|
CT图像的预处理操作一般包括以下几步：
step1: spacing interpolation
step2: window transform
step3: get mask effective range
step4: generate subimage
配套代码 各步骤意义：
step1: spacing interpolation。
用插值(interpolation)一词可能不太准确，较准确的叫法是重采样(resampling)，另外取决于不同的工具包（下文会展开）还有zoom, resize两个称呼。 因为CT图像中，不同扫描面的像素尺寸、粗细粒度是不同的。这不利于进行CNN任务，所以需要使用同构采样。
step2: window transform
窗宽窗位的变换，主要是为了视觉上的清晰，具体可参见此篇博文。有人会用cut off，即HU值截断来代替此步，我一直用的window transform，因为无需分析整个数据集或许cut off所必须的截断值。 PS.我在此步顺便做了归一化操作，这一步也是必不可少的。归一化和零值中心化的操作主要是为了后续训练网络，零值中心化是网络收敛的关键。至于具体的归一化操作，也有很多变种，可自行Google.
step3: get mask effective range
获取Slices的有效范围，即去除整个序列中前后几张没有任何器官的Slices。
step4: generate subimage
获取小patch，即根据手头的GPU可以接受的大小，用滑窗法从原始图像中获得小patch。
本文主要讲述重采样操作。
重采样可分为两种方案，具体操作步骤并无太大差异：  可用的工具包：
PIL-按目标大小缩放
from PIL import Image
img=Image.open(jpgfile)
new_img=img.resize((width,height),Image.BILINEAR)
new_img.save(os.path.join(outdir,os.path.basename(jpgfile)))
CV2-按目标大小缩放
import cv2
pic = cv2.imread(jpgfile)
pic = cv2.resize(pic, (width,height), interpolation=cv2.INTER_CUBIC)
#cv.INTER_NEAREST;cv.INTER_LINEAR;cv.INTER_CUBIC;cv.INTER_AREA
# 通常，缩小使用cv.INTER_AREA，放缩使用cv.INTER_CUBIC(较慢)和cv.INTER_LINEAR(较快效果也不错)。
# 默认情况下，所有的放缩都使用cv.INTER_LINEAR。
缺点：PIL，CV2一般针对2D图像做处理，比如普通的自然图像，或者ct三维图像中的某一层。所以，并不适用于3D的医学图像处理。
scipy.ndimage-按缩放因子缩放
scipy.ndimage中有两个zoom函数，但本人感觉并无明显差别，应该是版本不同。
import scipy.ndimage as ndimage # SciPy v1.3.1 Reference Guide
ndimage_zoom = ndimage.zoom(magic_or, (z_zoomRatio, x_zoomRatio, y_zoomRatio), order=0)
from scipy.ndimage.interpolation import zoom # SciPy v0.14.0 Reference Guide
interpolation_zoom = ndimage.zoom(magic_or, (z_zoomRatio, x_zoomRatio, y_zoomRatio), order=3)
# order=0:nearest interpolation;order=1:bilinear interpolation;order=3:cubic interpolation
# zoom_ratio = old/new
缺点与解决方案：
缺点： 在医学图像具体的应用中，所有zoom后的图像，都要rezoom回去，如果zoom和rezoom都按缩放因子缩放，rezoom的时候可能会无法完全恢复原样。如下所示，这是我遇到的问题，rezoom后的shape和origin的shape有一张slice之差。  解决方案一： 重新调整缩放因子，可以按目标大小进行调整，也可以按缩放因子本身进行调整，以下代码采用前者（对目标大小进行取整）。
def resample(ct_array, spacing, new_spacing=[0,0,1], order = 3):
# 0 denotes remains the same
# order=0:nearest interpolation
# order=1:bilinear interpolation
# order=3:cubic interpolation
# http://shartoo.github.io/medical_image_process/
resize_factor = spacing / new_spacing
new_shape = ct_array.shape * resize_factor
real_new_shape = np.round(new_shape)
real_resize_factor = real_new_shape / ct_array.shape
real_new_spacing = spacing / real_resize_factor
ct_array = ndimage.zoom(ct_array, real_resize_factor, order, mode='nearest')
# mode : Points outside the boundaries of the input are filled according to the given mode
# (‘constant’, ‘nearest’, ‘reflect’ or ‘wrap’). Default is ‘constant’.
return ct_array, real_new_spacing
解决方案二：（推荐） 
今天实验室停电，配套代码后续补充。
SimpleITK
def Resampling(img,lable = False):
original_size = img.GetSize() #获取图像原始尺寸
original_spacing = img.GetSpacing() #获取图像原始分辨率
new_spacing = [1, 1, 1] #设置图像新的分辨率为1*1*1
new_size = [int(round(original_size[0] * (original_spacing[0] /1))),
int(round(original_size[1] * (original_spacing[1] / 1))),
int(round(original_size[2] * (original_spacing[2] / 1)))] #计算图像在新的分辨率下尺寸大小
resampleSliceFilter = sitk.ResampleImageFilter() #初始化
if lable == False:
Resampleimage = resampleSliceFilter.Execute(img, new_size, sitk.Transform(), sitk.sitkBSpline,
img.GetOrigin(), new_spacing, img.GetDirection(), 0,
img.GetPixelIDValue())
ResampleimageArray = sitk.GetArrayFromImage(Resampleimage)
ResampleimageArray[ResampleimageArray |