Python库使用介绍 LivermorE AI Projector for Computed Tomography LEAP

前言

github开源代码
python API文档

作为一个纯计算机背景的小白，关于CT的相关工具，专业课是一点没有呀，好不容易找到一个库，网上居然一个教程都没有。所以自己写一个简易的快速上手的教程，希望能帮到同样使用这个库的人。

LEAP这个库的好处在于，它利用pytorch.autograd进行实现，也就是他的输入和输出都是tensor，这实际上十分便于神经网络过程中添加一些这样的投影计算，也可以用来计算loss，真的非常棒。

库的安装大家可以查看开源代码，或许过几天我会写一个安装教程也说不定。

Projector 用于设定投影参数的类

from LEAP_torch import Projector
proj = Projector(forward_project=True, 
                     use_static=False, 
                     use_gpu=False, 
                     gpu_device=None, 
                     batch_size=1)
proj.load_param('...')

参数解释：

• forward_project=None
  用于设定该投影类的forward函数是执行前向还是逆向过程。
  

def forward(self, input, project_mode="forward"):
        if self.forward_project is not None:
            if self.forward_project:
                if self.use_gpu:
                    return ProjectorFunctionGPU.apply(input, self.proj_data, self.vol_data, self.param_id_t)
                else:
                    return ProjectorFunctionCPU.apply(input, self.proj_data, self.vol_data, self.param_id_t)
            else:
                if self.use_gpu:
                    return BackProjectorFunctionGPU.apply(input, self.proj_data, self.vol_data, self.param_id_t)
                else:
                    return BackProjectorFunctionCPU.apply(input, self.proj_data, self.vol_data, self.param_id_t)
        else:
            if project_mode=="forward":
                if self.use_gpu:
                    return ProjectorFunctionGPU.apply(input, self.proj_data, self.vol_data, self.param_id_t)
                else:
                    return ProjectorFunctionCPU.apply(input, self.proj_data, self.vol_data, self.param_id_t)
            elif project_mode=="backward":
                if self.use_gpu:
                    return BackProjectorFunctionGPU.apply(input, self.proj_data, self.vol_data, self.param_id_t)
                else:
                    return BackProjectorFunctionCPU.apply(input, self.proj_data, self.vol_data, self.param_id_t)

如果填写默认的None，并且在forward中不修改project_mode，即如果你什么都不做，那么默认为前向。

• use_static=False
  官网并没有查到相关的说明，但是通过查其c++源码，可以发现，应该是用于确定XYZ顺序的，因为在C++源码里发现了设定volumeDimensionOrder变量。

• use_gpu=False

• gpu_device=None

字面意思，后面的gpu_device设置为数字即可，因为在实现过程中，是采用的将volume.to(deivce)这样的pytorch的实现方式。

• batch_size=1

其它功能

load_param(str filepath)

这实际上是一个非常有用的函数，可以一次性解决很多问题，而不需要专门的调用设置不同光的函数这里我们以DOLCE这篇论文中的cfg设置为例，解析每个参数的含义这篇论文好是好，居然没有训练的脚本 。

img_dimx = 512
img_dimy = 512
img_dimz = 1
img_pwidth = 0.8
img_pheight = 0.8
img_offsetx = 0
img_offsety = 0
img_offsetz = 0
proj_geometry = parallel
proj_arange = 60
proj_nangles =240
proj_nrows = 1
proj_ncols = 512
proj_pheight = 0.8
proj_pwidth = 0.8
proj_crow = 0
proj_ccol = 255.5
proj_phis = 
proj_sod = 0
proj_sdd = 0

下面我们进行参数解释：

• img_dimx 图像长度
• img_dimy 图像宽度
• img_dimz 图像channel
• img_pwidth volume的x，y轴体素间距
• img_pheight volume的z轴体素间距
• img_offsetx volume的x轴体素偏移，单位为毫米（mm）
• img_offsety volume的y轴体素偏移，单位为毫米（mm）
• img_offsetz volume的z轴体素偏移，单位为毫米（mm）
• proj_geometry 决定投影射线类型，是锥束光线(cone)还是平行光线(parallel)
• proj_arange 设定角度的取值范围，如图为[0,60]度
• proj_nrows 设定投影角度的数目
• proj_nrows x射线探测器的行数
• proj_ncols x射线探测器的列数
• proj_pheight 探测器柱行之间的探测器像素间距(即像素大小)，单位为mm
• proj_pwidth 探测器柱列之间的探测器像素间距(即像素大小)，单位为mm
• proj_crow 探测器像素行索引，用于从光源经过原点到达探测器的光线（没看懂）
• proj_ccol 探测器的像素列索引为从光源经过原点到达探测器的光线(没看懂)
• proj_phis 如果有设定，则按照设定的角度直接作为角度的取值，类型为str，例如"10,20,30"，用逗号隔开
• proj_sod 放射源到物体距离，单位:mm;这也可以看作是放射源到物体的旋转中心的距离
• proj_sdd 放射源到探测器的距离，单位为mm

forward(ipt, project_mode=“forward”)

用于进行投影的函数，可以直接对Projector调用，用法可以将Projector当作一个神经网络的感觉。

# 这是一个样例
pObj = Projector(...)

ct= torch.tensor(size=(1,1,512,512)) # 一般一个CT的Slice切片尺寸是这个样子
sino = pObj(ct, project_mode="forward") # 根据前文的cfg，尺寸为(1,240,1,512)
# 分别为(BatchSize,nAngels,channel,ImgSize)
backsino = pObj(sino, project_mode="backward") # (1,1,512,512)

下面给出几个样例图片，其中图一是sino（由Projector产生），图二是backsino，图三是FBP产生的图像，图四为原图ct。

其中需要说明，sino的这个图是调整nangle=512=img_size，并且交换维度产生的。

样例代码

import matplotlib.pyplot as plt
from guided_diffusion.image_datasets import dataset2run
from dataFidelities.CTClass import set_CTClass
from guided_diffusion import logger
data = dataset2run(
        data_dir="./dataset/CKC/",
        batch_size=1,
        image_size=512,
        angle_range=90,
        deterministic=True
    )
dObj = set_CTClass('cpu', 'cuda:1', use_cuda=False, 
                       batch_size=1, use_static=False,
                       param_fn="./config/param_parallel512_la90.cfg", rank=1, logger=logger)
for i, j in data.load_data():
    plt.imsave('ts.png',i.squeeze(0).squeeze(0),cmap='gray')
    plt.imsave('fbp.png',j['condition_fbp'].squeeze(0).squeeze(0),cmap='gray')
    tt = dObj.fmult(i)
    img = dObj.projector(tt, project_mode='backward')
    tt = tt.permute(0, 2, 1, 3)
    print(tt.shape)
    print(img.shape)
    plt.imsave('sino.png',tt.squeeze(0).squeeze(0),cmap='gray')
    plt.imsave('rec.png',img.squeeze(0).squeeze(0),cmap='gray')
    break

后记

其它的功能我用到再说吧。可能写的leap版本不一样，这里的leap是DOLCE里面实现的fork版本。