Python SimpleItk库的医学图像重采样（resample）实现代码

记：关于图像重采样（resample）最终发现的简单实现方法

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。

直接上最终的Python代码：

import SimpleITK as sitk

def resize_image_itk(ori_img, target_img, resamplemethod=sitk.sitkNearestNeighbor):
    """
    用itk方法将原始图像resample到与目标图像一致
    :param ori_img: 原始需要对齐的itk图像
    :param target_img: 要对齐的目标itk图像
    :param resamplemethod: itk插值方法: sitk.sitkLinear-线性  sitk.sitkNearestNeighbor-最近邻
    :return:img_res_itk: 重采样好的itk图像
    使用示范：
    import SimpleITK as sitk
    target_img = sitk.ReadImage(target_img_file)
    ori_img = sitk.ReadImage(ori_img_file)
    img_r = resize_image_itk(ori_img, target_img, resamplemethod=sitk.sitkLinear)
    """
    target_Size = target_img.GetSize()      # 目标图像大小  [x,y,z]
    target_Spacing = target_img.GetSpacing()   # 目标的体素块尺寸    [x,y,z]
    target_origin = target_img.GetOrigin()      # 目标的起点 [x,y,z]
    target_direction = target_img.GetDirection()  # 目标的方向 [冠,矢,横]=[z,y,x]

    # itk的方法进行resample
    resampler = sitk.ResampleImageFilter()
    resampler.SetReferenceImage(ori_img)  # 需要重新采样的目标图像
    # 设置目标图像的信息
    resampler.SetSize(target_Size)		# 目标图像大小
    resampler.SetOutputOrigin(target_origin)
    resampler.SetOutputDirection(target_direction)
    resampler.SetOutputSpacing(target_Spacing)
    # 根据需要重采样图像的情况设置不同的dype
    if resamplemethod == sitk.sitkNearestNeighbor:
        resampler.SetOutputPixelType(sitk.sitkUInt8)   # 近邻插值用于mask的，保存uint8
    else:
        resampler.SetOutputPixelType(sitk.sitkFloat32)  # 线性插值用于PET/CT/MRI之类的，保存float32
    resampler.SetTransform(sitk.Transform(3, sitk.sitkIdentity))    
    resampler.SetInterpolator(resamplemethod)
    itk_img_resampled = resampler.Execute(ori_img)  # 得到重新采样后的图像
    return itk_img_resampled
    

---

额外Tips：

一开始找到这样一份代码，是通过两个图像的spacing来计算重采样之后的图像的大小：

# 初始版本,from 网上,适用于只有spacing不同的两个图
def resize_image(itkimage, newSize, resamplemethod=sitk.sitkNearestNeighbor):
    print('--resize ing--')
    resampler = sitk.ResampleImageFilter()
    originSize = itkimage.GetSize()  # 原来的体素块尺寸
    originSpacing = itkimage.GetSpacing()

    newSize = np.array(newSize, float)
    factor = originSize / newSize
    newSpacing = originSpacing * factor
    newSize = newSize.astype(np.int)    # spacing肯定不能是整数

    resampler.SetReferenceImage(itkimage)  # 需要重新采样的目标图像
    resampler.SetSize(newSize.tolist())
    resampler.SetOutputSpacing(newSpacing.tolist())
    resampler.SetTransform(sitk.Transform(3, sitk.sitkIdentity))
    resampler.SetInterpolator(resamplemethod)
    itk_img_res = resampler.Execute(itkimage)  # 得到重新采样后的图像
    print('--resize finish--')
    return itk_img_res

实际使用发现，如果通过计算得到的newsize来 resampler.SetSize(new_size) 的话，new_size不一定和目标图像的size一致，原因是两个图像在origin、direction方面很有可能不一致（尤其对于医学影像），因此使用这份代码会导致后面还需要对resample后的图像进行各种后处理操作，比如pad空矩阵或者cut图像啥的，更会涉及复杂的空间坐标变换。

最后是查看sitk.ResampleImageFilter()的各个功能函数，突然想试试如果setsize的是目标图像的大小的话，是不是应该跟软件一样直接给到正确的结果呢，结果发现，确实。。。

---

温馨提示：
读入ori和target的sitk图像时，要确保spacing这些信息没有丢失，如果前面有从sitk转array处理过再转回sitk的操作的话，记得用 sitk.CopyInformation( ) 把原本的信息复制过来再进行resample，否则会导致输出图像为空矩阵。