レッスン7: DICOM画像を扱う

1. このレッスンの読み方

ここからUnit 3では医用画像AIを扱います。画像の深層学習はPyTorchで書きますが、 PyTorchはブラウザ内のPython（Pyodide）では動きません。そのため本UnitはE資格コーディング対策コースと同じく、 コードを実行せず「読み解く」形式で進めます。このレッスンのコードには実行ボタンがなく、代わりに「実行したらどう出るか」を「▼ 出力」として下に示します （出力は pydicom に同梱された公開テストデータで実際に確認した値です）。

💡 なぜ画像は「別扱い」なのか： テーブルデータ（レッスン3〜6）は数値がそのまま特徴量でした。しかし医用画像は、ファイルを開いて画素にする・値を意味のある単位に直す・見たい部位が見えるよう調整する—— AIに入れる前の前処理が一段深いのです。まずはその入口、DICOMを知りましょう。

2. DICOMとは — 画像とカルテ情報が一体のファイル

DICOM（ダイコム）は、CT・MRI・レントゲンなどの医用画像の標準フォーマットです。ふつうの画像（JPEGやPNG）と決定的に違うのは、1つのファイルの中に「画像」と「メタデータ（タグ）」が同居していること。タグには患者情報・撮影条件・画素を意味に直すための係数などが詰まっています。ファイルの中身は「タグ・型・長さ・値」からなる要素がタグの番号順に並んだ構造で、画像本体（画素データ）もその最後の要素の1つです。

DICOMファイルの構造。1つのファイルの中に、患者名・モダリティ・画素間隔・Rescale係数などのタグ（メタデータ）と画素データ (7FE0,0010) が入っている。画素データは pydicom の ds.pixel_array で取り出せる — DICOMは「ヘッダー（タグ）」と「画素データ」から成る。タグは (グループ番号, 要素番号) の番号順に並び、画素データ (7FE0,0010) はその最後に置かれる。図はレッスン本文と同じ pydicom 同梱のテストデータ（CT_small.dcm）

Pythonでは pydicom というライブラリで読み込みます。まずはファイルを開いて、主要なタグを見てみましょう。

read_dicom.py（pydicom・読むだけ）

import pydicom

# DICOMファイルを読み込む（1ファイル＝CTの1スライス）
ds = pydicom.dcmread("ct_slice.dcm")

# 主要なタグ（メタデータ）を見る
print("モダリティ:", ds.Modality)
print("画像サイズ:", ds.Rows, "x", ds.Columns)
print("画素間隔(mm):", ds.PixelSpacing)
print("Rescale係数:", ds.RescaleSlope, ds.RescaleIntercept)

▼ 出力

モダリティ: CT
画像サイズ: 128 x 128
画素間隔(mm): [0.661468, 0.661468]
Rescale係数: 1.0 -1024.0

ds.Modality で「これはCT画像」、ds.PixelSpacing で「1画素＝約0.66mm四方」—— 画像を実寸で扱えるのがDICOMの強みです。属性名（Modality など）でタグを読めるので、辞書のように直感的に扱えます。

3. 画素を取り出す — pixel_array

画像本体（画素の数値）は ds.pixel_array で、NumPy配列として取り出せます。ここから先は、あなたがNumPyコースで学んだ配列操作の世界です。

pixel_array.py（pydicom・読むだけ）

arr = ds.pixel_array          # NumPy配列として取り出す

print("shape:", arr.shape)     # (高さ, 幅)
print("dtype:", arr.dtype)     # 整数型
print("生の画素 min/max:", arr.min(), arr.max())

▼ 出力

shape: (128, 128)
dtype: int16
生の画素 min/max: 128 2191

⚠ この「生の画素値」はまだ意味を持たない： min 128・max 2191 という数字は、そのままでは「空気」や「骨」といった組織の意味に対応していません。 CT画像を正しく読むには、この生の値をHU値（次の§）に変換する必要があります。生の pixel_array をそのままAIに入れてしまうのは、医用画像でよくある初歩のミスです。

4. HU値変換 — 画素を「組織の意味」に直す

CT画像の生の画素値は、装置ごとの都合で保存された数字にすぎません。これをHU値（ハウンスフィールド単位）に直すと、組織の種類と結びついた世界共通の物差しになります。変換式はシンプルで、タグに入っている RescaleSlope と RescaleIntercept を使います。

🩺 HU値のめやす： 空気 ≒ -1000／肺 ≒ -500〜-900／脂肪 ≒ -100／水 = 0／軟部組織 ≒ +40／骨 ≒ +400〜+1000。この物差しがあるから、「HU=-800付近は肺」「HU=+700は骨」と組織を数値で狙い撃ちできるのです。

hu.py（pydicom・読むだけ）

# HU値 = 生の画素値 × RescaleSlope + RescaleIntercept
hu = arr * ds.RescaleSlope + ds.RescaleIntercept

print("HU min/max:", hu.min(), hu.max())

▼ 出力

HU min/max: -896.0 1167.0

変換後は -896〜1167。最小値がおよそ -900 で「空気〜肺」、最大が +1167 で「骨」と、 HU値のめやすと一致します。RescaleSlope=1, RescaleIntercept=-1024 なので、実質「生の値から1024を引く」変換でした。この一手間で、画像が解剖学的に意味のあるデータになります。

5. ウィンドウ処理 — 見たい組織を浮かび上がらせる

HU値は約 -1000〜+1000 の広い範囲を持ちますが、人の目やモデルが一度に見分けられる濃淡は限られます。そこで、見たい組織のHU範囲だけを切り出して白黒に割り当てるのがウィンドウ処理です。中心をWL（ウィンドウレベル）、幅をWW（ウィンドウ幅）で指定します。

同じ胸部CTのHUデータを、肺野条件（WL −600／WW 1500）と縦隔条件（WL 40／WW 400）でウィンドウ処理した比較。肺野条件では肺の血管が見え、縦隔条件では肺が黒くつぶれて大動脈や椎体の軟部組織が見える — 同じ胸部CT（Axial・脊椎周囲）のHUデータでも、ウィンドウ設定で見える組織が変わる。左の肺野条件では肺の中の血管が見え、右の縦隔条件では肺が真っ黒につぶれる代わりに大動脈・椎体・筋肉の濃淡が見える。画像はレッスン本文と同じ pydicom 同梱のテストデータ（CT_small.dcm）。下段は各条件がHUのどの範囲を白黒に割り当てているか

window.py（pydicom・読むだけ）

import numpy as np

def apply_window(hu, wl, ww):
    # WL=中心, WW=幅。範囲外は0〜255に丸める
    lo, hi = wl - ww / 2, wl + ww / 2
    img = np.clip(hu, lo, hi)
    return ((img - lo) / (hi - lo) * 255).astype(np.uint8)

lung = apply_window(hu, wl=-600, ww=1500)   # 肺野条件
med  = apply_window(hu, wl=40,  ww=400)    # 縦隔条件
print("肺野条件 min/max:", lung.min(), lung.max())
print("縦隔条件 min/max:", med.min(), med.max())

▼ 出力

肺野条件 min/max: 77 255
縦隔条件 min/max: 0 255

⚠ AIにとってのウィンドウ処理： どのウィンドウで前処理するかで、モデルに見える情報が変わります。肺の病変を探すAIなら肺野条件、というようにタスクに合ったウィンドウを選びます。さらに訓練と本番で同じウィンドウ設定をそろえることも重要—— 違う設定の画像を混ぜると、レッスン11で扱う分布のズレの原因になります。

6. 匿名化 — AIに入れる前の必須作業

レッスン2で学んだとおり、医療データは要配慮個人情報です。DICOMのタグには患者名・生年月日・IDなどが含まれるため、研究やAI開発に使う前に匿名化（個人が特定できないようにする）が欠かせません。

anonymize.py（pydicom・読むだけ）

# 個人を特定できるタグを消す・置き換える
ds.PatientName = "ANONYMOUS"
ds.PatientID   = "0000"

# 不要な識別タグは削除（存在すれば）
for tag in ["PatientBirthDate", "PatientAddress"]:
    if tag in ds:
        del ds[tag]

print("匿名化後:", ds.PatientName)

▼ 出力

匿名化後: ANONYMOUS

⚠ タグを消すだけでは足りないことも： 匿名化は「名前タグを消せば終わり」ではありません。頭部CTのように画素そのものから顔を再構成できる画像もあり、その場合は画像側の処理（顔のぼかし等）も検討します。また、実際の匿名化は施設のルール・研究倫理審査に従って行うもので、 ここで学んだのは仕組みの理解です。運用の基準はレッスン10で扱います。

7. 練習問題

コードと出力を読んで答えを選び、「答えと解説を見る」で確認しましょう。

問題 1

HU値変換の式は？

生の画素値からHU値を求める正しい式はどれですか（slope=1, intercept=-1024 のとき）。

A. hu = arr * intercept + slope
B. hu = arr * slope + intercept
C. hu = (arr - intercept) / slope

答えと解説を見る

正解：B. hu = arr * slope + intercept

RescaleSlope を掛けて RescaleIntercept を足す、が定義です。今回は slope=1・intercept=-1024 なので「生の値から1024を引く」ことになり、生の min 128 → HU -896、max 2191 → HU 1167 と、出力と一致します。

問題 2

骨を白く見たいときのウィンドウは？

骨（HU ≒ +400〜+1000）をはっきり見たいとき、ウィンドウレベル（WL）の設定として最も適切なのはどれですか。

A. WL = -600（肺野条件）
B. WL = 40（縦隔条件）
C. WL = 500 前後（骨に合わせる）

答えと解説を見る

正解：C. WL = 500 前後

ウィンドウレベル（WL）は「注目したいHU値の中心」です。骨はHU +400〜+1000あたりなので、その中心の500前後にWLを合わせ、幅（WW）を広めに取ると骨がよく見えます（骨条件）。 WL=-600は肺、WL=40は軟部組織向けで、骨は白飛びして見分けにくくなります。 見たい組織のHUにWLを合わせるのが基本です。

問題 3

前処理の順序

CT画像をAIに入れるまでの前処理を、正しい順に並べてください。
（ア）ウィンドウ処理　（イ）DICOM読み込み　（ウ）HU値変換　（エ）pixel_array取り出し

答えと解説を見る

正解：（イ）→（エ）→（ウ）→（ア）

まず DICOMを読み込み（イ）、pixel_arrayで画素を取り出し（エ）、 HU値に変換（ウ）して意味のある物差しにし、最後にウィンドウ処理（ア）で見たい組織を浮かび上がらせます。この後さらに「リサイズ・0〜1正規化」を経てモデルに入ります——その全体像は次のレッスン8で読み解きます。

8. まとめ

このレッスンのポイント

DICOMは「画像＋メタデータ（タグ）」が一体のフォーマット。pydicom.dcmread で読む
ds.pixel_array でNumPy配列として画素を取り出す。ただし生の値はまだ意味を持たない
HU値変換（arr * RescaleSlope + RescaleIntercept）で組織の物差しに直す（空気-1000・水0・骨+1000）
ウィンドウ処理（WL/WW）で見たい組織を浮かび上がらせる。訓練と本番で設定をそろえる
AIに入れる前に匿名化が必須。タグだけでなく画素からの再特定にも注意

画像を「AIに入れられる形」に整える前処理ができました。次のレッスンでは、この前処理を土台に、CT画像を分類するCNNの実装コードを読み解きます。患者単位分割やデータ拡張の是非など、医用画像ならではの注意点が主役です。