3. 医学影像文件格式与数据管理

在3D医学影像标注与审核工程中，数据进入标注平台之前，首先要解决三个基础问题：影像以什么格式存储、一个检查包含哪些序列、以及患者隐私信息如何剥离。这三个问题分别对应文件格式解析、序列组织与元数据读取、匿名化处理。理解它们，才能保证后续标注坐标、体素间距和方向信息在整个流水线中保持一致。

一、三种主流格式的定位与差异

DICOM（Digital Imaging and Communications in Medicine）是临床设备输出的原生格式，也是医院PACS系统的通用交换标准。它把像素数据和元数据封装在同一个文件中，一个CT或MR检查通常由几十到上千个切片文件组成，每个文件携带患者信息、设备参数、层厚、层间距、窗宽窗位以及像素数据。DICOM的核心价值在于“临床完整性”，但它的多文件结构对三维重建和标注并不友好。

NIfTI（Neuroimaging Informatics Technology Initiative）是神经影像与科研分析领域最常用的格式，通常以单个 .nii 或压缩的 .nii.gz 文件保存整个三维体数据，配合一个仿射矩阵（affine matrix）描述体素坐标到世界坐标的映射。NIfTI的优点是单文件、易读取、与深度学习框架配合顺畅，缺点是元数据相对精简，缺少DICOM那样完整的设备与采集信息。

NRRD（Nearly Raw Raster Data）常用于扩散张量成像、剂量分布和部分科研数据集，它用一个文本头（header）描述维度、间距、方向、编码方式，数据体可以独立存储。NRRD对多分量数据和方向信息的表达比较灵活，适合需要保留方向矩阵的标注任务。

二、序列组织：从文件堆到可标注的检查

拿到一个DICOM目录时，不能简单地把所有 .dcm 文件读成一个体数据。一个检查可能包含多个序列：平扫、增强、不同重建核、定位像、剂量报告等。正确做法是先按 SeriesInstanceUID 分组，再在每个序列内按 InstanceNumber 或 ImagePositionPatient 沿扫描方向排序。对于轴位CT，通常按 z 坐标升序排列；对于矢状位或冠状位，排序轴会变化，必须依据 ImageOrientationPatient 判断。

排序完成后还要检查层间距是否均匀。如果相邻切片间距不一致，直接堆叠会导致三维重建拉伸或压缩。此时应读取 SliceThickness 与 SpacingBetweenSlices，必要时按实际位置重采样到等间距网格。一个常见的教学示例是：某CT序列共 180 层，层厚 1.0 mm，层间距 1.0 mm，重建后体数据尺寸为 512×512×180，体素间距为 (0.7, 0.7, 1.0) mm。这个间距必须写入后续NIfTI的 pixdim 字段，否则标注框在三维空间中的实际尺寸会出错。

三、元数据读取：标注坐标的“锚点”

元数据读取的目标不是把所有字段都打印出来，而是提取影响几何与标注的关键字段。对DICOM而言，至少需要：Rows、Columns、PixelSpacing、SliceThickness、ImagePositionPatient、ImageOrientationPatient、RescaleSlope、RescaleInterrupt。其中 RescaleSlope 和 RescaleInterrupt 用于把存储的整数值转换为真实的CT值（HU）：

HU = pixel_value * RescaleSlope + RescaleInterrupt
# 典型 CT：RescaleSlope = 1, RescaleInterrupt = -1024
# 存储值 0 对应 -1024 HU（空气），存储值 1024 对应 0 HU（水）

如果忽略这一步，窗宽窗位设置就会完全错位，标注时看到的“软组织”可能实际是骨骼。对NIfTI而言，关键字段是 pixdim（体素间距）、sform/qform（方向与原点）以及 datatype。读取后应打印仿射矩阵，确认体素坐标到世界坐标的映射方向。对NRRD而言，重点检查 space directions、space origin 和 encoding，确保读取器按正确的字节序和压缩方式解析数据体。

四、匿名化处理：合规与可追溯的平衡

DICOM文件中的患者姓名、ID、出生日期、检查日期、机构名称等都属于受保护健康信息（PHI）。匿名化不是简单删除几个字段，而是要在保留影像几何与标注可用性的前提下，替换或移除可识别信息。常用策略包括：将 PatientName 替换为统一编号，将 PatientID 映射为哈希值，将 StudyDate 偏移为相对天数，移除 InstitutionName、ReferringPhysicianName 等字段。

需要特别注意的是，DICOM的私有标签（private tags）和像素数据中的 burned-in annotation（烧录标注）也可能包含患者信息。前者需要检查 (gggg,eeee) 私有块，后者需要借助OCR或人工抽检。对于NIfTI和NRRD，虽然元数据较少，但文件名本身可能包含患者ID，必须在入库时重命名。一个可执行的匿名化检查清单如下：

五、格式转换中的一致性验证

从DICOM转换到NIfTI时，最容易出错的三个点是：方向矩阵、原点位置和体素间距。建议在转换后做一次“回读验证”：用同一套坐标分别读取原始DICOM和转换后的NIfTI，取一个已知解剖点（如肝脏某血管分叉），比较其世界坐标是否一致。若偏差超过半个体素，说明仿射矩阵或排序方向有误。对于NRRD，还要确认 space 字段是 left-posterior-superior 还是 right-anterior-superior，不同约定会导致左右方向翻转。

在实际工程中，建议把“格式解析—序列组织—元数据提取—匿名化—一致性验证”固化为一条可重复执行的数据入库流水线。每次导入新数据时自动输出一份数据质量报告，记录序列数量、体素间距、方向矩阵、匿名化字段清单和验证结果。这样，标注人员拿到的就是几何一致、隐私合规、可直接进入标注工具的体数据，审核人员也能依据报告快速判断数据是否可用。