本文需要用到处理dcm文件的库：pydicom。

本文代码：my GitHub

我们从dcm数据中获取数据矩阵时，直接用 Image.fromarray() 读取时会出现图像失真。

例：

我们先用plt.imshow显示图像没有问题。

用Image读入图像矩阵后，convert过后就出现了问题：

由于图像矩阵传入PIL库后，模式（mode）一般是F（浮点型）或I（整形），无法进一步处理（比如另存为jpg图像格式、在notebook中显示等）。 所以我们一般会使用 convert 方法转换mode，灰度图我们一般转成 “L” 模式。 但是这样会导致图像失真，效果如上图所示。

我们可以将矩阵求和来验证一下是否失真：

以上可以看到 convert(‘L’) 后，图像矩阵的数值已经产生了变化，这也解释了为什么显示出来的图像和plt.imshow()显示的有很大的差别

我们发现使用convert方法对数值范围的要求在 0~255 之间。而这张图像的矩阵的数值最高达到了2242，所以convert时出现了问题。 最小最大值归一化（Min-Max Normalization）可将矩阵全体数值线性映射到[0, 1]之间。 最后再全体乘以255即可。

我们在传入Image之前对矩阵进行归一化：

具体实现：

以上经过最小最大值归一化，并乘以255后，图像基本就不失真了！

在实际情况中，不少CT图像的矩阵存在背景数值(CT值)为-2000，并且还会有带极高亮斑的情况。 这种光光做Min-Max Normalization是不够的。

举个例子（观察最大值和最小值）：

以上我们发现经过Min-Max Normalization后，图像变得非常暗淡。 我们计算了数据最大值： 9435.0 ，数据最小值： -2000.0 我们查看一下图像矩阵的一行。

可以发现背景的数值是 -2000，并且普通组织区域的数值大约在0~3000左右。 最大值9435应该对应的是图像中的某个亮斑，属于干扰值。 我们可以将图像进行进一步处理，将-2000的部分改成0，大于3000的值改成3000

以上就正常多啦~

torchvision.transforms中没有对应最小最大值归一化的方法。 想要在pytorch数据处理中使用最小最大值归一化，可以自己写一个方法放入transoms.Compose中。

消除过暗过亮值 和 最小最大值归一化 处理后的CT图像数据在训练时有助于收敛并提高模型准确率指标。

代码实例： 我们编写一个NormalizeTensor函数即可

参考： https://androidkt.com/normalize-pytorch-batch-of-tensors-between-0-and-1-using-scikit-learn-minmaxscaler/