简单的Python模块，用于DICOM图像和放射治疗结构，掩模和预测阵列之间的转换( Simple Python Module for Conversions Between DICOM Images and Radiation Therapy Structures, Masks, and Prediction Arrays )

BM Anderson KA Wahid KK Brock

深度学习正变得越来越流行，新用户可以使用，特别是在医疗领域。深度学习图像分割、结果分析和生成器依赖于医学数字成像和通信(DICOM)图像的呈现，通常还依赖于放射治疗(RT)结构作为掩模。虽然有将DICOM图像和RT结构转换为其他数据类型的技术，但没有专门构建的Python模块将NumPyarrays转换为RT结构。两个最流行的深度学习库，Tensorflow和PyTorch，都是在Python中实现的，我们相信Python中内置的一套工具，用于操作DICOM图像和RT-Structures将是有用的，并且可以在预处理和预测步骤中为医学研究人员节省大量的时间和精力。我们的模块通过识别唯一的感兴趣区域(ROI)名称、ROI结构位置以及允许多个ROI名称表示同一结构，提供了快速RT-Structure文件数据管理的直观方法。它还能够将DICOM图像和RT结构转换为NumPy arrays和SimpleITK图像，这是图像分析和深度学习架构输入的最常用格式，以及放射性特征计算。此外，该工具还提供了一种简单的方法，用于从预测的NumPy数组创建DICOM RT-Structure。NumPy数组通常是语义分割深度学习模型的输出。通过公共Github项目访问DicomRTTool邀请了开放协作，而我们的模块在PyPi中的部署确保了无痛的分发和安装。我们相信，随着医学深度学习的发展，我们的工具将越来越有用。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate