1、resampleSize
这个重采样不是重采样Spacing ，却是重采样size，为了达到所有的数据一致的size
例如：(880, 880, 12) 采样统一的（880，880，16）
因为假如3DUnet网络数据设置了输入格式为(N, C, 16, xxx,xxx), 可以把每个数据的size都重采样(16,xxx,xxx)，然后输入网络。
如果直接设置Size 为(16,xxx,xxx),多余的层SimpleITK会用0来填充，达不到真正的采样。所以通过上面对Spacing采样进行反操作
1 """
2 统一Size
3 X轴和Y轴的Size和Spacing没有变化，
4 Z轴的Size和Spacing有变化
5 """
6 def resampleSize(sitkImage, depth):
7 #重采样函数
8 euler3d = sitk.Euler3DTransform()
9
10 xsize, ysize, zsize = sitkImage.GetSize()
11 xspacing, yspacing, zspacing = sitkImage.GetSpacing()
12 new_spacing_z = zspacing/(depth/float(zsize))
13
14 origin = sitkImage.GetOrigin()
15 direction = sitkImage.GetDirection()
16 #根据新的spacing 计算新的size
17 newsize = (xsize,ysize,int(zsize*zspacing/new_spacing_z))
18 newspace = (xspacing, yspacing, new_spacing_z)
19 sitkImage = sitk.Resample(sitkImage,newsize,euler3d,sitk.sitkNearestNeighbor,origin,newspace,direction)
20 return sitkImage
21
22 DEPTH = 16 #需要重采样Size的层数
23
24 #读取nifit原数据 ，size为：(880, 880, 12)
25 NifitmPath = 'work/data/nifit/Case14.nii.gz'
26 sitkImage = sitk.ReadImage(NifitmPath)
27 print("重采样前的信息")
28 print("尺寸：{}".format(sitkImage.GetSize()))
29 print("体素大小(x,y,z):{}".format(sitkImage.GetSpacing()) )
30
31 print('='*30+'我是分割线'+'='*30)
32
33
34 newsitkImage = resampleSize(sitkImage, depth=DEPTH)
35 print("重采样后的信息")
36 print("尺寸：{}".format(newsitkImage.GetSize()))
37 print("体素大小(x,y,z):{}".format(newsitkImage.GetSpacing()) )
1 重采样前的信息
2 尺寸：(880, 880, 12)
3 体素大小(x,y,z):(0.3448275923728943, 0.3448275923728943, 5.499998092651367)
4 ==============================我是分割线==============================
5 重采样后的信息
6 尺寸：(880, 880, 16)
7 体素大小(x,y,z):(0.3448275923728943, 0.3448275923728943, 4.124998569488525)
2、CT图像预处理之重采样
按照指定spacing 重采样数据的缺点就是一般无法重采样到指定尺寸。实际应用中经常遇到需要指定尺寸图像的情况。
1 def Resampling(img,lable = False):
2 original_size = img.GetSize() #获取图像原始尺寸
3 original_spacing = img.GetSpacing() #获取图像原始分辨率
4 new_spacing = [1, 1, 1] #设置图像新的分辨率为1*1*1
5
6 new_size = [int(round(original_size[0] * (original_spacing[0] /1))),
7 int(round(original_size[1] * (original_spacing[1] / 1))),
8 int(round(original_size[2] * (original_spacing[2] / 1)))] #计算图像在新的分辨率下尺寸大小
9 resampleSliceFilter = sitk.ResampleImageFilter() #初始化
10 if lable == False:
11 Resampleimage = resampleSliceFilter.Execute(img, new_size, sitk.Transform(), sitk.sitkBSpline,
12 img.GetOrigin(), new_spacing, img.GetDirection(), 0,
13 img.GetPixelIDValue())
14 ResampleimageArray = sitk.GetArrayFromImage(Resampleimage)
15 ResampleimageArray[ResampleimageArray < 0] = 0 #将图中小于0的元素置为0
16 else:# for label, should use sitk.sitkLinear to make sure the original and resampled label are the same!!!
17 Resampleimage = resampleSliceFilter.Execute(img, new_size, sitk.Transform(), sitk.sitkLinear,
18 img.GetOrigin(), new_spacing, img.GetDirection(), 0,
19 img.GetPixelIDValue())
20 ResampleimageArray = sitk.GetArrayFromImage(Resampleimage)
3、SKIMAGE.TRANSFORM-两种缩放皆可
1 # 1、按目标大小缩放resize
2 skimage.transform.resize(image, output_shape, order=1, mode='reflect', cval=0, clip=True, preserve_range=False, anti_aliasing=True, anti_aliasing_sigma=None)
3 # 2、按缩放因子缩放rescale
4 skimage.transform.rescale(image, scale, order=1, mode='reflect', cval=0, clip=True, preserve_range=False, multichannel=False, anti_aliasing=True, anti_aliasing_sigma=None)
5
6 # The order of interpolation. The order has to be in the range 0-5:
7 # 0: Nearest-neighbor
8 # 1: Bi-linear (default)
9 # 2: Bi-quadratic
10 # 3: Bi-cubic
11 # 4: Bi-quartic
12 # 5: Bi-quintic
4、Python SimpleItk库的医学图像重采样（resample）实现代码
需求：已有配准好的CT以及PET图像，而金标准label是在CT上勾画的，因此有一些简单的需求，一种是把PET图像重采样到与CT图像一样的大小（比如从192×192×371到512×512×484），或者把金标准Mask降到同PET的大小（即反过来）。
怎么找的方法：ITK-SNAP（3.8版本）的读图功能是支持不同大小、spacing、origin、direction的图像一起展示的，软件会相当于resample后续加入的图像； 因此，已知ITK存在解决的方法了，剩下就是找对应代码。
1 import SimpleITK as sitk
2
3 def resize_image_itk(ori_img, target_img, resamplemethod=sitk.sitkNearestNeighbor):
4 """
5 用itk方法将原始图像resample到与目标图像一致
6 :param ori_img: 原始需要对齐的itk图像
7 :param target_img: 要对齐的目标itk图像
8 :param resamplemethod: itk插值方法: sitk.sitkLinear-线性 sitk.sitkNearestNeighbor-最近邻
9 :return:img_res_itk: 重采样好的itk图像
10 使用示范：
11 import SimpleITK as sitk
12 target_img = sitk.ReadImage(target_img_file)
13 ori_img = sitk.ReadImage(ori_img_file)
14 img_r = resize_image_itk(ori_img, target_img, resamplemethod=sitk.sitkLinear)
15 """
16 target_Size = target_img.GetSize() # 目标图像大小 [x,y,z]
17 target_Spacing = target_img.GetSpacing() # 目标的体素块尺寸 [x,y,z]
18 target_origin = target_img.GetOrigin() # 目标的起点 [x,y,z]
19 target_direction = target_img.GetDirection() # 目标的方向 [冠,矢,横]=[z,y,x]
20
21 # itk的方法进行resample
22 resampler = sitk.ResampleImageFilter()
23 resampler.SetReferenceImage(ori_img) # 需要重新采样的目标图像
24 # 设置目标图像的信息
25 resampler.SetSize(target_Size) # 目标图像大小
26 resampler.SetOutputOrigin(target_origin)
27 resampler.SetOutputDirection(target_direction)
28 resampler.SetOutputSpacing(target_Spacing)
29 # 根据需要重采样图像的情况设置不同的dype
30 if resamplemethod == sitk.sitkNearestNeighbor:
31 resampler.SetOutputPixelType(sitk.sitkUInt8) # 近邻插值用于mask的，保存uint8
32 else:
33 resampler.SetOutputPixelType(sitk.sitkFloat32) # 线性插值用于PET/CT/MRI之类的，保存float32
34 resampler.SetTransform(sitk.Transform(3, sitk.sitkIdentity))
35 resampler.SetInterpolator(resamplemethod)
36 itk_img_resampled = resampler.Execute(ori_img) # 得到重新采样后的图像
37 return itk_img_resampled
5、使用SimpleITK对volume文件进行插值处理
在进行dicom文件分析时，往往会对其进行插值或者重采样处理，可以使用SimpleITK轻松完成。
1 import SimpleITK as sitk
2
3 def getDicomSeriesVolumeImage(folderPath):
4 '''
5 读取dicom序列文件
6 :para folderPath:dicom文件夹
7 :return volumeImage:volume
8 '''
9 reader = sitk.ImageSeriesReader()
10 dicomNames = reader.GetGDCMSeriesFileNames(folderPath)
11 reader.SetFileNames(dicomNames)
12 volumeImage = reader.Execute()
13
14 return volumeImage
15
16 def interpolate(volumeImage, newSpacing):
17 '''
18 插值处理
19 :para volumeImage:volume格式
20 :para newSpaceing:想要插值或者重采样处理后得到的三个物理间隔，格式为列表
21 :return newVolumeImage:插值处理后的到的volume文件
22 '''
23 resampleFilter = sitk.ResampleImageFilter()
24 resampleFilter.SetInterpolator(sitk.sitkLinear) ##此处为线性插值，其他插值方式可以去官网查询
25 resampleFilter.SetOutputDirection(volumeImage.GetDirection())
26 resampleFilter.SetOutputOrigin(volumeImage.GetOrigin())
27
28 newSpacing = np.array(newSpacing, float)
29 newSize = volumeImage.GetSize() / newSpacing * volumeImage.GetSpacing()
30 newSize = newSize.astype(np.int)
31
32 resampleFilter.SetSize(newSize.tolist())
33 resampleFilter.SetOutputSpacing(newSpacing)
34 newVolumeImage = resampleFilter.Execute(volumeImage)
35
36 return newVolumeImage
6、医学影像重采样
1. 重采样
在医学图像预处理的过程中，常常需要对数据进行重采样，采样到我们需要的尺度。因为医学图像是和真实空间的物理尺寸相对应的。例如一个体素的大小是0.97mm 0.97mm 2.5mm，我们想将体素块的大小采样到1mm 1mm 1mm，这样可以帮助我们进行下一步处理。利用 sitk 可以完成这一项工作。
2. 代码
1 import SimpleITK as sitk
2 """
3 resample
4 """
5
6 def resampleVolume(outspacing,vol):
7 """
8 将体数据重采样的指定的spacing大小\n
9 paras：
10 outpacing：指定的spacing，例如[1,1,1]
11 vol：sitk读取的image信息，这里是体数据\n
12 return：重采样后的数据
13 """
14 outsize = [0,0,0]
15 inputspacing = 0
16 inputsize = 0
17 inputorigin = [0,0,0]
18 inputdir = [0,0,0]
19
20 #读取文件的size和spacing信息
21
22 inputsize = vol.GetSize()
23 inputspacing = vol.GetSpacing()
24
25 transform = sitk.Transform()
26 transform.SetIdentity()
27 #计算改变spacing后的size，用物理尺寸/体素的大小
28 outsize[0] = int(inputsize[0]*inputspacing[0]/outspacing[0] + 0.5)
29 outsize[1] = int(inputsize[1]*inputspacing[1]/outspacing[1] + 0.5)
30 outsize[2] = int(inputsize[2]*inputspacing[2]/outspacing[2] + 0.5)
31
32 #设定重采样的一些参数
33 resampler = sitk.ResampleImageFilter()
34 resampler.SetTransform(transform)
35 resampler.SetInterpolator(sitk.sitkLinear)
36 resampler.SetOutputOrigin(vol.GetOrigin())
37 resampler.SetOutputSpacing(outspacing)
38 resampler.SetOutputDirection(vol.GetDirection())
39 resampler.SetSize(outsize)
40 newvol = resampler.Execute(vol)
41 return newvol
42
43 def main():
44 #读文件
45 vol = sitk.Image(sitk.ReadImage("input.mha"))
46
47 #重采样
48 newvol = resampleVolume([1,1,1],vol)
49
50 #写文件
51 wriiter = sitk.ImageFileWriter()
52 wriiter.SetFileName("output.mha")
53 wriiter.Execute(newvol)
