Transformacje przestrzenne

Analiza obrazów biomedycznych w Pythonie

Stephen Bailey

Instructor

Baza danych OASIS

logo OASIS

Duża zmienność

tablica wielu mózgów

Rejestracja

Dopasowanie obrazów do szablonu
Minimalizacja zmienności przestrzennej
Szablony:
- mogą reprezentować wielu pacjentów
- mogą być obrazem "uśrednionym"
Wymaga wielu transformacji przestrzennych

trzy rejestrowane obrazy

Transformacje afiniczne zachowują punkty, linie i płaszczyzny

przykład transformacji

Translacja

przesunięta głowa

import imageio.v2 as imageio
import scipy.ndimage as ndi

im=imageio.imread('OAS1036-2d.dcm')
im.shape

(256, 256)

com = ndi.center_of_mass(im)

d0 = 128 - com[0]
d1 = 128 - com[1]

xfm = ndi.shift(im, 
          shift=[d0, d1])

Obrót

ndi.rotate(im,
           angle=25,
           axes=(0,1))

obrócona głowa

Obrót obrazu

xfm = ndi.rotate(im, angle=25)

xfm.shape

(297, 297)

obrót ze zmianą rozmiaru

xfm = ndi.rotate(im, angle=25, 
              reshape=False)
xfm.shape

(256, 256)

normalny obrót

Macierz transformacji

Macierz transformacji: stosowana do jednego obrazu w celu rejestracji.

Elementy macierzy kodują "instrukcje" dla różnych transformacji afinicznych.

obraz z czterema transformacjami

Stosowanie macierzy transformacji

# Identity matrix
mat = [[1, 0, 0],
       [0, 1, 0],
       [0, 0, 1]]

xfm = ndi.affine_transform(im, 
                           mat)

oryginalny obraz

# Translate and rescale
mat = [[0.8, 0,   -20],
       [0,   0.8, -10],
       [0,   0,   1]]
xfm = ndi.affine_transform(im,
                           mat)

przekształcony obraz

Czas na ćwiczenia!

Analiza obrazów biomedycznych w Pythonie