插值/调整 3D 数组

Question

我有一个 3D 数组，其中包含来自 mri 数据集的体素。模型可以沿一个或多个方向拉伸。例如，体素大小 (x,y,z) 可以是 0.5x0.5x2 mm。现在我想将 3D 阵列重新采样到一个包含 1,1,1 毫米体素的阵列中。为此，我需要使 x/y 尺寸更小，z 尺寸更大，并插入体素值。我的问题是：在 numpy 或 scipy 中是否有一个简单的函数来对一个简单的 3d 数组进行这样的重采样？

从 *.nii 文件加载模型：

 img = nib.load(sFileName)
array = np.array(img.dataobj).astype("uint8") # 3d array with e.g. 0.5,0.5,2 mm
# TODO resample

原文由 dgrat 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

ndimage.缩放

这可能是最好的方法， 缩放方法 正是为这种任务而设计的。

 from scipy.ndimage import zoom
new_array = zoom(array, (0.5, 0.5, 2))

按指定因子更改每个维度的大小。如果数组的原始形状是 (40, 50, 60) ，则新的形状将是 (20, 25, 120) 。

信号.resample_poly

SciPy 有 大量的信号处理方法。这里最相关的是 decimate 和 resample_poly 。我在下面使用后者

from scipy.signal import resample_poly
factors = [(1, 2), (1, 2), (2, 1)]
for k in range(3):
    array = resample_poly(array, factors[k][0], factors[k][1], axis=k)

因素（必须是整数）是上采样和下采样。那是：

• (1, 2) 表示大小除以 2
• (2, 1) 表示大小乘以 2
• (2, 3) 表示向上乘以 2 然后向下乘以 3，因此大小乘以 ²⁄₃

可能的缺点：该过程在每个维度中独立发生，因此空间结构可能不会像 ndimage 方法那样被考虑在内。

RegularGridInterpolator

这更需要动手，但也更费力，而且没有过滤的好处：直接下采样。我们必须为插值器制作一个网格，在每个方向上使用原始步长。创建插值器后，需要在新的网格上对其进行评估；它的调用方法采用不同类型的网格格式，准备了 mgrid 。

 from scipy.interpolate import RegularGridInterpolator

values = np.random.randint(0, 256, size=(40, 50, 60)).astype(np.uint8)  # example

steps = [0.5, 0.5, 2.0]    # original step sizes
x, y, z = [steps[k] * np.arange(values.shape[k]) for k in range(3)]  # original grid
f = RegularGridInterpolator((x, y, z), values)    # interpolator

dx, dy, dz = 1.0, 1.0, 1.0    # new step sizes
new_grid = np.mgrid[0:x[-1]:dx, 0:y[-1]:dy, 0:z[-1]:dz]   # new grid
new_grid = np.moveaxis(new_grid, (0, 1, 2, 3), (3, 0, 1, 2))  # reorder axes for evaluation
new_values = f(new_grid)

缺点：例如，当一个维度减少 2 时，它实际上会降低每隔一个值，这就是简单的下采样。理想情况下，在这种情况下应该平均相邻值。在信号处理方面，低通滤波先于 抽取 中的下采样。

原文由 user6655984 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

您可以为此使用 TorchIO ：

 import torchio as tio
image = tio.ScalarImage(sFileName)
resample = tio.Resample(1)
resampled = resample(image)

原文由 fepegar 发布，翻译遵循 CC BY-SA 4.0 许可协议