主题：**“发现CT切片配准错位，补SimpleITK刚性变换才对齐解剖结构”**

最新推荐文章于 2025-12-10 13:50:41 发布
原创 最新推荐文章于 2025-12-10 13:50:41 发布 · 162 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

📝 博客主页：jaxzheng的优快云主页

目录

当医疗数据撞上AI：一个社畜程序员的血泪史

医生和AI模型对坐喝茶的插画

今天被甲方爸爸追着骂了半小时，只因为我在健康数据报告里把"死亡率下降30%"写成了"死亡率上升300%"——别问我怎么算的，问就是昨晚熬夜写代码时把咖啡当水喝了。不过说真的，医疗数据科学这行比我的Excel表格还容易出错，咱们今天就聊聊这个"能救命也能送命"的领域。

一、数据孤岛：医院系统的"方言问题"

被分割成碎片的岛屿插画

上周去某三甲医院调研，发现他们的系统能玩出花来：CT室用A厂商的PACS系统，检验科用B厂商的LIS系统，连护士站的叫号系统都是20年前开发的。我问医生能不能调取患者历史记录，他翻了个白眼："你看他上次在皮肤科拍的CT，像看外星人的X光片。"

这让我想起前阵子的爆款新闻：某AI诊断系统在肺癌筛查准确率99%，但上线后发现它死活读不懂医院的电子病历格式。原来医院为了防止被AI取代，专门给病历加了"人类专属加密"——手写体+涂改液+咖啡渍三件套。

二、AI诊断：当算法开始学医

# 伪代码：AI诊断核心逻辑（含bug）
def ai_diagnose(symptoms):
    if "头痛" in symptoms and "发烧" in symptoms:
        return "流感"
    elif "头痛" in symptoms and "呕吐" in symptoms:
        return "脑瘤"  # 这个判断逻辑有问题，真实场景需要更多特征
    else:
        return "建议做全面检查"

百时美施贵宝那个AI写临床试验文档的故事让我笑出声——科学家查文献要翻500篇，现在AI直接把文献结论和试剂信息做成"学术外卖"。不过话说回来，我司的AI昨天误把"阿司匹林"识别成"阿司匹林糖衣片"，差点让研发团队多做了三个月无效实验。

最绝的是梅奥诊所那个50PB数据检索系统，据说现在能同时分析中文病历和德文文献。但当我问起如何处理"中医舌诊图片"时，工程师突然沉默了——原来AI看了10万张舌头照片，最后只能总结出"红色=上火，白色=感冒"这种玄学结论。

三、数据安全：比防黑客更难的防医生

上周参加医疗数据大会，听到个震撼的消息：某家医院的电子病历系统被黑了，但真正麻烦的不是黑客，是院内医生。原来某位主任偷偷导出了10万份病历数据，说是要做"学术研究"，结果被AI审计系统发现——因为这些数据访问记录显示访问时间全是凌晨3点。

这让我想起霄云科技那个获奖案例。他们给某医院升级存储系统时，发现老系统居然用Excel管理TB级影像数据。更离谱的是，放射科主任坚持要保留纸质胶片存档，理由是："万一服务器被雷劈了呢？总得有个备份。"

四、冷知识与冷笑话

你知道医疗数据最像什么吗？像火锅店的鸳鸯锅！一边是结构化数据（清汤锅），一边是非结构化数据（麻辣锅），中间还要架个"数据桥梁"（味碟）。

为什么AI做疾病预测总喜欢用树模型？因为...因为...啊不对，我突然忘了。算了，记住这个：医疗数据清洗就像洗碗，洗不干净会爆炸（指医疗事故）。而数据科学家最怕的不是bug，是医生说"这个结论看着不对，但又说不上哪不对"。

五、未来展望：当数据开始反向驯服人类

最后说个冷门但超酷的趋势：某AI公司正在训练"医疗数据侦探"，专门破解医院的"人类黑话"。比如把"患者主诉"里的"最近感觉不太舒服"翻译成"连续三天高烧39度+腹泻"，把"疗效显著"转化为"肿瘤缩小40%+疼痛指数下降"。

虽然我现在还在为那场"死亡率乌龙"加班改报告，但转念一想——至少AI不会在咖啡因作用下把"下降"写成"上升"吧？（等等...这个AI会不会反过来教我怎么少喝点咖啡？）

附录：那些年我们踩过的坑

  • 把"GB"和"TB"搞混，导致服务器扩容预算多了三个零
  • 误信某AI的"99%准确率"，结果发现它的测试集全是同一医院的数据
  • 尝试用NLP解析中医脉象，发现"滑脉"和"涩脉"在语义空间里居然相距0.01米

（突然意识到自己又把2024年写成2025年了...）

点云从入门到精通技术详解100篇-基于 CBCT 与口内扫描数据的牙齿点云配准
getusushu的博客
09-15 1467
口扫生成的三维牙模型只包含牙冠结构，容易受到唾液、食物残留等杂质的干扰。像精度，但其扫描成本较高，在公立医院的普及率较低。此外，口扫探入式的体。完整、精确的牙齿信息，有助于医生更好地进行数字化辅助诊疗，提高手术的预。可以表示上颌骨、下颌骨、牙冠以及牙根的位置和形状，但其扫描分辨率较低，精配准前实现粗略的预配准来确定点云间的初始位置，为精配准提供良好的配准。该算法通过计算点对间的距离确定源点云中的某一点在目标点云中的对应。算两点之间的欧氏距离，运算量较大，而且由于算法只考虑点集间的距离而忽略。
MICCAI‘24 | DINO-Reg：无需训练的多模态可变形医学图像配准的通用图像编码器
小白学视觉
01-07 303
现有的医学图像配准算法依赖于特定数据集的训练或基于局部纹理的特征来对齐图像。前者没有大量模态特定的训练数据集就无法可靠实施，而后者缺乏全局语义，因此容易陷入局部最小值。在本文中，我们提出了一种无需训练的可变形图像配准方法，DINO-Reg，利用通用图像编码器进行图像特征提取。DINOv2编码器是使用包含自然图像的ImageNet数据训练的，但编码器捕获语义信息的能力是可泛化到未见过的领域的。我们提出了一种基于DINOv2编码器的训练无关的深度学习基础的可变形医学图像配准框架。
医学图像跨模态转换：配准方法生成对图 + 扩散模型 + 成对配对方法
Debroon
01-25 7985
2D配对方法（Pix2Pix, DDIM图像模式, DDIM噪声模式）和非配对方法（CUT, SynDiff），发现配对的图像转换方法（有直接对应关系），在将 MRI 转换为 CT 时更为有效。整体来看，这张图为读者提供了一个数据处理流程的概览，从数据收集到最终的模型测试阶段，包括了各个阶段的详细信息和数据处理的决策点。例如，对于视网膜中的特定层面或特征，如视网膜血管和视盘的位置，在两种图像类型之间可能需要精确的局部对齐。：由于眼底图像和OCT图像的空间关系复杂，可能需要在局部进行细微的调整来精确配准。
RegGAN：打破医学图像转换困境 --- 数据未对齐、噪声干扰和未配对图像
Debroon
01-26 2978
比如，我们有一组CT图像和相应的MRI图像，但这些图像由于患者在不同时间被不同设备扫描，因此它们之间存在未对齐的问题。通过在生成器后面加入 配准网络R 来纠正这种未对齐，使得即便是在噪声影响下也能进行有效的图像到图像的转换。这样，无论原始数据的对齐质量如何，RegGAN最终都能产生高质量的、空间上对齐的输出图像。配准网络将学习必要的空间变换，自动调整生成的图像以匹配目标图像，从而克服了未对齐的问题。三、RegGAN 允许输入的图像对，是对齐或者未对齐的。相反，我们将这些未对齐的图像对输入到RegGAN。
《Slice-to-volume medical image registration: A survey》论文阅读
大饼子
07-24 2424
摘要 在过去几十年中，研究界的医学成像目睹了在图像不断进步的配准方法，该按下的状态的最先进的限制和使能的新型医疗过程的发展。一种特殊类型的图像配准问题，称为切片到体积配准，在图像引导手术和体积图像重建等领域发挥了重要作用。。然而，到目前为止，尽管有关于该主题的大量文献，但没有编写任何调查来讨论这一具有挑战性的问题。本文首次对切片到卷的注册文献进行了全面的调查，根据临时分类法对算法进行了分类研究，并...
MATLAB三维重建：头部CT源代码解析与实践
weixin_42504649的博客
07-11 410
htmltable {th, td {th {pre {简介：本项目利用MATLAB编程实现CT图像的三维重建，对医学领域理解人体内部结构具有重要意义。项目中涉及的MATLAB功能包括图像预处理、配准、体素网格构建、图像插值、三维重建算法以及可视化技术，旨在将二维CT切片组合为连续的三维模型。源代码压缩包可能包含脚本、数据文件及用户界面，是深入了解医学图像处理和MATLAB图像重建技术的宝贵资源。
医图论文 Arxiv‘25 | Diff4MMLiTS: 基于扩散图像合成与对齐的先进多模态肝肿瘤分割
小白学视觉
05-24 103
多模态学习已被证明能够通过不同模态数据提供的多样化视角来提升各种临床任务的性能。然而，现有的多模态分割方法依赖于良好配准的多模态数据，这对于现实世界中的临床图像，尤其是肝肿瘤等模糊和弥散区域，是不现实的。本文提出了Diff4MMLiTS，一个四阶段的多模态肝肿瘤分割流程：首先在多模态CT中对目标器官进行预配准；然后对标注模态的掩码进行膨胀，并用于修复以获得无肿瘤的多模态正常CT；接着基于多模态CT特征和随机生成的肿瘤掩码，使用潜在扩散模型合成严格对齐的多模态CT；
NVIDIA Clara平台助力医学影像处理：编程案例与实践探索（下）
AllenLV的博客
01-12 1274
在脑部疾病诊断领域，传统单模态影像诊断面临诸多困境。脑部结构复杂精细，病变类型多样且隐匿，单一模态影像难以全面反映病变信息。例如，在癫痫诊断中，仅依靠结构磁共振成像（MRI）虽能清晰呈现大脑解剖结构，但对于癫痫病灶的功能异常及发作起始区定位却力不从心；同样，功能磁共振成像（fMRI）虽可捕捉脑部神经元活动变化，却无法精准勾勒病灶边界及与周围组织的解剖关系。据统计，约 30% - 40%的脑部疾病患者，因单模态影像诊断信息不足，需经历多次检查、转诊，延误治疗时机。多模态影像融合技术应运而生，成为攻克复杂脑部病
Image Processing and Analysis_15_Image Registration：a survey of image registration techniques——1992...
Alliswell_WP
10-10 3075
此主要讨论图像处理与分析。虽然计算机视觉部分的有些内容比如特 征提取等也可以归结到图像分析中来，但鉴于它们与计算机视觉的紧密联系，以 及它们的出处，没有把它们纳入到图像处理与分析中来。同样，这里面也有一些 也可以划归到计算机视觉中去。这都不重要，只要知道有这么个方法，能为自己 所用，或者从中得到灵感，这就够了。 注意：Registration可翻译为“配准”或“匹配”，一般是图像配准，...
（1）问题背景：CT图像和MRI图像虽然是同一病例的同一侧的膝关节，但却由于拍摄角度和拍摄范围的不同，导致两者切片出的二维图像形态差异较大，不对齐，难以配对。 （2）研究思路：通过将二维切片重建为三维图像，再利用Elastix先刚性配准大致对齐，后非刚性配准微调，达到从三维层面配准对齐的效果，然后将CT和MRI三维图像按需求切片成二维图像即可使用。需要注意的是，二维图像堆叠为三维图像时，务必考虑层间距和像素空间，这三个参数和术前系统重建时的参数是一个东西，可以通过santa软件查看，不同图像序列的重建参数可能是不一样的，一定要用到哪组图像，就去查看那组图像的重建参数，三维nii文件可以通过ITK-SNAP软件查看，这个软件也有配准的功能，但不太好用；此外，CT图像的拍摄范围明显大于MRI，因此可以适当裁剪掉一部分以和MRI对齐
04-16
2. **特征匹配困难**：CT显示骨骼更清晰，MRI突出软组织对比度 3. **非刚性形变**：器官运动或患者体位变化需非刚性配准 #### 二、技术实现流程 ```mermaid graph TD A[数据预处理] --> B[三维重建] B --> C[参数...
import numpy as np import SimpleITK as sitk import tkinter as tk from tkinter import filedialog root = tk.Tk() root.withdraw() fixed_path = filedialog.askdirectory(title="选择固定DICOM序列文件夹") moving_path = filedialog.askdirectory(title="选择移动DICOM序列文件夹") def read_dicom_series(path): reader = sitk.ImageSeriesReader() series_ids = reader.GetGDCMSeriesIDs(path) if not series_ids: raise ValueError(f"在路径 {path} 中未找到DICOM序列") dicom_names = reader.GetGDCMSeriesFileNames(path, series_ids[0]) reader.SetFileNames(dicom_names) return reader.Execute() fixed_image = read_dicom_series(fixed_path) moving_image = read_dicom_series(moving_path) moving_image.SetDirection(fixed_image.GetDirection()) if moving_image.GetPixelID() != fixed_image.GetPixelID(): moving_image = sitk.Cast(moving_image, fixed_image.GetPixelID()) initial_transform = sitk.CenteredTransformInitializer( fixed_image, moving_image, sitk.Euler3DTransform(), sitk.CenteredTransformInitializerFilter.MOMENTS ) resampled_moving = sitk.Resample( moving_image, fixed_image, initial_transform, sitk.sitkLinear, 0.0 ) elastixImageFilter = sitk.ElastixImageFilter() elastixImageFilter.SetFixedImage(fixed_image) elastixImageFilter.SetMovingImage(resampled_moving) def set_common_parameters(param_map): # 图像金字塔：逐层降分辨率处理 param_map["FixedImagePyramid"] = ["FixedShrinkingImagePyramid"] param_map["MovingImagePyramid"] = ["MovingShrinkingImagePyramid"] param_map["ShrinkFactors"] = ["4", "2", "1"] # 每一层下采样倍数 param_map["SmoothingSigmas"] = ["2", "1", "0"] # 高斯平滑标准差（单位：mm） param_map["UseDirectionCosines"] = ["true"] # 保持方向一致性（重要！） # 相似性度量：高级互信息（推荐用于多模态） param_map["Metric"] = ["AdvancedMattesMutualInformation"] param_map["NumberOfHistogramBins"] = ["50"] # 灰度级分桶数，32~64 合理 # 采样设置：三选一 —— Random / Regular / Full param_map["ImageSampler"] = ["Random"] param_map["NumberOfSpatialSamples"] = ["2000"] # 减少以提升稳定性（原5000太大） # param_map["SamplingPercentage"] = ["0.05"] # ❌ 不要和 NumberOfSpatialSamples 同时设！ # 优化器：推荐使用自适应随机梯度下降（适合随机采样） param_map["Optimizer"] = ["AdaptiveStochasticGradientDescent"] param_map["MaximumNumberOfIterations"] = ["500"] # 每层最多迭代次数 param_map["SP_alpha"] = ["50"] # 步长衰减因子 param_map["SP_A"] = ["50"] # 增益调节参数 param_map["SP_a"] = ["0.1"] # 初始步长比例 # 变换模型（根据需求选择） param_map["Transform"] = ["AffineTransform"] # 或 "EulerTransform" 做刚性/仿射 return param_map affine_param = sitk.GetDefaultParameterMap("affine") elastixImageFilter.SetParameterMap(affine_param) elastixImageFilter.Execute() registered_img = elastixImageFilter.GetResultImage() print("开始计算最优 Dice 系数...") def calculate_optimal_dice(fixed_img, registered_img, threshold_range=None): """ 自动寻找使 Dice 系数最大的阈值，并返回最大 Dice 和对应阈值。 参数: fixed_img: 固定图像 (SimpleITK Image) registered_img: 配准后的移动图像 (SimpleITK Image) threshold_range: 遍历的阈值范围，例如 range(10, 200, 5) 如果为 None，则自动基于图像强度设定 返回: best_dice: 最大 Dice 系数 best_threshold: 对应的最佳阈值 all_results: 所有测试阈值和对应的 Dice 值列表 [(th, dice), ...] """ # 转换为 NumPy 数组 fixed_arr = sitk.GetArrayFromImage(fixed_img) reg_arr = sitk.GetArrayFromImage(registered_img) # 自动设定阈值范围（若未提供） if threshold_range is None: min_val = max(np.min(fixed_arr), np.min(reg_arr)) max_val = min(np.max(fixed_arr), np.max(reg_arr)) # 只考虑非背景区域（排除零或极低值） threshold_range = range(int(min_val + 5), int(max_val), 5) all_results = [] best_dice = 0.0 best_threshold = None for th in threshold_range: # 构建二值化 ROI fixed_roi = (fixed_arr > th).astype(np.uint8) reg_roi = (reg_arr > th).astype(np.uint8) intersection = np.sum(fixed_roi & reg_roi) sum_roi = np.sum(fixed_roi) + np.sum(reg_roi) dice = (2.0 * intersection) / sum_roi if sum_roi != 0 else 0.0 all_results.append((th, dice)) if dice > best_dice: best_dice = dice best_threshold = th return best_dice, best_threshold, all_results best_dice, best_threshold, all_results = calculate_optimal_dice(fixed_image, registered_img) print(f"\n✅ 配准精度评估完成：") print(f"最大 Dice 系数: {best_dice:.4f}") print(f"对应最佳阈值: {best_threshold}") sitk.WriteImage(registered_img, r"D:\Desktop\sitk\Hospital\2120928\test4-1013.nii") root.destroy()配准后的图像与固定图像的相同层面的组织器官不对应，例如正确的应该是配准后的图像的第46层应对应固定图像的第28层，24层对应18层
10-17
你描述的问题是：**配准后的图像虽然经过了仿射变换（或弹性配准），但不同层面上的解剖结构在 z 轴方向上没有对齐，比如固定图像第 28 层对应的是移动图像第 46 层，说明存在明显的切片层面错位。** 这说明当前...
【论文速递】2025年第34周(Aug-17-23)(Robotics/Embodied AI/LLM)
淋曦的进击手记
12-07 1728
自我监督的学习有望消除对手动数据注释的需求，从而使模型能够毫不费力地扩展到大规模的数据集和较大的体系结构。通过不针对特定的任务或领域量身定制，这种训练范式有可能使用单个算法从不同的来源学习视觉表示形式，从自然到航空图像。该技术报告介绍了Dinov3，这是通过利用简单而有效的策略来实现这一愿景的主要里程碑。首先，我们利用仔细的数据准备，设计和优化来扩展数据集和模型大小的好处。其次，我们介绍了一种称为GRAM锚定的新方法，该方法有效地解决了长期训练时间表中已知但未解决的密集特征映射降解的问题。
人工智能的基石之三：硬件
最简单的方法，解决最实际的问题。
12-05 730
高性能硬件是人工智能的基石，尤其是在机器学习和深度学习领域，海量数据是常态。从充当计算机大脑的中央处理器 (CPU) 到加速计算的图形处理器 (GPU)，硬件的作用是提供处理和运行复杂数据算法所需的原始能力。
宝马，如何建设一座AI汽车工厂？｜产业AI案例
chanyejiawang的博客
12-08 1109
AI汽车时代来袭
LLM交互工具汇总：Open WebUI、ChatBot-UI、浏览器插件、Studio
lonelymanontheway的博客
12-05 825
Open WebUI、实战、mcpo、ChatBot-UI、实战、轻量级、浏览器插件、Page Assist、ollama-ui、Studio类工具、Cherry Studio、LM Studio、Msty Studio、参考、
【农作物谷物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法
子午的博客
12-05 876
农作物谷物识别系统，基于TensorFlow搭建卷积神经网络算法，通过对11种常见的谷物图片数据集（‘大米’, ‘小米’, ‘燕麦’, ‘玉米渣’, ‘红豆’, ‘绿豆’, ‘花生仁’, ‘荞麦’, ‘黄豆’, ‘黑米’, ‘黑豆’）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。技术栈项目前端使用Html、CSS、BootStrap搭建界面。后端基于Django处理逻辑请求基于Ajax实现前后端数据通信选题背景与意义。
大模型的监督微调基础详解
最新发布
AggressiveYu的博客
12-10 919
在预训练完毕之后，我们的模型已经成为了一个学习完所有知识的学生，但是他缺乏用适当的方式表达知识的能力，还是停留在续写文本的阶段，无法直接回答我们的问题，所以监督微调这个时候就出来了，这个指令微调的作用，就是让模型在预训练的基础上，通过特定的数据和训练，让模型能够更好的回答用户的问题。 预训练一般包括三大要素，网络结构，损失函数，训练数据。指令微调和预训练的方式几乎没有区别，只是训练数据的不同。
创始人IP与AI融合：重构信任与引领变革
ckjrxdn的博客
12-08 231
通过个人品牌的塑造，企业能够增强与用户之间的情感连接，提升认同感。举办此次峰会，是希望帮助更多中小企业家认识到技术趋势与品牌建设的重要性，从而更好地把握未来发展机遇。另一方面，人工智能能够全面提升企业在内容创作、客户转化等环节的效率，助力构建可持续的商业系统。活动汇聚了来自全球的创始人、行业专家及媒体代表，共同探讨在人工智能与个人品牌价值并重的时代背景下，企业如何应对挑战、实现持续发展。本次峰会还设置了多场主题分享与圆桌对话，聚焦人工智能的应用前景与未来商业趋势，为参会者提供了交流与合作的平台。
AI大模型中的MCP协议核心设计原理
猫哥 的沉淀、积累、总结。天天学习，好好向上...c/c++,嵌入式 linux,Android,HarmonyOS，AIOT)
12-07 966
MCP协议是Anthropic提出的标准化AI模型与外部工具交互的通信协议。文章从核心设计、路由机制、安全控制三方面解析MCP：采用JSON-RPC 2.0增强实现，支持多种通信模式；通过动态注册表和智能路由策略实现分布式调度；设计安全沙箱保障执行安全。企业案例显示其延迟<120ms、可用性达99.995%。MCP显著提升工具接入效率，降低40%+资源消耗，推动AI工具生态发展。
二维图像配准中的刚性变换与前置条件对齐方法
本文件标题“用于对齐移动和固定图像的二维变换：刚性变换到前置条件配准”明确指出了该工具的核心功能——实现二维空间中移动图像（moving image）与固定图像（fixed image）之间的精确对齐，尤其聚焦于从简单的...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值