使用SimpleITK对CT图像进行重采样和下采样

CT 重采样是很常见的一种前处理技术。

重采样

基于ITK库进行CT图像重采样，通常有两种主流方式：一是直接使用底层的 ITK 库（C++或Python），二是使用其更友好的高层封装 SimpleITK（主要支持Python）。SimpleITK 接口更简洁，是实现这类任务的更常见选择。

其核心思路是：计算新的图像尺寸，使新旧图像覆盖相同的物理空间。下面以 SimpleITK 为例，详细介绍实现步骤。

🛠️ 准备工作：安装与导入

首先，确保已安装 SimpleITK 库。

pip install SimpleITK

在Python脚本中导入：

import SimpleITK as sitk
import numpy as np

📝 核心步骤：用 SimpleITK 实现重采样

实现重采样的核心是配置 sitk.ResampleImageFilter()。主要步骤如下：

1. 读取原始图像：使用 sitk.ReadImage() 读取CT图像。
2. 获取原始参数：通过 GetSize() 和 GetSpacing() 获取原始图像的尺寸和体素间距。
3. 设定目标参数：定义你期望的目标体素间距 (new_spacing)。
4. 计算新图像尺寸：根据“物理空间不变”的原则计算新尺寸。

   new_size = [
       int(orig_size[i] * (orig_spacing[i] / new_spacing[i]) + 0.5)
       for i in range(3)
   ]

   > +0.5 是为了四舍五入取整。
5. 配置并执行重采样：创建 ResampleImageFilter，设置好所有参数后执行。

💻 完整代码示例

方法一：封装为通用函数 (推荐)

这是一个功能完整的重采样函数，能自动处理CT图像和分割标签的不同插值方式。

import SimpleITK as sitk
import numpy as np

def resample_image(itk_image, out_spacing=[1.0, 1.0, 1.0], is_label=False):
    """
    将ITK图像重采样到指定的体素间距。
    """
    # 1. 获取原始信息
    original_spacing = itk_image.GetSpacing()
    original_size = itk_image.GetSize()

    # 2. 计算新的图像尺寸
    out_size = [
        int(np.round(original_size[0] * (original_spacing[0] / out_spacing[0]))),
        int(np.round(original_size[1] * (original_spacing[1] / out_spacing[1]))),
        int(np.round(original_size[2] * (original_spacing[2] / out_spacing[2])))
    ]
    
    # 3. 配置重采样器
    resampler = sitk.ResampleImageFilter()
    resampler.SetSize(out_size)
    resampler.SetOutputSpacing(out_spacing)
    resampler.SetOutputOrigin(itk_image.GetOrigin())
    resampler.SetOutputDirection(itk_image.GetDirection())
    
    # 4. 根据图像类型选择插值方式
    if is_label:
        # 分割标签使用最近邻插值，以保留标签值
        resampler.SetInterpolator(sitk.sitkNearestNeighbor)
    else:
        # 医学图像（如CT）使用线性或B-Spline插值
        resampler.SetInterpolator(sitk.sitkLinear)
    
    # 5. 执行重采样
    return resampler.Execute(itk_image)

# --- 使用示例 ---
# 读取图像
input_image = sitk.ReadImage("your_ct_image.nii.gz")
# 重采样到各向同性1mm体素
resampled_image = resample_image(input_image, out_spacing=[1.0, 1.0, 1.0])
# 保存结果
sitk.WriteImage(resampled_image, "resampled_ct_image.nii.gz")

方法二：直接、简洁的实现

如果不需要封装，也可以直接编写核心逻辑。

import SimpleITK as sitk

def resample_image_itk(ori_img, new_spacing=[1.0, 1.0, 1.0]):
    # 1. 获取原始信息
    ori_size = ori_img.GetSize()
    ori_spacing = ori_img.GetSpacing()
    
    # 2. 计算新尺寸
    new_size = [
        int(ori_size[0] * ori_spacing[0] / new_spacing[0] + 0.5),
        int(ori_size[1] * ori_spacing[1] / new_spacing[1] + 0.5),
        int(ori_size[2] * ori_spacing[2] / new_spacing[2] + 0.5)
    ]
    
    # 3. 配置并执行重采样
    resampler = sitk.ResampleImageFilter()
    resampler.SetSize(new_size)
    resampler.SetOutputSpacing(new_spacing)
    resampler.SetOutputOrigin(ori_img.GetOrigin())
    resampler.SetOutputDirection(ori_img.GetDirection())
    resampler.SetInterpolator(sitk.sitkLinear) # 对CT图像使用线性插值
    
    return resampler.Execute(ori_img)

🌐 备选方案：使用 C++ 和 ITK

如果需要在C++环境中开发，可直接使用 itk::ResampleImageFilter。其核心逻辑与Python版本一致：创建滤波器，设置变换、插值器、输出参数（Size, Spacing, Origin）等。

💎 关键点总结

• 物理空间不变：重采样的核心是新尺寸 = 旧尺寸 * (旧间距 / 新间距)，确保图像覆盖的物理范围不变。
• 插值方法的选择：对CT等灰度图像，使用线性插值（sitkLinear）或B-Spline插值；对分割标签，务必使用最近邻插值（sitkNearestNeighbor）以保护标签值。
• 保留空间信息：重采样时，除了设置Size和Spacing，还应将原始的Origin（原点）和Direction（方向）复制到新图像，确保其空间位置准确。

下采样

你的理解完全正确！重采样的核心逻辑正是：给定新的体素间距（Spacing） → 保持物理空间不变 → 自动换算出新的图像尺寸（Size）。

那么，下采样（Downsampling） 其实就是 重采样（Resampling）的一个特例。

简单来说：当“新间距”大于“旧间距”时，计算出的“新尺寸”就会小于“旧尺寸”，这个过程就是下采样。

---

1. 下采样在公式中的体现

论文里，他们将原始图像从 1024×1024 （假设对应某个体素间距）降为 256×256×128，这就是典型的4倍下采样。

在代码层面，有两种等效的实现思路：

• 思路A（通过间距驱动）：如果你想让图像缩小4倍，就把新间距设置为旧间距的4倍。

\[ \text{新尺寸} = \frac{\text{旧尺寸} \times \text{旧间距}}{\text{新间距}} = \frac{1024 \times S}{4S} = 256 \]

• 思路B（直接指定尺寸）：在ITK中，你也可以直接通过 SetSize([256, 256, 128]) 强行指定输出尺寸。此时，ITK会自动反算出一个新的间距，使物理范围不变，这也叫下采样。

---

2. 严格意义上的“下采样”其实包含一步预处理（防锯齿）

在数字图像处理（尤其是深度学习）中，我们通常将“尺寸缩小”笼统地称为下采样。但在严格的信号处理理论中，直接使用插值（如线性插值）进行尺寸缩小，可能会产生“混叠伪影”（Aliasing），因为高频细节在缩小时会产生失真。

因此，教科书级别的严谨下采样流程应该是：

1. 先低通滤波（平滑）：对原始图像进行高斯模糊（Gaussian Blur），滤除高频细节。
2. 后重采样（抽取）：再进行间隔采样或插值缩小。

然而，在医学图像处理的实际工程中（包括这篇论文），为了简化流程并保证CT值（HU值）的物理准确性，绝大多数场景下直接使用“三线性插值（Linear Interpolation）”进行尺寸缩小就足够了。因为CT图像本身信噪比较高，且线性插值自带一定的平滑效果，能够满足后续分割模型的精度要求。

---

3. 论文中的具体操作（基于ITK）

结合论文，他们使用了ITK库的程序进行自动化转换。如果我们要模拟论文中的“下采样4倍”，具体代码逻辑如下：

import SimpleITK as sitk

# 1. 读取原始重建的CT图像（假设原始间距为 1.41mm）
img = sitk.ReadImage("original_ct.nii.gz")
old_spacing = img.GetSpacing()  # 例如 (1.41, 1.41, 1.41)
old_size = img.GetSize()        # 例如 (1024, 1024, 200)

# 2. 定义下采样的目标：间距变为原来的4倍
new_spacing = [old_spacing[0] * 4, old_spacing[1] * 4, old_spacing[2] * 4]  # 变成 5.64mm

# 3. 自动换算出新分辨率（这就是你说的“自动换算”）
new_size = [
    int(old_size[0] * (old_spacing[0] / new_spacing[0])),  # 1024 / 4 = 256
    int(old_size[1] * (old_spacing[1] / new_spacing[1])),  # 1024 / 4 = 256
    int(old_size[2] * (old_spacing[2] / new_spacing[2]))   # 200 / 4 = 50 (论文是128，说明Z轴未等比缩4倍)
]

# 4. 配置重采样器执行下采样（CT图像用线性插值）
resampler = sitk.ResampleImageFilter()
resampler.SetSize(new_size)
resampler.SetOutputSpacing(new_spacing)
resampler.SetInterpolator(sitk.sitkLinear)  # 这里就是下采样的实际执行者
output = resampler.Execute(img)

总结一句话

• 重采样：是通用大概念（包含上采样、下采样、改变各向异性）。
• 下采样：是重采样在 “新间距 > 旧间距” 情况下的具体应用。
• 在ITK的实现中，不管你叫它下采样还是重采样，底层调用的都是同一个 ResampleImageFilter 滤波器，区别只在于你给它的 Spacing 或 Size 参数数值大小不同。