我目前正在从事一个涉及DICOM图像的深度学习项目。长话短说，在这个项目中，我有人类骨盆的 X 射线图像，我试图预测髋关节是否有一些病理变化（例如：囊肿、骨赘、硬化……）。
我的问题之一是数据是从不同的医院收集的，并且具有不同的属性（分布）。我的重点主要是：
Modality- 我有计算机射线照相 (CR) 和数字射线照相 (DX) X 射线Photometric Interpretation- 我有 X 光片保存在RGB,MONOCHROME1和MONOCHROME2
我有 3 组主要图像：
如果我理解正确，我真的无能为力，Modality但如果Photomertic Interpretation我将RGBX 射线更改为grayscale、统一所有它们并反转MONOCHRMOE1像素值：
pixel_data = dicom.pixel_array
pi = dicom['PhotometricInterpretation'].value
if pi == 'RGB':
pixel_data = rgb2gray(pixel_data)
pixel_data = (pixel_data - pixel_data.min()) / (pixel_data.max() - pixel_data.min())
if pi == 'MONOCHROME1':
pixel_data = np.abs(1 - pixel_data)
之后，我将 CLAHE 算法应用于它们中的每一个。预处理前后的 3 个样本图像（CR-RGB、DX-MONO2、CX-MONO1）如下所示：
建模前的最后一步是从 X 射线中切割髋关节，因为我试图预测的所有变化都位于小区域，所以我不需要整个 X 射线（我计划构建用于寻找髋关节边界框的定位模型和用于在此之上的变化的分类模型）。切割后的 3 个样本髋关节（CR-RGB、DX-MONO2、CX-MONO1）如下所示：
我的问题是：
- 我的预处理步骤有什么问题吗？
- 我应该在预处理中添加一些东西吗？
这是我第一次使用 DICOM，任何帮助将不胜感激。