[의료영상] Dicom과 NIfTI

1. DICOM (Digital Imaging and Communications in Medicine)

"병원의 표준 언어"
병원에서 촬영된 모든 영상(MRI, CT, X-ray)이 생성되고 저장되는 국제 표준 규약입니다. 단순한 이미지 파일이 아니라, 환자 정보와 촬영 조건이 결합된 방대한 데이터 패킷에 가깝습니다.

• 구조: Header(메타데이터) + Pixel Data(이미지)가 하나의 파일에 들어 있습니다.
• 특징:
  • 2D Slice 기반: 보통 MRI를 찍으면 수백 장의 단면 이미지가 생성되는데, DICOM은 이 단면 하나하나가 각각의 파일(.dcm)로 저장됩니다. (예: 뇌 MRI 하나에 파일 200개)
  • 메타데이터 (DICOM Tags): 환자 이름, ID, 촬영 날짜, MRI 기기 모델명, 슬라이스 두께, 촬영 좌표 등 수천 가지 정보가 태그(Tag, 예: 0010,0010) 형태로 포함됩니다.
    • Dicom 헤더 : pydicom 라이브러리 사용하여 확인 가능

import pydicom

# 1. DICOM 파일 불러오기
# 실제 파일 경로로 변경해주세요
file_path = 'sample_brain.dcm' 
ds = pydicom.dcmread(file_path)

# 2. 전체 헤더 정보 출력 (Raw Data)
print("=== 전체 헤더 정보 ===")
print(ds)

# 3. 주요 정보만 골라서 확인 (Dot notation 사용)
print("\n=== 주요 메타데이터 확인 ===")
try:
    print(f"Patient ID       : {ds.PatientID}")
    print(f"Modality         : {ds.Modality}")          # 예: MR, CT
    print(f"Study Date       : {ds.StudyDate}")
    print(f"Series Desc      : {ds.SeriesDescription}") # 예: T1_3D_SAG
    print(f"Slice Thickness  : {ds.SliceThickness} mm")
    print(f"Manufacturer     : {ds.Manufacturer}")
except AttributeError:
    print("일부 태그가 이 파일에 존재하지 않습니다.")

# 4. (심화) 태그 번호(Tag ID)로 직접 접근하기
# 예: PatientName은 (0010, 0010)입니다.
print(f"\n환자 이름 (Tag로 접근): {ds[0x0010, 0x0010].value}")

• 현실적인 문제: 파일 개수가 너무 많아 관리가 어렵고, 개인정보(PHI)가 포함되어 있어 익명화(De-identification) 과정이 필수적입니다.
• 💡Dicom tag 리스트 확인 사이트 : https://www.dicomlibrary.com/dicom/dicom-tags/

---

2. NIfTI (Neuroimaging Informatics Technology Initiative)

"연구와 분석의 표준 언어"
DICOM의 복잡함을 해결하고, 뇌영상 분석(Neuroimaging)을 효율적으로 하기 위해 개발된 포맷입니다. SimNIBS, FreeSurfer, FSL, 그리고 대부분의 딥러닝 파이프라인은 이 포맷을 표준으로 사용합니다.

• 확장자: .nii 또는 압축된 .nii.gz
• 구조: Header + Image Data (보통 단일 파일)
• 특징:
  • 3D Volume 기반: 수백 장의 DICOM Slice를 합쳐서 하나의 3D 파일로 만듭니다. 4D(시간 축 포함, fMRI나 DTI) 데이터도 파일 하나에 담을 수 있습니다.
  • 좌표계 중심 (Affine Matrix): NIfTI 헤더의 핵심은 영상 데이터(Voxel)가 실제 공간(World Coordinate)의 어디에 위치하는지 알려주는 4x4 행렬입니다. 3D 재구성 시 이 정보가 틀어지면 뇌의 좌우가 바뀌거나 위치가 어긋납니다.
  • 가벼움: 환자 개인정보 등 분석에 불필요한 태그는 대부분 제거하고, 영상 분석에 필요한 핵심 정보(차원, 방향, 복셀 크기)만 남깁니다.
  • NIfTI 헤더 : niabel 라이브러리 사용해서 확인 가능 https://nipy.org/nibabel/

import nibabel as nib

# 1. NIfTI 파일 불러오기 (.nii 또는 .nii.gz)
file_path = 'sample_brain.nii.gz'
img = nib.load(file_path)

# 2. 이미지 데이터 객체와 헤더 분리
header = img.header

print(f"=== 파일 정보: {file_path} ===")

# [중요] 1. 이미지 차원 (Dimension)
# 예: (240, 240, 155) -> 가로, 세로, 높이 슬라이스 수
print(f"Data Shape (차원)    : {img.shape}")

# [중요] 2. 복셀 크기 (Resolution)
# 예: (1.0, 1.0, 1.0) -> 1mm 등방성(Isotropic) 데이터인지 확인 필수
print(f"Voxel Size (해상도)  : {header.get_zooms()}")

# [중요] 3. 데이터 타입
# 예: int16, float32 (딥러닝 입력 시 타입 확인 중요)
print(f"Data Type (자료형)   : {header.get_data_dtype()}")

# [중요] 4. 아핀 행렬 (Affine Matrix)
# 3D 공간상의 위치와 방향을 결정하는 4x4 행렬
print("\n=== Affine Matrix (좌표계 정보) ===")
print(img.affine)

# (심화) 방향 정보 문자열로 확인 (예: RAS, LPS)
# 3D Recon 시 좌우 반전 여부를 체크할 때 유용합니다.
ornt = nib.orientations.io_orientation(img.affine)
ornt_code = nib.orientations.ornt2axcodes(ornt)
print(f"\nOrientation Code     : {ornt_code}") # 예: ('R', 'A', 'S')

 

---

3. DICOM vs NIfTI 비교 요약

구분DICOM (.dcm)NIfTI (.nii / .nii.gz)

주 사용처	병원 PACS, 임상 진단	AI 연구, 뇌영상 분석, 수술 시뮬레이션
데이터 형태	2D 슬라이스 (파일 수백 개)	3D 볼륨 (파일 1개)
좌표계	LPS (Left-Posterior-Superior)	RAS (Right-Anterior-Superior) 주로 사용
개인정보	포함 (환자 이름, ID 등)	보통 제거됨 (익명화 용이)
Python 라이브러리	pydicom	nibabel, SimpleITK

 

---

4. 연구자를 위한 핵심 주의사항 (좌표계 이슈)

SimNIBS로 3D Recon을 하거나 딥러닝 모델에 넣을 때 가장 조심해야 할 부분입니다.

1. LPS vs RAS:
   • DICOM은 주로 LPS 좌표계를 씁니다. (X축이 환자의 왼쪽, Y축이 뒤쪽, Z축이 머리 쪽으로 증가)
   • NIfTI는 주로 RAS 좌표계를 씁니다. (X축이 환자의 오른쪽으로 증가)
   • 변환의 중요성: DICOM을 NIfTI로 변환할 때 이 좌우 정보(Left/Right)가 제대로 뒤집히지 않으면, 뇌종양이 실제로는 왼쪽에 있는데 3D 모델에서는 오른쪽에 있는 치명적인 오류가 발생합니다.

 

• 이러한 좌표계 변환을 자동으로, 가장 정확하게 해주는 툴 중 dicom2nifti가 있습니다. (단순히 파이썬 코드로 픽셀 값만 옮기면 좌표 정보가 날아갈 위험이 큽니다.)