医学图像预处理（二）——重采样(resampling)

之所以需要重采样是由于不同的病人体型不同，但最后数字成像的分辨率是一样的，这就导致了一定程度的失真变形。
但医学图像例如dcm或nii格式，都会带有SliceThickness，PixelSpacing类似的属性，可以利用这些属性去尽量还原真实物体。

例如：(下图第二个物体是星星，忘记改过来了）

现在希望spacing变为（1，1），意思是希望数字成像的图片大小就代表原始物体大小。
若spacing=（2，2）则表示原始物体大小是数字成像大小的两倍

因此，

# ct_array 是 z,y,x
# refactor_size = ct.GetSpacing()[-1] / new_spacing_z,...
ct_array = ndimage.zoom(ct_array, (ct.GetSpacing()[-1] / new_spacing_z, ct.GetSpacing()[1] / new_spacing_y, ct.GetSpacing()[2] / new_spacing_x), order=3)

但是如果更细致的话，会发现spacing很多时候都是浮点数，意味着我们数字图像还原成原始图像大小后也会是浮点数，但数字图像的分辨率是没有浮点数的，这时就需要round处理，最终的需求还是要计算出refacor_size提供给插值函数，只不过计算refactor_size的过程绕了一下。

def resample(image, scan, new_spacing=[1,1,1]):
    image = imgs_to_process
    scan = patient
    # Determine current pixel spacing
    spacing = map(float, ([scan[0].SliceThickness] + list(scan[0].PixelSpacing)))
    spacing = np.array(list(spacing))

    resize_factor = spacing / new_spacing

    new_real_shape = image.shape * resize_factor

    new_shape = np.round(new_real_shape)

    real_resize_factor = new_shape / image.shape

    new_spacing = spacing / real_resize_factor
    
    image = scipy.ndimage.interpolation.zoom(image, real_resize_factor)
    
    return image, new_spacing

print("Shape before resampling\t", imgs_to_process.shape) #Shape before resampling  (129, 512, 512)
imgs_after_resamp, spacing = resample(imgs_to_process, patient, [1,1,1])
print("Shape after resampling\t", imgs_after_resamp.shape) #Shape after resampling   (206, 292, 292)

当然，也可以不进行插值处理，因为插值后会导致图片间的大小不同，无法输入网络，我见到的一个处理是这样的：
只对轴向(z)进行差值，y,x固定大小缩放，
这样对于每一个数据，就只会有切片数量不同。
在输入网络时，每个数据随机取样n个slice数目相同的三维图片，输入网络即可。

----------------------2019-10-7 更新------------------------------------
上述resampling均定义在图像坐标系下，因为numpy数组完全不会感知到physical world的存在，scipy.ndimage和scikit-image也没有储存图像在世界坐标的几何信息，因此，对于这两种library而言，只有一种坐标系。而itk和nibabel则对于每个图片都拥有其physical space的信息，一些基本的操作也会在physical space下进行。