医学影像中的重采样

图片分辨率¶

通常所说的“图片分辨率”（image resolution）是指像素个数，通常表达为横向多少个像素纵向多少像素。比如200300，通常表示横向200个像素、纵向300个像素的图片

像素间距/体素间距¶

“像素间距”（Pixel Spacing）是指两个像素之间的距离，定义了图像像素的物理大小。比如定义像素间距1mm，也就意味着图片中的两个像素的实际物理间距是1mm，这样有了像素个数就可以计算出实际物体的尺寸。对应的，当图像从2D拓展到3D，普通自然图像拓展为医学图像时，“像素” 对应的拓展为“体素”，而“像素间距”（Pexel Spacing）会对应拓展成“体素间距”（Voxel Spacing）。知道了体素数和体素间距，也就可以计算出一个医学图像对应的实际物理尺寸了。

重采样¶

与自然图像不同的是，在医学图像中，扫描部位的真实大小（成像大小）是非常重要的信息，因此在医学图像中体素个数（resolution）和体素间距（spacing）是两个非常重要的指标。

成像大小 = spacing * resolution

需要注意的是，由于扫描设备的不同，扫描出来的医学图像通常具有不同的体素间距，而对于CNN无法理解体素间距，因此在处理医学图像的时候我们需要将所有数据的spacing重采样到一致，这样resolution就可以反映成像大小了。

#对图像重采样到spacing=1.5mm×1.5mm×5.0m
spacing = Spacingd(keys=["image", "label"], pixdim=(1.5, 1.5, 5.0), mode=("bilinear", "nearest"))

将spacing重采样到一致之后，图像中体素的个数（即图像的分辨率）却不一定相同。而对于神经网络是需要输入固定大小分辨率的数据，所以通常在训练的时候是用一个固定大小的patch从图像中裁剪采样。至于如何裁剪，随机裁剪、滑动窗口遍历等都可以

#patch的size为(192×192×16)
RandCropByPosNegLabeld(keys, label_key=keys[1], spatial_size=(192, 192, 16), num_samples=3),

需要注意的是，重采样时增大spacing，采样间隔变大会导致resolution变小，即一个patch中的细节信息会减小，好处是视野更大可以获取更多的上下文信息。减小spacing则会反过来，因此针对不同的数据和任务要对spacing进行权衡。

医学影像中的重采样

图片分辨率¶

像素间距/体素间距¶

重采样¶

评论