基于SimpleITK的图像配准：如何利用final_transform实现CT图像相减

问题解答 #

1. final_transform的具体内容 #

final_transform是配准过程输出的空间变换对象，在你的代码中，由于初始变换用的是Euler3DTransform，所以它本质是一个sitk.Euler3DTransform实例，包含了将moving_image对齐到fixed_image所需的所有三维空间变换参数——包括旋转角度、平移量，若有缩放的话也会包含缩放因子。

你可以通过以下代码查看具体参数：

# 获取变换的数值参数（旋转角度、平移量）
print(final_transform.GetParameters())
# 获取变换矩阵
print(final_transform.GetMatrix())

2. 利用final_transform实现CT图像相减 #

要完成像素级相减，必须先将moving_image变换到与fixed_image完全对齐的空间，再执行减法操作，步骤如下：

1. 使用sitk.Resample函数，基于final_transform将moving_image重采样到fixed_image的空间坐标系中
2. 对对齐后的两幅图像执行像素级减法

示例代码：

# 重采样moving_image，使其与fixed_image空间对齐
registered_moving = sitk.Resample(
    moving_image, fixed_image, final_transform,
    sitk.sitkLinear, 0.0, moving_image.GetPixelID()
)

# 执行图像相减（可根据需求调换顺序）
subtracted_img = fixed_image - registered_moving

# 保存相减结果
sitk.WriteImage(subtracted_img, "ct_subtraction_result.mhd")

3. 将图像对齐到参考图像 #

把其中一幅设为参考图像（即你代码中的fixed_image），变换另一幅图像（moving_image）的核心操作就是上述的sitk.Resample，参数说明：

• 第一个参数：待变换的图像（moving_image）
• 第二个参数：参考图像（fixed_image），决定输出图像的尺寸、间距、原点等空间属性
• 第三个参数：配准得到的变换（final_transform）
• 第四个参数：插值方式，CT图像推荐用sitk.sitkLinear（线性插值），若处理的是分割标签则用sitk.sitkNearestNeighbor（最近邻插值）
• 第五个参数：图像外区域的填充值
• 第六个参数：输出图像的像素类型，建议与原图像保持一致

执行完Resample后，得到的registered_moving就和参考图像fixed_image完全对齐，可直接进行后续像素级操作。

内容的提问来源于stack exchange，提问作者user24819415