CT图像的预处理操作一般包括以下几步：

step1:spacing interpolation

step2:window transform

step3:get mask effective range

step:generate subimage

配套github代码

各步骤意义：

step1:spacing interpolation

       用插值(interpolation)一词可能不太准确，较准确的叫法是重采样（resampling),另外取决于不同的工具包，还有zoom,resize两个称呼。

       对于不同的数据类型重采样的方法和目的都不相同。例如在遥感中，重采样是从高分辨率遥感影像中提取出低分辨率影像的过程，在医疗图像中，重采样是指将医疗图像中大小不同的体素归一化到相同的大小。体素是体积元素（Volume Pixel）的简称，一张3D医疗图像可以看成是由若干个体素构成的，体素是一张3D医疗图像在空间上的最小单元。

       因为CT图像中，不同扫描面的像素尺寸、粗细粒度是不同的，这不利于进行CNN任务，所以需要使用同构采样。

step2: window transform

       窗宽窗位的变换，主要是为了视觉上的清晰，具体可参见CT图像的预处理。有人会用cut off,即HU值截断来代替此步，我一直用的window transform,因为无需分析整个数据集cut off所必须的截断值。在此步还可顺便做归一化操作，这一步也是必不可少的。归一化操作和零值中心化的操作主要是为了后续训练网络，零值中心化是网络收敛的关键。具体的归一化操作，有很多的变种，可自行查资料。

step3:get mask effective range

       获取Slices的有效范围，即去除整个序列中前后几张没有任何器官的Slices。

step4:generate subimage

       获取小的patch,即根据手头的GPU可以接受的大小，用滑窗法从原始图像中获得小patch。

本文主要讲述重采样操作

       重采样可分为两种方案，具体操作步骤并无太大差异：

具体的工具包及操作步骤见：CT图像预处理之重采样

参考：

医学图像预处理之重采样

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

医学影像重采样

常见医疗扫描图像处理步骤

MICCAI 2019肾&肿瘤分割挑战赛第一名方案学习笔记

KITS+肾脏肿瘤预处理+重采样+窗体变换+强度裁剪

三种图像插值方式对比