图像降采样后再升采样尺寸不匹配的解决方案咨询

问题背景 #

为提升处理速度对3D医学图像进行降采样，执行预测后再升采样还原，但因取整操作，体素维度与原图出现不匹配：

• 原图像尺寸：(192, 192, 299)，spacing：(3.6458332538605, 3.6458332538605, 3.27)
• 正向降采样到spacing (5.0,5.0,5.0)，计算得到尺寸：[140, 140, 196]
• 逆向升采样回原spacing时，计算得到尺寸：[192, 192, 300]，z轴比原图多1层

可行解决方案 #

1. 逆向升采样时强制指定原图像尺寸 #

这是最直接的解决方式，放弃基于spacing的尺寸计算，直接将降采样后的图像resize到原始图像的精确尺寸，从根源避免取整误差。

• 医学图像任务中，分割类任务建议用最近邻插值（避免模糊分类边界），回归/重建类任务可用线性插值。
• 代码示例（以SimpleITK为例，医学图像常用库）：

import SimpleITK as sitk
import numpy as np

# 正向降采样流程
original_img = sitk.ReadImage("original_image.nii.gz")
original_size = original_img.GetSize()
original_spacing = original_img.GetSpacing()
target_spacing = (5.0, 5.0, 5.0)

resampler = sitk.ResampleImageFilter()
resampler.SetOutputSpacing(target_spacing)
# 正向降采样的尺寸计算保持不变
downsampled_size = [int(np.round(sz * sp / tgt_sp)) for sz, sp, tgt_sp in zip(original_size, original_spacing, target_spacing)]
resampler.SetSize(downsampled_size)
resampler.SetInterpolator(sitk.sitkLinear)
resampler.SetTransform(sitk.Transform())
downsampled_img = resampler.Execute(original_img)

# --- 逆向升采样流程：强制指定原尺寸 ---
resampler.SetOutputSpacing(original_spacing)
resampler.SetSize(original_size)  # 直接用原始图像的尺寸，跳过计算
resampler.SetInterpolator(sitk.sitkNearestNeighbor)  # 分割任务用最近邻，根据需求调整
upsampled_img = resampler.Execute(downsampled_img)

2. 基于缩放因子而非尺寸进行采样 #

放弃先计算取整后尺寸的方式，直接用原始spacing与目标spacing的比例作为缩放因子进行resize，减少取整带来的累积误差：

import numpy as np
from skimage.transform import resize

# 假设original_arr是原始图像数组，shape=(192,192,299)
original_spacing = (3.6458332538605, 3.6458332538605, 3.27)
target_spacing = (5.0,5.0,5.0)

# 计算缩放因子
scale = [sp / tgt_sp for sp, tgt_sp in zip(original_spacing, target_spacing)]
# 正向降采样
downsampled_arr = resize(original_arr, 
                         output_shape=(int(original_arr.shape[0]*scale[0]), 
                                       int(original_arr.shape[1]*scale[1]), 
                                       int(original_arr.shape[2]*scale[2])),
                         order=1)  # order=1是线性插值

# 逆向升采样：用缩放因子的倒数，直接还原到原尺寸
upsampled_arr = resize(downsampled_arr, 
                       output_shape=original_arr.shape,
                       order=0)  # order=0是最近邻插值

3. 逆向时基于原始图像参数反推 #

如果必须保留spacing的计算逻辑，逆向升采样时不要用降采样后的尺寸和spacing，直接用原始图像的尺寸和spacing作为目标参数，跳过中间取整的误差传递。

4. 兜底方案：裁剪/补边修正尺寸 #

若已生成不匹配的图像，可通过裁剪或补边修正：

• 若尺寸大于原图：裁剪超出部分（如z轴300层裁剪到299层，建议根据空间位置裁剪，而非直接切最后一层）
• 若尺寸小于原图：用背景值（如医学图像常用的0或均值）补边
• 注意：此方法属于事后修正，可能丢失或引入无关信息，仅作为前三种方法的补充。

内容的提问来源于stack exchange，提问作者illan