📚 课程目录第4章 DICOM标签体系与常用属性实战

4. DICOM标签体系与常用属性实战

DICOM 文件本质上是一棵由“标签（Tag）”构成的属性树。每个标签由组号（Group）和元素号（Element）唯一确定，例如 (0010,0010) 表示患者姓名。理解标签体系的关键，不是背下所有标签，而是掌握四层信息结构：患者信息 → 检查信息 → 序列信息 → 图像信息。这四层恰好对应临床上一个患者做一次检查、产生多个序列、每个序列包含多张图像的层级关系。本节围绕这四层，编写脚本提取关键标签并做校验。

一、四层标签的层级关系

DICOM 的层级不是靠目录结构，而是靠标签之间的引用关系建立的。患者层用 PatientID 标识唯一患者；检查层用 StudyInstanceUID 标识一次检查，并通过 PatientID 关联到患者；序列层用 SeriesInstanceUID 标识一个序列，通过 StudyInstanceUID 关联到检查；图像层用 SOPInstanceUID 标识单张图像，通过 SeriesInstanceUID 关联到序列。这条 UID 链是数据工程中做归组、去重、索引的核心依据。

二、用 pydicom 提取关键标签

下面脚本读取一个 DICOM 文件，按四层结构提取关键标签，并输出为字典。示例中的文件路径和标签值均为教学假设值，实际运行时以真实文件为准。

import pydicom

def extract_key_tags(path):
    ds = pydicom.dcmread(path, stop_before_pixels=True)
    return {
        # 患者层
        "PatientName":   ds.get("PatientName", ""),
        "PatientID":     ds.get("PatientID", ""),
        "PatientBirthDate": ds.get("PatientBirthDate", ""),
        # 检查层
        "StudyInstanceUID": ds.get("StudyInstanceUID", ""),
        "StudyDate":     ds.get("StudyDate", ""),
        "StudyDescription": ds.get("StudyDescription", ""),
        # 序列层
        "SeriesInstanceUID": ds.get("SeriesInstanceUID", ""),
        "Modality":      ds.get("Modality", ""),
        "SeriesNumber":  ds.get("SeriesNumber", ""),
        # 图像层
        "SOPInstanceUID": ds.get("SOPInstanceUID", ""),
        "InstanceNumber": ds.get("InstanceNumber", ""),
        "Rows": ds.get("Rows", ""), "Columns": ds.get("Columns", ""),
    }

info = extract_key_tags("sample.dcm")
for k, v in info.items():
    print(f"{k:20s} = {v}")

使用 stop_before_pixels=True 可以跳过像素数据，只读元数据，速度更快，适合批量扫描。输出示例（假设值）：

PatientName          = ZHANG^SAN
PatientID            = P20240001
StudyInstanceUID     = 1.2.840.113619.2.55.3.604688.100.1700000001
Modality             = CT
SeriesNumber         = 3
InstanceNumber       = 45
Rows                 = 512
Columns              = 512

三、关键标签校验规则

提取之后必须校验，否则脏数据会污染后续索引。校验分三类：存在性、格式、一致性。

存在性：PatientID、StudyInstanceUID、SeriesInstanceUID、SOPInstanceUID 为必填，缺失则文件不可入库。
格式：UID 必须符合 DICOM 规范，只含数字和点，长度不超过 64 字节，且不含前导零。可用正则 ^[0-9]+(\.[0-9]+)*$ 校验。
一致性：同一序列内所有图像的 SeriesInstanceUID 必须相同，Modality 必须一致；同一检查内 StudyInstanceUID 必须相同。

校验脚本示例：

import re

UID_RE = re.compile(r"^[0-9]+(\.[0-9]+)*$")

def validate(info):
    errors = []
    for key in ["PatientID", "StudyInstanceUID",
                "SeriesInstanceUID", "SOPInstanceUID"]:
        if not info.get(key):
            errors.append(f"缺失必填标签: {key}")
    for key in ["StudyInstanceUID", "SeriesInstanceUID", "SOPInstanceUID"]:
        uid = info.get(key, "")
        if uid and (not UID_RE.match(uid) or len(uid) > 64):
            errors.append(f"UID 格式非法: {key}={uid}")
    return errors

errs = validate(info)
print("校验通过" if not errs else "\n".join(errs))

四、批量校验与一致性检查

单文件校验只能发现格式问题，一致性必须跨文件比较。思路是：先按 SeriesInstanceUID 分组，再检查每组内 Modality 是否唯一、InstanceNumber 是否重复。

from collections import defaultdict

def check_series(files):
    groups = defaultdict(list)
    for f in files:
        info = extract_key_tags(f)
        groups[info["SeriesInstanceUID"]].append(info)
    report = []
    for uid, items in groups.items():
        mods = {i["Modality"] for i in items}
        nums = [i["InstanceNumber"] for i in items]
        if len(mods) > 1:
            report.append(f"{uid}: Modality 不一致 {mods}")
        if len(nums) != len(set(nums)):
            report.append(f"{uid}: InstanceNumber 重复")
    return report

校验时优先检查 UID 链是否完整。UID 链断裂（如 SeriesInstanceUID 为空）会导致整个序列无法归组，比单个字段格式错误影响更大。

不要用 PatientName 作为患者唯一标识。姓名可能重复、拼写不一致或含脱敏字符，唯一标识应使用 PatientID 或 PatientID 与 IssuerOfPatientID 的组合。

五、常见问题与判断依据

现象	可能原因	判断依据
同一序列被拆成多组	SeriesInstanceUID 不一致	分组后组数大于预期
图像顺序错乱	InstanceNumber 缺失或重复	排序后编号不连续
入库失败	必填 UID 为空	存在性校验报错
模态统计异常	Modality 大小写或空格	去重后出现 "CT" 与 "ct"

实际工程中，建议把上述提取与校验封装成一个函数，对每个文件返回 (info, errors)，再汇总成 CSV 或数据库表。这样既能保留原始标签，又能记录校验结果，便于后续排障和复盘。掌握四层标签结构与 UID 关联链，是 DICOM 数据工程中最基础也最关键的一步。