医学图像识别 | lnk-k 的博客

How_to_registrate

如何具体实现registration 0. 心得一开始其实根本没理解配准是具体需要做什么，只是一味的vibe coding，什么重采样，刚性配准什么的，最后生成出来的图像全是噪声，第二周感觉把这些放一起就没问题了，结果惊奇的发现人体直接错位了，锁骨来到了人体的中间地方，经过重新认真严谨思考，才意识到配准的真正含义，接下来是对具体配准过程的学习笔记。完整代码见 GitHub：registration-scripts 1. 任务目标当前任务是多期相 CT 图像配准。对于同一个病例，可能存在多个期相或序列，例如：平扫期动脉期门静脉期延迟期 std5mm lung5mm 这些序列的原始 DICOM 可能存在：切片数量不同扫描起始位置不同 spacing 不同 origin 不同扫描范围不同呼吸状态导致器官位置轻微变化因此，不能直接认为不同期相中相同编号的 DICOM 切片对应同一个身体位置。当前目标是：以一个期相作为 fixed image，将其他期相作为 moving image，通过配准和重采样，使不同期相在统一空间中具有一一对应的切片关系。最终输出为 nnU-Net 多通道输入格式。 2. 大体流程当前采用的整体流程为：读取同一病例下的 DICOM 文件；根据 SeriesInstanceUID 区分不同序列；排除 localizer、scout、切片数过少、不同部位的序列；选择一个序列作为 fixed image；其他序列作为 moving image；对 moving image 进行配准；将 moving image 重采样到 fixed image 的空间；根据共同有效扫描范围进行统一裁剪；检查同编号切片是否对应同一部位；保存为 nnU-Net 多通道 NIfTI 格式。简化表示为： fixed image ↓ 提供统一空间标准 moving image ↓ 配准到 fixed image ↓ 重采样到 fixed image 空间

#期相配准 #DICOM #nnU-Net

阅读全文 »

Registration

分类于医学图像识别

医学图像配准学习笔记这周继续研究期相配准。。 1.图像配准定义根据笔者粗浅的理解，配准就是通过空间变换将 moving image 变换到fixed image上，使两个图像上中的公共点一一对应。目前我的任务就是将同一个病例中不同 DICOM 序列的图像统一到同一个空间坐标系中，使它们具有一致的： spacing：体素间距 origin：原点坐标 direction：方向矩阵 size：图像尺寸最终目标是让不同序列可以作为 nnU-Net 的多通道输入，因为这些通道必须在空间上对应，否则模型学到的多序列信息就会错位。 2.图像配准应用场景这一部分就不必多言，因为笔者本身做的项目也就只和图像识别有关。 3. 当前任务的配准类型定位虽然图像配准有很多分类方式，例如按模态、对象、变换类型等分类，但对当前任务来说，不需要展开全部分类。当前任务已经比较明确：应用领域：医学图像配准图像类型：CT 图像配准对象：同一病例内部不同期相配准类型：多期相 CT 配准图像维度：3D 到 3D 配准目标用途：统一不同期相图像空间，使其适配 nnU-Net 多通道输入因此，当前任务可以概括为：同一病例多期相 CT 图像之间的 3D 医学图像配准。在这个任务中，重点不是讨论各种配准分类，而是解决以下问题：如何选择 fixed image 和 moving image；如何让不同期相的图像在空间上对齐；如何保证配准后同编号切片对应同一解剖位置；如何处理不同期相扫描范围不一致的问题；如何将处理结果转换为 nnU-Net 可用的多通道输入格式。从方法选择上看，当前任务主要关注：重采样 Resampling 刚性配准 Rigid Registration 仿射配准 Affine Registration 必要时考虑非刚性配准 Deformable Registration 其中，当前阶段优先考虑：刚性配准 + 重采样 + 共同有效区域裁剪原因是刚性配准可以校正不同期相之间的整体平移和旋转，同时不会改变器官和病灶的真实形态。对于医学图像分割前处理来说，这种方法相对稳定、安全，也更适合作为批量化处理流程的基础。如果刚性配准后仍然存在整体尺度差异，可以进一步尝试仿射配准；如果存在明显局部形变，再谨慎考虑非刚性配准。 4.图像配准过程 4.1 配准中的核心概念 4.1.1 Fixed Image fixed image 是基准图像，提供统一的空间标准，包括： spacing origin

#期相配准

阅读全文 »