判斷 DICOM 影像方向：用六個數值精準分類 Axial / Coronal / Sagittal

在處理醫學影像（特別是 DICOM 格式的 CT / MRI）時，我們常常需要知道影像的方向（Orientation），例如：

• Axial（橫切面）

• Coronal（冠狀面 / 正面）

• Sagittal（矢狀面 / 側面）

這在做 3D 重建、切片排序、資料標準化時都非常重要。

而 DICOM 影像的方向資訊，其實就藏在標籤 (0020,0037) Image Orientation Patient 裡面?

---

Image Orientation Patient 是什麼？

(0020,0037) 會儲存 6 個浮點數，分別代表：  

RowCosines (3個數)
ColCosines (3個數)

也就是：

• 前三個數字：描述圖像的「橫向」（row）的方向向量

• 後三個數字：描述圖像的「縱向」（col）的方向向量

例如這三種常見情況：

這些向量理論上是完全精確的，但在實際 DICOM 資料中，你會看到像這樣的浮點誤差：

0.99  0.01  0.00  0.02  0.00 -0.98

這代表向量「接近」Sagittal，但不是完美的 0/1，因此我們需要一個「容錯」的方式來判斷它屬於哪一種主要方向。

---

常見錯誤做法

許多程式碼會把 row、col 向量各自取最接近的主軸，再根據組合來判斷方向。但這樣的問題是：

• 需要處理 ± 號邏輯（例如 col 可能是 -Z）

• 需要處理 row/col 組合出現不合理組合的情況

• 代碼變得冗長，不好維護

---

✅ 最簡單又穩定的方法：一次比對三種方向

我們可以直接定義三種標準方向（Axial、Coronal、Sagittal）的 6 個標準值，然後把實際的 orient_vals 跟它們一一比較，取出誤差最小的那一個。如果誤差低於一定門檻（例如 0.5），我們就認定這是那個方向。

---

程式碼

import numpy as np

def classify_orientation(orient_vals, tol=0.5):
    """
    orient_vals: list[float]，長度 6
    直接跟 axial / coronal / sagittal 三種標準方向比對
    誤差小於 tol 才接受，否則回傳 None
    """
    orient_arr = np.array(orient_vals)

    templates = {
        'axial':    np.array([1, 0, 0, 0, 1, 0]),
        'coronal':  np.array([1, 0, 0, 0, 0, -1]),
        'sagittal': np.array([0, 1, 0, 0, 0, -1]),
    }

    min_err = float('inf')
    best_type = None
    for ori_type, tpl in templates.items():
        err = np.sum(np.abs(orient_arr - tpl))
        if err < min_err:
            min_err = err
            best_type = ori_type

    # 誤差檢查
    if min_err <= tol:
        return best_type
    else:
        print(f"⚠️ 無法分類方向，最小誤差 {min_err:.3f} 大於容許值 {tol}")
        return None

測試

print(classify_orientation([1,0,0,0,1,0]))         
# axial

print(classify_orientation([1,0,0,0,0,-1]))       
# coronal

print(classify_orientation([0.99,0.01,0,0,0,-0.98]))
# sagittal（容錯情況）

print(classify_orientation([0.7,0.7,0,0,0,-1]))
# None（誤差太大）

為什麼這麼做比較好？

• ✅ 不需要拆 row / col，邏輯非常乾淨

• ✅ 只要一次 for-loop，比對三組標準值

• ✅ 容錯性高，可以處理浮點誤差

• ✅ 容易加上其他方向（例如 Oblique）

• ✅ 不會把「不明方向」硬分類，安全穩定

---

小結

只要 20 行左右的程式碼，就能穩定判斷 DICOM 影像的三種主要方向。這段函式非常適合放在你處理醫學影像的 preprocessing pipeline 裡，在進行重採樣、重建或深度學習前統一方向，讓資料乾淨整齊 ?

---

✅ 重點總結：

• (0020,0037) 給你的是 row+col 的方向 cosines

• 直接跟三種標準方向比對最簡單

• 加一個容忍誤差（例如 tol=0.5）可以安全排除非標準方向

• 分類完成後，就可以根據 axial / coronal / sagittal 執行對應的影像旋轉

 

---

 

 

心得:

照理說

會用來處理的影像大多都是 axial 影像

但是某些情況

會必須使用其他方向影像來處理

那最好都統一轉到axial 影像會比較簡單