整的数据元素集合，需要递归解析。遇到SQ时不能简单按长度跳过，而要进入项结构逐层读取。