Comprensión de espaciado, remuestreo y reducción de muestreo

Supongamos que 
el tamaño de los datos 3D leídos es (75, 512,512) y el espaciado es (0,703125, 0,703125, 5,0) (x, y, z). Necesitamos 
ajustar el espaciado del eje z a 1 mm 
, por lo que necesitamos para calcular primero el tamaño de los datos 3D reales: (75*5, 512*0,703125, 512*0,706125) = (375, 360, 360) mm El espaciado de los ejes x, 
y y z se ajusta a 1 mm, que es, el tamaño de datos 3D actual = (375 / 1, 360 / 1, 360 / 1) = (375, 360, 360) En otras palabras, 

el espaciado es (0.703125, 0.703125, 5.0) y el tamaño de datos 3D leídos es (75, 512,512). 
Cuando el espaciado es (1, 1, 1), lea El tamaño de los datos 3D es (375, 360, 360) 

y el tamaño de los datos 3D reales permanece sin cambios, que es (375, 360 , 360) mm 

Si reducimos la resolución de los datos 3D leídos, por ejemplo, después de la reducción de resolución El tamaño es (375, 256, 256) 
, entonces el espaciado debe ser (375 / 375, 360 / 256, 360 / 256) a (1.40625 , 1.40625, 1) Lo 

anterior está en el nivel de cálculo, y no tenemos nivel de código. Es muy engorroso: 

remuestreamos y remuestreamos los datos 3D, y solo necesitamos una oración para completarlo. Supongamos que 

el tamaño (no el tamaño real) de la imagen de entrada ct es (75, 512, 512), y el espaciado es (0.703125, 0.703125, 5.0) que necesita 
que desea Ajuste el espaciado del eje z a 1 mm y reduzca la resolución de la imagen a 256 * 256
Necesita,
1. Obtenga el espaciado de ct, ÷ el espaciado que desee, ct.GetSpaing()[-1] / 1 
2. Obtenga la tasa de reducción de muestreo, down_scale = 512 / 256 
ejecute 
ct_array = ndimage.zoom(ct_array, (ct.GetSpaing ()[-1] / 1, down_scale, down_scale)) 
ejecute el tamaño de la oración anterior 
se convertirá en (75 * 5 / 1, 256, 256) = (375, 256, 256) 
en este momento el tamaño es el que desea Sí , y el espaciado del eje z se ha convertido en 1 mm, el espaciado es (375/375, 360/256,360/256) = (1,40625, 1,40625, 1) A continuación, realizará otras 


operaciones de preprocesamiento en la imagen, como cortar , etc. Espera a 
new_ct_array = slice (ct_array) 
new_ct = sitk.GetArrayFromImage(new_ct_array) 
Ejecuta sitk.GetArrayFromImage, tu espaciado será predeterminado a (1,1,1) (no sé por qué todavía), 

por lo que el agotamiento de new_ct debe establecerse en ( 1.40625, 1.40625, 1) 
new_ct.SetSpacing((1.40625, 1.40625, 1))

Esto completa el preprocesamiento

El código de preprocesamiento del desafío lits se adjunta a continuación para ayudar a comprender

"""
获取可用于训练网络的训练数据集
需要四十分钟左右,产生的训练数据大小3G左右
"""

import os
import sys
sys.path.append(os.path.split(sys.path[0])[0])
import shutil
from time import time
import numpy as np
from tqdm import tqdm
import SimpleITK as sitk
import scipy.ndimage as ndimage

import lits_para as para


if os.path.exists(para.training_set_path):
    shutil.rmtree(para.training_set_path)



new_ct_path = os.path.join(para.training_set_path, 'imgae')
new_seg_dir = os.path.join(para.training_set_path, 'label')

# os.mkdir(para.training_set_path)
# os.mkdir(new_ct_path)
# os.mkdir(new_seg_dir)



start = time()
os.listdir()
patients = os.listdir(para.train_ct_path)
patients.sort(key=lambda x:int(x.split('.')[0].split('-')[-1]))
for i in tqdm(range(len(patients))):

    # 将CT和金标准入读内存
    ct = sitk.ReadImage(os.path.join(para.train_ct_path, patients[i]), sitk.sitkInt16)
    ct_array = sitk.GetArrayFromImage(ct)

    seg = sitk.ReadImage(os.path.join(para.train_seg_path, patients[i].replace('volume', 'segmentation')), sitk.sitkUInt8)
    seg_array = sitk.GetArrayFromImage(seg)

    # 将金标准中肝脏和肝肿瘤的标签融合为一个
    seg_array[seg_array > 0] = 1

    # 将灰度值在阈值之外的截断掉
    # print(ct_array.max())
    # print(ct_array.min())
    # ct_array[ct_array > para.upper] = para.upper
    # ct_array[ct_array < para.lower] = para.lower

    # 对CT数据在横断面上进行降采样,并进行重采样,将所有数据的z轴的spacing调整到1mm
    print(ct.GetSpacing())
    # ct(0.703125, 0.703125, 5.0)
    print(ct.GetSpacing()[-1] / para.slice_thickness, para.down_scale, para.down_scale)
    # 5.0 0.5 0.5
    ct_array = ndimage.zoom(ct_array, (ct.GetSpacing()[-1] / para.slice_thickness, para.down_scale, para.down_scale), order=3)
    seg_array = ndimage.zoom(seg_array, (ct.GetSpacing()[-1] / para.slice_thickness, para.down_scale, para.down_scale), order=0)
    # ct_array size从(75,512,512)->(375,256,256)
    


    # 其他操作
    # 找到肝脏区域开始和结束的slice，并各向外扩张slice
    z = np.any(seg_array, axis=(1, 2))
    start_slice, end_slice = np.where(z)[0][[0, -1]]

    # 两个方向上各扩张slice
    start_slice = max(0, start_slice - para.expand_slice)
    end_slice = min(seg_array.shape[0] - 1, end_slice + para.expand_slice)

    # 如果这时候剩下的slice数量不足size，直接放弃该数据，这样的数据很少,所以不用担心
    if end_slice - start_slice + 1 < para.size:
        print('!!!!!!!!!!!!!!!!')
        print(patients[i], 'have too little slice', ct_array.shape[0])
        print('!!!!!!!!!!!!!!!!')
        continue

    ct_array = ct_array[start_slice:end_slice + 1, :, :]
    seg_array = seg_array[start_slice:end_slice + 1, :, :]

    # 最终将数据保存为nii.gz
    new_ct = sitk.GetImageFromArray(ct_array)

    new_ct.SetDirection(ct.GetDirection())
    new_ct.SetOrigin(ct.GetOrigin())
    print((ct.GetSpacing()[0] * int(1 / para.down_scale), ct.GetSpacing()[1] * int(1 / para.down_scale), para.slice_thickness))
    # (1.40625, 1.40625, 1)
    # 最后调整好spacing
    new_ct.SetSpacing((ct.GetSpacing()[0] * int(1 / para.down_scale), ct.GetSpacing()[1] * int(1 / para.down_scale), para.slice_thickness))

    new_seg = sitk.GetImageFromArray(seg_array)

    new_seg.SetDirection(ct.GetDirection())
    new_seg.SetOrigin(ct.GetOrigin())
    new_seg.SetSpacing((ct.GetSpacing()[0], ct.GetSpacing()[1], para.slice_thickness))

    sitk.WriteImage(new_ct, os.path.join(new_ct_path, 'volume-' + str(i) + '.nii.gz'))
    sitk.WriteImage(new_seg, os.path.join(new_seg_dir, 'segmentation-' + str(i) + '.nii.gz'))