CT图像预处理之重采样

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。

sci