问题1：spacing从（0.5，0.5，0.5）-> (1，1，1)发生了什么变化？
图像被降采样，分辨率降低 ，体素变大了一倍。
公式为：新像素个数 × 新的间距 = 原来的间距 × 原来的像素个数
问题2：当前是怎么做crop的？要修改crop应该怎么做
用 create_nonzero_mask 非零的位置加入掩码，用 crop_to_nonzero 裁剪数据，只保留包含非零区域的 bounding box。目的是去掉大量的黑色背景。最后通过np.get_bbox函数获取分割图像的前景区域，并将所有非零值赋0，为0的值赋-1。
修改crop的方法：有时候想给目标周围多留几个像素，就需要扩大边界，支持 margin 是一种修改，还有 target_shape 支持裁剪后固定的某个形状，可以 padding 可以截断。
问题3：使用的哪个归一化函数?
直接运行程序，print 打印显示使用的 ‘ZScoreNormalization’ 归一化函数
default_resampling.py
路径：nnunetv2/preprocessing/resampling/default_resampling.py
- get_do_separate_z：判断是否需要处理 z 轴，具体为 max(spacing) ÷ min(spacing) ，再和 anisotropy_threshold 比较，如果前者大，则单独处理 z 轴；如果后者大，则不单独处理。这里提到一个“各向异性”，就是xyz的差距是否过大。
1
2
3
4
5
6
| def get_do_separate_z(
spacing: Union[Tuple[float, ...], List[float], np.ndarray],
anisotropy_threshold=ANISO_THRESHOLD):
# 计算“最大像素间距 ÷ 最小像素间距”，如果大于阈值，就单独处理Z轴
do_separate_z = (np.max(spacing) / np.min(spacing)) > anisotropy_threshold
return do_separate_z
|
1
2
3
4
5
| def get_lowres_axis(
new_spacing: Union[Tuple[float, ...], List[float], np.ndarray]):
# 找到哪个轴是各向异性的（那个方向就是精度最低的）
axis = np.where(max(new_spacing) / np.array(new_spacing) == 1)[0] # find which axis is anisotropic
return axis
|
- compute_new_shape：比较实用的函数，根据新旧像素间距，计算数据缩放后的新尺寸。其中 old_shape 是数据原来的像素尺寸；old_spacing 是数据原来的像素间距；new_spacing 是想要的新像素间距（；new_shape 是计算后的数据新像素尺寸。
1
2
3
4
5
6
7
8
9
10
| def compute_new_shape(old_shape: Union[Tuple[int, ...], List[int], np.ndarray],
old_spacing: Union[Tuple[float, ...], List[float], np.ndarray],
new_spacing: Union[Tuple[float, ...], List[float], np.ndarray]) -> np.ndarray:
# 检查1：旧 spacing 方向数，必须和旧 shape 方向数一样
assert len(old_spacing) == len(old_shape)
# 检查2：新 shape 方向数，必须和旧 shape 方向数一样
assert len(old_shape) == len(new_spacing)
# 公式：计算每个方向的新像素数，最后转成整数
new_shape = np.array([int(round(i / j * k)) for i, j, k in zip(old_spacing, new_spacing, old_shape)])
return new_shape
|
举个例子：
原来的尺寸 old_shape = (128, 128, 64)（X=128像素，Y=128像素，Z=64像素）；
原来的间距 old_spacing = (2, 2, 4)（X/Y轴每像素2毫米，Z轴每像素4毫米）；
想要的新间距 new_spacing = (1, 1, 2)（X/Y轴每像素1毫米，Z轴每像素2毫米）。
公式为：实际物理大小 = 像素个数 × 像素间距；缩放后，实际物理大小不能变，所以：新像素个数 × 新的间距 = 原来的间距 × 原来的像素个数 。然后利用这个公式逐个方向计算（结果取整数），返回 new_shape 的值。
- determine_do_sep_z_and_axis：决定要不要单独处理低精度轴？以及具体处理哪个轴？
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
| def determine_do_sep_z_and_axis(
force_separate_z: bool, # 手动强制执行“是否单独处理z轴”
current_spacing, #数据当前的像素间距
new_spacing, #数据想要改成的新像素间距
separate_z_anisotropy_threshold: float = ANISO_THRESHOLD) -> Tuple[bool, Union[int, None]]:
# 判断是否强制
if force_separate_z is not None:
do_separate_z = force_separate_z # 直接用指定的
# 如果指定要处理
if force_separate_z:
# 找现在数据的低精度轴
axis = get_lowres_axis(current_spacing)
else:
axis = None
else:
# 情况1：current_spacing 是各向异性，则找现在的低精度轴
if get_do_separate_z(current_spacing, separate_z_anisotropy_threshold):
do_separate_z = True
axis = get_lowres_axis(current_spacing)
# 情况2：current_spacing 没问题，但 new_spacing 是各向异性，则找新间距的低精度轴
elif get_do_separate_z(new_spacing, separate_z_anisotropy_threshold):
do_separate_z = True
axis = get_lowres_axis(new_spacing)
# 情况3：现在和新间距都没问题，则不处理
else:
do_separate_z = False
axis = None
if axis is not None: # 如果找到了要处理的轴
if len(axis) == 3: # 3个轴都是低精度
do_separate_z = False # 不处理
axis = None
elif len(axis) == 2: # 2个轴是低精度
do_separate_z = False # 不处理
axis = None
else: # 只有1个轴是低精度
axis = axis[0] # 取这个轴的编号
return do_separate_z, axis
|
- resample_data_or_seg_to_spacing：把数据（或分割标签）按照新旧像素间距，精准缩放成新的尺寸，还会根据之前判断的 “是否单独处理低精度轴” 来选择最优的缩放方式，保证缩放后数据不失真、物理大小不变。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
| def resample_data_or_seg_to_spacing(data: np.ndarray, #要缩放的原始数据
current_spacing: Union[Tuple[float, ...], List[float], np.ndarray], #数据当前的像素间距
new_spacing: Union[Tuple[float, ...], List[float], np.ndarray], #想要的新像素间距
is_seg: bool = False, #是不是分割标签的开关
order: int = 3, #普通数据的缩放算法等级（默认3，代表用三次插值，缩放后细节保留得好，适合影像数据）
order_z: int = 0, #单独处理 Z 轴时的缩放算法等级（默认0，代表最近邻插值，适合低精度轴，避免失真）
force_separate_z: Union[bool, None] = False, #强制处理z轴
separate_z_anisotropy_threshold: float = ANISO_THRESHOLD): #判断各向异性的阈值
# 是否单独处理？处理哪个轴？
do_separate_z, axis = determine_do_sep_z_and_axis(force_separate_z, current_spacing, new_spacing,
separate_z_anisotropy_threshold)
# 检查数据格式是否满足4维
if data is not None:
assert data.ndim == 4, "data must be c x y z"
# 计算数据的新尺寸
shape = np.array(data.shape) # 先拿到原始数据的尺寸
new_shape = compute_new_shape(shape[1:], current_spacing, new_spacing)
# 执行缩放
data_reshaped = resample_data_or_seg(data, new_shape, is_seg, axis, order, do_separate_z, order_z=order_z)
return data_reshaped
|
resample_data_or_seg：按新尺寸，用合适的算法，真正把数据（或分割标签）缩放到位，支持单独处理低精度轴，保证缩放后数据不失真。
参数具体如下：
data：要缩放的原始数据；
new_shape：要缩放成的新尺寸（比如 256×256×128）；
is_seg：是不是分割标签（True=是标签，False=普通影像）；
axis：要单独处理的低精度轴（比如 2=Z轴，None=不单独处理）；
order：普通缩放的算法等级（默认3，三次插值，保细节）；
do_separate_z：要不要单独处理低精度轴（True=要，False=不要）；
order_z：单独处理轴时的算法（默认0，最近邻插值，保精度）；
dtype_out：输出数据的格式（默认和原始数据一样）。
cropping.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
| def create_nonzero_mask(data):
"""
:param data:形状为 (C, X, Y, Z) 或 (C, X, Y) 的多通道医学图像 C = 通道数
:return: the mask is True where the data is nonzero
"""
assert data.ndim in (3, 4),
# 用第 0 个通道初始化掩码：非零的位置标记为 True
nonzero_mask = data[0] != 0
# 遍历剩下的通道，将它们非零的位置加入掩码
for c in range(1, data.shape[0]):
nonzero_mask |= data[c] != 0
# |= 的意思是：mask = mask OR (data[c] != 0)
'''
返回值:
一个布尔值数组，shape 为 (X, Y, Z)
True 代表该位置至少有一个通道不是0（有内容）
False 代表所有通道都是0（背景）
'''
# 填洞 binary_fill_holes，应该是为了保证实心
return binary_fill_holes(nonzero_mask)
|
default_normalization_schemes.py
路径：nnunetv2/preprocessing/normalization/default_normalization_schemes.py
1
2
3
4
5
6
| class ImageNormalization(ABC)...
class ZScoreNormalization(ImageNormalization)...
class CTNormalization(ImageNormalization)...
class NoNormalization(ImageNormalization)...
class RescaleTo01Normalization(ImageNormalization)...
class RGBTo01Normalization(ImageNormalization)...
|
这部分就是归一化函数的类定义，具体情况具体分析