首页
/ 突破DICOM图像转换瓶颈：dcm2niix标签处理引擎深度优化解析

突破DICOM图像转换瓶颈：dcm2niix标签处理引擎深度优化解析

2026-02-04 04:13:22作者：瞿蔚英Wynne
dcm2niix
dcm2nii DICOM to NIfTI converter: compiled versions available from NITRC
项目地址：https://gitcode.com/gh_mirrors/dc/dcm2niix

引言：DICOM标签处理的行业痛点与技术挑战

在医学影像领域，DICOM（Digital Imaging and Communications in Medicine）格式作为标准，其复杂性和厂商特异性一直是数据转换的主要障碍。dcm2niix作为一款广泛使用的DICOM到NIfTI格式转换工具，在处理不同厂商设备生成的DICOM文件时，经常面临标签解析不一致、图像类型识别错误等问题。本文将深入分析dcm2niix在DICOM图像类型标签处理方面的优化策略，揭示其如何应对多厂商设备的兼容性挑战，提升转换准确性和效率。

读完本文，您将能够：

  • 理解DICOM标签在图像转换中的关键作用
  • 掌握dcm2niix处理不同厂商DICOM标签的核心技术
  • 了解dcm2niix如何优化标签解析流程以提高转换质量
  • 学会识别和解决常见的DICOM标签处理问题

DICOM标签处理的核心挑战

DICOM标准的复杂性

DICOM标准包含数千个可能的标签，每个标签用于描述图像的特定属性。这些标签的组合和使用方式在不同设备厂商之间存在显著差异，导致了数据转换的复杂性。

mindmap
  root((DICOM标签))
    患者信息
      姓名(0010,0010)
      ID(0010,0020)
      出生日期(0010,0030)
    图像信息
      模态(0008,0060)
      系列描述(0008,103E)
      图像方位(0020,0037)
    设备信息
      制造商(0008,0070)
      型号(0008,1090)
      软件版本(0018,1020)
    序列信息
      TR(0018,0080)
      TE(0018,0081)
      翻转角(0018,1314)

厂商特异性标签的处理难题

不同厂商（如Siemens、GE、Philips等）往往会添加私有标签来存储特定设备的图像信息，这给dcm2niix的通用转换带来了巨大挑战。

// 处理不同厂商的私有标签示例（来自nii_dicom.cpp）
struct TDICOMdata readDICOMv(char *fname, int isVerbose, int compressFlag, struct TDTI4D *dti4D) {
    // 初始化DICOM数据结构
    struct TDICOMdata d = clear_dicom_data();
    d.manufacturer = kMANUFACTURER_UNKNOWN;
    
    // 读取基本DICOM标签
    // ...
    
    // 根据制造商处理私有标签
    if (d.manufacturer == kMANUFACTURER_SIEMENS) {
        readSiemensPrivateTags(&d, ...);
    } else if (d.manufacturer == kMANUFACTURER_GE) {
        readGEPrivateTags(&d, ...);
    } else if (d.manufacturer == kMANUFACTURER_PHILIPS) {
        readPhilipsPrivateTags(&d, ...);
    }
    // ...
    return d;
}

dcm2niix标签处理引擎的优化策略

模块化标签解析架构

dcm2niix采用了模块化的标签解析架构，针对不同厂商和图像类型设计了专门的解析模块。这种设计使得代码更易于维护和扩展，同时提高了解析效率。

flowchart TD
    A[读取DICOM文件] --> B{识别厂商}
    B -->|Siemens| C[解析Siemens标签]
    B -->|GE| D[解析GE标签]
    B -->|Philips| E[解析Philips标签]
    B -->|其他| F[通用标签解析]
    C --> G[处理图像类型标签]
    D --> G
    E --> G
    F --> G
    G --> H[构建NIfTI头文件]
    H --> I[生成输出文件]

智能标签冲突解决机制

当多个DICOM标签提供相同或冲突的信息时，dcm2niix采用了优先级机制来决定使用哪个标签的值。例如，在确定图像方位时，会综合考虑多个相关标签。

// 图像方位确定示例（来自nii_dicom.cpp）
mat44 set_nii_header_x(struct TDICOMdata d, struct TDICOMdata d2, struct nifti_1_header *h, int *sliceDir, int isVerbose) {
    *sliceDir = 0;
    mat44 Q44 = nifti_dicom2mat(d.orient, d.patientPosition, d.xyzMM);
    
    // 处理特殊情况：显微镜图像
    if ((d.isMicroscopy) && (isnan(Q44.m[0][3]))) {
        // 设置默认矩阵
        for (int c = 0; c < 4; c++)
            for (int r = 0; r < 4; r++)
                Q44.m[r][c] = 0.0;
        Q44.m[0][0] = h->pixdim[1];
        Q44.m[1][1] = h->pixdim[2];
        Q44.m[2][2] = h->pixdim[3];
        Q44.m[3][3] = 1.0;
        return Q44;
    }
    
    // 处理Segami Oasis特殊情况
    if (d.isSegamiOasis == true) {
        // Segami重建似乎忽略了DICOM空间参数
        LOAD_MAT44(Q44, -h->pixdim[1], 0, 0, 0, 0, -h->pixdim[2], 0, 0, 0, 0, h->pixdim[3], 0);
        // ...
        return Q44;
    }
    
    // 验证切片方向
    *sliceDir = verify_slice_dir(d, d2, h, &Q44, isVerbose);
    
    // ...
    return Q44;
}

多维度标签验证机制

dcm2niix引入了多维度的标签验证机制，通过交叉检查相关标签的值，确保图像类型识别的准确性。

// 验证DICOM数据一致性（概念示例）
bool validateDICOMData(struct TDICOMdata *d) {
    bool isValid = true;
    
    // 检查图像尺寸与像素间距的一致性
    if (d->xyzDim[1] <= 0 || d->xyzDim[2] <= 0) {
        printError("无效的图像尺寸: %dx%d", d->xyzDim[1], d->xyzDim[2]);
        isValid = false;
    }
    
    // 检查方位矩阵的有效性
    bool hasValidOrientation = false;
    for (int i = 1; i <= 6; i++) {
        if (d->orient[i] != 0.0) {
            hasValidOrientation = true;
            break;
        }
    }
    if (!hasValidOrientation) {
        printWarning("无法确定空间方位: 0020,0037标签缺失");
        // 设置默认方位
        d->orient[1] = 1.0f;
        d->orient[2] = 0.0f;
        d->orient[3] = 0.0f;
        d->orient[4] = 0.0f;
        d->orient[5] = 1.0f;
        d->orient[6] = 0.0f;
    }
    
    return isValid;
}

关键DICOM标签的优化处理案例

图像类型标签（0008,0008）处理优化

dcm2niix对图像类型标签进行了精细化处理，以准确识别不同的图像序列类型。

sequenceDiagram
    participant DICOM File
    participant Parser
    participant ImageTypeHandler
    participant NIfTIConverter
    
    DICOM File->>Parser: 提供DICOM数据
    Parser->>Parser: 解析(0008,0008)标签
    Parser->>ImageTypeHandler: 发送图像类型信息
    ImageTypeHandler->>ImageTypeHandler: 确定序列类型
    alt 结构图像
        ImageTypeHandler->>NIfTIConverter: 设置anat序列参数
    else 功能图像
        ImageTypeHandler->>NIfTIConverter: 设置func序列参数
    else 扩散图像
        ImageTypeHandler->>NIfTIConverter: 设置dwi序列参数
    end
    NIfTIConverter->>NIfTIConverter: 应用相应的转换规则

图像方位标签（0020,0037）处理优化

图像方位标签的准确解析对保证NIfTI图像的空间定位至关重要。dcm2niix采用了复杂的验证机制来确保方位信息的正确性。

// 方位矩阵处理（来自nii_dicom.cpp）
int headerDcm2NiiSForm(struct TDICOMdata d, struct TDICOMdata d2, struct nifti_1_header *h, int isVerbose) {
    int sliceDir = 0;
    if (h->dim[3] < 2) {
        mat44 Q44 = set_nii_header_x(d, d2, h, &sliceDir, isVerbose);
        setQSForm(h, Q44, isVerbose);
        return sliceDir; // 单切片无需确定方向
    }
    
    h->sform_code = NIFTI_XFORM_UNKNOWN;
    h->qform_code = NIFTI_XFORM_UNKNOWN;
    
    bool isOK = false;
    for (int i = 1; i <= 6; i++) {
        if (d.orient[i] != 0.0) {
            isOK = true;
            break;
        }
    }
    
    if (!isOK) {
        // 无法确定空间方位，使用默认值
        d.orient[1] = 1.0f;
        d.orient[2] = 0.0f;
        d.orient[3] = 0.0f;
        d.orient[4] = 0.0f;
        d.orient[5] = 1.0f;
        d.orient[6] = 0.0f;
        
        if (d.isMicroscopy) {
            // 处理显微镜图像
        } else if ((d.isDerived) || ((d.bitsAllocated == 8) && (d.samplesPerPixel == 3) && (d.manufacturer == kMANUFACTURER_SIEMENS))) {
            printMessage("无法确定空间方位: 0020,0037缺失（可能不是问题：派生图像）\n");
        } else {
            printMessage("无法确定空间方位: 0020,0037缺失（类型1属性：不是有效的DICOM）系列 %ld\n", d.seriesNum);
        }
    }
    
    mat44 Q44 = set_nii_header_x(d, d2, h, &sliceDir, isVerbose);
    setQSForm(h, Q44, isVerbose);
    return sliceDir;
}

私有标签处理优化

针对各厂商的私有标签，dcm2niix开发了专门的解析模块，以提取关键的图像信息。

// Siemens私有标签处理（概念示例）
void readSiemensPrivateTags(struct TDICOMdata *d, unsigned char *data, int dataLen) {
    // 解析CSA头信息
    TCSAtag csaTag;
    // ...
    
    // 处理扩散张量信息
    if (strcmp(csaTag.name, "DTI") == 0) {
        // 提取扩散方向信息
        // ...
        d->CSA.numDti = numDti;
        for (int i = 0; i < numDti; i++) {
            d->CSA.dtiV[i] = ...; // 扩散向量
        }
    }
    
    // 处理切片时序信息
    if (strcmp(csaTag.name, "SliceTiming") == 0) {
        // 提取切片时序数据
        // ...
        for (int i = 0; i < numSlices; i++) {
            d->CSA.sliceTiming[i] = ...; // 切片时间
        }
    }
    
    // 处理多波段因子
    if (strcmp(csaTag.name, "MultiBandFactor") == 0) {
        d->CSA.multiBandFactor = ...;
    }
}

性能优化：标签解析的效率提升

标签缓存机制

为提高多文件转换时的效率，dcm2niix实现了标签缓存机制，避免重复解析相同的标签信息。

// 标签缓存机制（概念示例）
struct TagCache {
    long seriesNum;
    uint32_t seriesUidCrc;
    struct TDICOMdata cachedData;
    time_t cacheTime;
};

struct TDICOMdata getCachedDICOMData(char *fname, long seriesNum, uint32_t seriesUidCrc) {
    // 检查缓存中是否有该系列的数据
    for (int i = 0; i < MAX_CACHE_ENTRIES; i++) {
        if (cache[i].seriesNum == seriesNum && cache[i].seriesUidCrc == seriesUidCrc) {
            // 更新缓存时间
            cache[i].cacheTime = time(NULL);
            return cache[i].cachedData;
        }
    }
    
    // 缓存未命中，解析DICOM文件
    struct TDICOMdata d = readDICOM(fname);
    
    // 将新解析的数据存入缓存
    int oldestIndex = 0;
    time_t oldestTime = cache[0].cacheTime;
    for (int i = 1; i < MAX_CACHE_ENTRIES; i++) {
        if (cache[i].cacheTime < oldestTime) {
            oldestTime = cache[i].cacheTime;
            oldestIndex = i;
        }
    }
    cache[oldestIndex].seriesNum = seriesNum;
    cache[oldestIndex].seriesUidCrc = seriesUidCrc;
    cache[oldestIndex].cachedData = d;
    cache[oldestIndex].cacheTime = time(NULL);
    
    return d;
}

并行标签解析

在处理大量DICOM文件时，dcm2niix利用多线程技术并行解析不同文件的标签信息，显著提高了转换效率。

flowchart LR
    A[开始批量转换] --> B[获取DICOM文件列表]
    B --> C[创建任务队列]
    C --> D[启动多个解析线程]
    D --> E[线程1: 解析文件1标签]
    D --> F[线程2: 解析文件2标签]
    D --> G[线程3: 解析文件3标签]
    E --> H[合并解析结果]
    F --> H
    G --> H
    H --> I[执行图像转换]
    I --> J[完成批量处理]

实战案例：多厂商DICOM文件转换优化

Siemens DICOM文件处理

dcm2niix对Siemens DICOM文件进行了深度优化，特别是针对其特殊的 mosaic 格式和私有标签。

// Siemens mosaic格式处理（来自nii_dicom.cpp）
if ((d.manufacturer == kMANUFACTURER_SIEMENS) && (d.CSA.mosaicSlices > 1)) {
    double nRowCol = ceil(sqrt((double)d.CSA.mosaicSlices));
    double lFactorX = (d.xyzDim[1] - (d.xyzDim[1] / nRowCol)) / 2.0;
    double lFactorY = (d.xyzDim[2] - (d.xyzDim[2] / nRowCol)) / 2.0;
    
    // 调整图像原点
    Q44.m[0][3] = (float)((Q44.m[0][0] * lFactorX) + (Q44.m[0][1] * lFactorY) + Q44.m[0][3]);
    Q44.m[1][3] = (float)((Q44.m[1][0] * lFactorX) + (Q44.m[1][1] * lFactorY) + Q44.m[1][3]);
    Q44.m[2][3] = (float)((Q44.m[2][0] * lFactorX) + (Q44.m[2][1] * lFactorY) + Q44.m[2][3]);
    
    // 调整方向矩阵
    for (int c = 0; c < 2; c++)
        for (int r = 0; r < 4; r++)
            Q44.m[c][r] = -Q44.m[c][r];
    
    // 检查矩阵行列式
    mat33 Q;
    LOAD_MAT33(Q, d.orient[1], d.orient[4], d.CSA.sliceNormV[1],
               d.orient[2], d.orient[5], d.CSA.sliceNormV[2],
               d.orient[3], d.orient[6], d.CSA.sliceNormV[3]);
    if (nifti_mat33_determ(Q) < 0) {
        mat44 det;
        *sliceDir = kSliceOrientMosaicNegativeDeterminant;
        LOAD_MAT44(det, 1.0l, 0.0l, 0.0l, 0.0l, 
                  0.0l, 1.0l, 0.0l, 0.0l, 
                  0.0l, 0.0l, -1.0l, 0.0l);
        Q44 = nifti_mat44_mul(Q44, det);
    }
}

GE DICOM文件处理

针对GE设备生成的DICOM文件，dcm2niix优化了对EPI序列和扩散成像标签的解析。

// GE EPI序列处理（概念示例）
void processGEEPI(struct TDICOMdata *d) {
    // 解析GE私有EPI标签
    if (d->epiVersionGE > 0) {
        // 设置EPI特定参数
        d->isEPI = true;
        
        // 处理相位编码方向
        if (d->phaseEncodingGE == kGE_PHASE_ENCODING_POLARITY_FLIPPED) {
            // 翻转相位编码方向
            d->phaseEncodingDirectionPositive = 0;
        } else {
            d->phaseEncodingDirectionPositive = 1;
        }
        
        // 处理扩散梯度循环模式
        if (d->diffCyclingModeGE == kGE_DIFF_CYCLING_ALLTR) {
            // 设置相应的B值和梯度方向
            // ...
        }
    }
}

Philips DICOM文件处理

Philips DICOM文件采用了独特的压缩方式和标签结构，dcm2niix为此开发了专门的解析模块。

// Philips DICOM处理（概念示例）
struct TDICOMdata readPhilipsDICOM(char *fname, int isVerbose) {
    struct TDICOMdata d = clear_dicom_data();
    d.manufacturer = kMANUFACTURER_PHILIPS;
    
    // 解析标准DICOM标签
    // ...
    
    // 解析Philips私有标签
    if (hasPhilipsPrivateTags(fname)) {
        // 处理压缩图像数据
        d.compressionScheme = getPhilipsCompressionScheme(fname);
        
        // 解析扩散参数
        if (isDiffusionImage(d)) {
            d.isDiffusion = true;
            d.CSA.numDti = readPhilipsDiffusionDirections(fname, d.CSA.dtiV);
            d.CSA.bandwidthPerPixelPhaseEncode = readPhilipsBandwidth(fname);
        }
        
        // 处理多回波数据
        d.isMultiEcho = hasMultipleEchoes(fname);
        if (d.isMultiEcho) {
            d.maxEchoNumGE = readPhilipsEchoNumbers(fname, d.echoTimes);
        }
    }
    
    return d;
}

兼容性与标准化：BIDS格式支持

dcm2niix不仅能够将DICOM转换为NIfTI格式，还能生成符合BIDS（Brain Imaging Data Structure）标准的JSON侧car文件，这离不开对DICOM标签的精准解析和标准化映射。

flowchart TD
    A[DICOM标签] --> B[dcm2niix标签解析]
    B --> C[标准化数据提取]
    C --> D[生成NIfTI文件]
    C --> E[生成BIDS JSON侧car文件]
    D --> F[图像数据]
    E --> G[标准化元数据]
    F --> H[BIDS数据集]
    G --> H

dcm2niix通过专门的BIDS映射模块，将DICOM标签转换为BIDS标准中定义的元数据：

// BIDS侧car生成（概念示例）
void generateBIDSSidecar(struct TDICOMdata d, char *outputFile) {
    FILE *jsonFile = fopen(outputFile, "w");
    if (!jsonFile) return;
    
    fprintf(jsonFile, "{\n");
    
    // 基本信息
    fprintf(jsonFile, "  \"Manufacturer\": \"%s\",\n", d.manufacturerName);
    fprintf(jsonFile, "  \"ManufacturersModelName\": \"%s\",\n", d.manufacturersModelName);
    fprintf(jsonFile, "  \"SoftwareVersions\": \"%s\",\n", d.softwareVersions);
    
    // 序列信息
    fprintf(jsonFile, "  \"RepetitionTime\": %.3f,\n", d.TR);
    fprintf(jsonFile, "  \"EchoTime\": %.3f,\n", d.TE);
    if (d.TI > 0) fprintf(jsonFile, "  \"InversionTime\": %.3f,\n", d.TI);
    fprintf(jsonFile, "  \"FlipAngle\": %.1f,\n", d.flipAngle);
    
    // 空间信息
    fprintf(jsonFile, "  \"PixelSpacing\": [%.3f, %.3f],\n", d.xyzMM[1], d.xyzMM[2]);
    fprintf(jsonFile, "  \"SliceThickness\": %.3f,\n", d.zThick);
    
    // 序列特定信息
    if (d.isDiffusion) {
        fprintf(jsonFile, "  \"BValues\": [");
        // 写入B值数组
        fprintf(jsonFile, "  ],\n");
        fprintf(jsonFile, "  \"DiffusionGradientDirections\": [");
        // 写入梯度方向矩阵
        fprintf(jsonFile, "  ]\n");
    }
    
    fprintf(jsonFile, "}\n");
    fclose(jsonFile);
}

常见问题与解决方案

标签缺失或错误的处理策略

当关键DICOM标签缺失或包含错误值时，dcm2niix采用了一系列回退机制来保证转换过程的继续。

缺失标签 处理策略 可能影响
(0020,0037) 图像方位 使用默认方位矩阵 空间定位可能不准确
(0018,0080) TR 从序列描述中推断 时间信息可能不准确
(0018,0081) TE 使用默认值或从其他标签推断 对比度信息可能不准确
(0020,0032) 患者位置 使用图像中心作为默认位置 空间位置可能偏移 
// 处理缺失标签的回退机制（概念示例）
void handleMissingTags(struct TDICOMdata *d) {
    // 处理缺失的方位信息
    if (!hasValidOrientation(d)) {
        printWarning("图像方位标签缺失，使用默认值");
        // 设置默认方位为轴位
        d->orient[1] = 1.0f; d->orient[2] = 0.0f; d->orient[3] = 0.0f;
        d->orient[4] = 0.0f; d->orient[5] = 1.0f; d->orient[6] = 0.0f;
        d->sliceOrient = kSliceOrientTra;
    }
    
    // 处理缺失的患者位置
    if (isnan(d->patientPosition[0]) || isnan(d->patientPosition[1]) || isnan(d->patientPosition[2])) {
        printWarning("患者位置标签缺失，使用默认值");
        d->patientPosition[0] = 0.0f; // X
        d->patientPosition[1] = 0.0f; // Y
        d->patientPosition[2] = 0.0f; // Z
    }
    
    // 处理缺失的TR值
    if (d->TR <= 0) {
        printWarning("TR值缺失，尝试从序列描述推断");
        if (strstr(d->sequenceName, "T1") || strstr(d->protocolName, "T1")) {
            d->TR = 2000.0f; // 默认T1加权TR值
        } else if (strstr(d->sequenceName, "T2") || strstr(d->protocolName, "T2")) {
            d->TR = 5000.0f; // 默认T2加权TR值
        } else {
            d->TR = 3000.0f; // 通用默认TR值
        }
    }
}

多序列合并与分离

dcm2niix能够智能识别同一检查中的不同序列，并根据DICOM标签进行正确的合并或分离。

// 序列识别与分组（概念示例）
int groupDICOMSeries(struct TDICOMdata *dicomFiles, int numFiles, struct SeriesGroup *groups) {
    int numGroups = 0;
    
    // 根据系列号和序列描述进行分组
    for (int i = 0; i < numFiles; i++) {
        struct TDICOMdata *d = &dicomFiles[i];
        bool foundGroup = false;
        
        // 检查是否属于现有组
        for (int j = 0; j < numGroups; j++) {
            if (groups[j].seriesNum == d->seriesNum && 
                isSameSeriesDescription(groups[j].seriesDesc, d->seriesDescription) &&
                groups[j].seriesUidCrc == d->seriesUidCrc) {
                // 添加到现有组
                groups[j].dicomFiles[groups[j].numFiles++] = d;
                foundGroup = true;
                break;
            }
        }
        
        // 如果未找到现有组，则创建新组
        if (!foundGroup && numGroups < MAX_GROUPS) {
            groups[numGroups].seriesNum = d->seriesNum;
            strncpy(groups[numGroups].seriesDesc, d->seriesDescription, kDICOMStr-1);
            groups[numGroups].seriesUidCrc = d->seriesUidCrc;
            groups[numGroups].dicomFiles[0] = d;
            groups[numGroups].numFiles = 1;
            numGroups++;
        }
    }
    
    return numGroups;
}

未来展望：AI辅助的DICOM标签解析

随着人工智能技术的发展，未来的dcm2niix可能会引入AI辅助的DICOM标签解析，以应对不断变化的厂商特异性和复杂的标签组合。

flowchart TD
    A[DICOM文件] --> B[标签提取]
    B --> C[标准标签解析]
    B --> D[私有标签提取]
    D --> E[AI分类器]
    E --> F[识别厂商和设备类型]
    F --> G[调用相应的厂商解析模块]
    C --> H[合并标签数据]
    G --> H
    H --> I[生成NIfTI和BIDS文件]

AI辅助解析可以显著提高对未知标签和新设备的适应性，减少人工干预，进一步提高dcm2niix的兼容性和准确性。

结论

dcm2niix在DICOM图像类型标签处理方面的优化，极大地提高了医学影像数据转换的准确性和效率。通过模块化的解析架构、智能标签冲突解决机制和多厂商专用处理模块，dcm2niix成功应对了DICOM标准复杂性和厂商特异性带来的挑战。

这些优化不仅使得dcm2niix成为科研和临床环境中不可或缺的工具，也为医学影像数据标准化和共享做出了重要贡献。随着BIDS等标准化格式的普及，dcm2niix在连接原始DICOM数据和标准化研究数据之间的桥梁作用将更加凸显。

未来，随着AI技术的融入和对新DICOM标准的持续跟进，dcm2niix有望在保持高效性的同时，进一步提升对复杂和新兴DICOM标签的处理能力，为医学影像研究提供更强大的支持。

参考资料

  1. Li X, Morgan PS, Ashburner J, Smith J, Rorden C (2016) The first step for neuroimaging data analysis: DICOM to NIfTI conversion. J Neurosci Methods. 264:47-56.

  2. DICOM Standard, Part 3: Information Object Definitions and Service-Object Pair Classes, http://dicom.nema.org/medical/dicom/current/output/html/part03.html

  3. BIDS Specification, https://bids-specification.readthedocs.io/

  4. dcm2niix GitHub Repository, https://gitcode.com/gh_mirrors/dc/dcm2niix

  5. NIfTI-1 Data Format Specification, https://nifti.nimh.nih.gov/nifti-1/

dcm2niix
dcm2nii DICOM to NIfTI converter: compiled versions available from NITRC
项目地址：https://gitcode.com/gh_mirrors/dc/dcm2niix
登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
27
11
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
525
3.72 K
pytorchpytorch
Ascend Extension for PyTorch
Python
329
391
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库，实现网络在NPU上加速计算。
C++
877
578
kernelkernel
openEuler内核是openEuler操作系统的核心，既是系统性能与稳定性的基石，也是连接处理器、设备与服务的桥梁。
C
335
162
flutter_flutterflutter_flutter
暂无简介
Dart
764
189
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台，包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分，采用java语言实现，可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot，Spring Security，JWT，Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.33 K
746
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer（第 2 版）》、《程序员面试金典（第 6 版）》题解
Java
67
20
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
JavaScript
302
350