ANTsPy 라이브러리를 활용한 정합(registration)

의료 영상을 다루다보니 두 영상 간 정합(registration)을 해야하는 상황이 많이 생깁니다.

ANTs는 의료 영상 처리, 특히 정합 작업에 있어 세계적으로 가장 많이 사용되는 도구인데요, ANTsPy는 파이썬에서 지원하는 ANTs 라이브러리라고 보시면 됩니다.

---

Registration이란?

정합(registration)이란 서로 다른 시간, 장비, 또는 모달리티(CT, MR)로 얻은 이미지를 같은 공간 좌표계로 맞추는 과정을 의미합니다.

 

정합을 통해 기대하는 것은 아래 3가지 입니다.

• 원점(origin) 일치
• FOV 일치
• 시리즈 내 슬라이스 장수 일치

예시를 통해 살펴보겠습니다.

 

<Before registration>

→ 전체 장수 불일치, FOV 불일치, 원점 불일치

 

<After registration>

→ 전체 장수 일치, FOV 일치, 원점 일치

---

ANTsPy를 활용한 기본 Registration 예시

import os
import ants
import SimpleITK as sitk
import numpy as np
import nibabel as nib


def get_dicom_series_img(data_path):
    reader = sitk.ImageSeriesReader()
    reader.SetImageIO('GDCMImageIO')
    try:
        dicom_names = reader.GetGDCMSeriesFileNames(data_path)
        reader.SetFileNames(dicom_names)
        dicom_series_img = reader.Execute()
        return dicom_series_img

    except RuntimeError:
        print("data_path", data_path)


def change_sitk_to_ants_img(dicom_series_img):
    dicom = sitk.GetArrayFromImage(dicom_series_img).astype(np.float64)
    dicom = dicom.T

    dicom_spacing = sitk.Image.GetSpacing(dicom_series_img)
    dicom_origin = sitk.Image.GetOrigin(dicom_series_img)

    dicom_direction = sitk.Image.GetDirection(dicom_series_img)
    dicom_direction = np.array(dicom_direction).reshape(3,3)
    ants_image = ants.from_numpy(dicom, spacing=dicom_spacing, origin=dicom_origin, direction=dicom_direction)

    return ants_image


def save_image(image: ants.ANTsImage, save_path: str):
        """
        Save Ants Image on Save Path

        :param image:
        :param save_path:

        :return:
        """
        if os.path.isfile(save_path):
            print("file already exist")
        else:
            os.makedirs(os.path.dirname(save_path), exist_ok=True)
            nib.save(image, save_path)
            print(f"save transformed image to {save_path} complete...")
    

def converse(fixed_domain, moving_domain, data_path):
    fixed_data_path = f'{data_path}/0.raw/{fixed_domain}'
    moving_data_path = f'{data_path}/0.raw/{moving_domain}'
    print('')
    print(f"fixed data path is {fixed_data_path}")
    print(f"moving data path is {moving_data_path}")

    fixed_img = get_dicom_series_img(fixed_data_path)
    moving_img = get_dicom_series_img(moving_data_path)
    fixed_img = change_sitk_to_ants_img(fixed_img)
    moving_img = change_sitk_to_ants_img(moving_img)
    moving_img.set_origin((0,0,0))

    tx = ants.registration(fixed=fixed_img, moving=moving_img, type_of_transform='TRSAA') # TRSAA / Rigid / SyN

    warped_moving_image = ants.apply_transforms(fixed=fixed_img, moving=moving_img, transformlist=tx['fwdtransforms']) # 'linear'(default) / interpolator='bSpline'

    fixed_file_name = f'preprocessed_{fixed_domain}.nii.gz'
    moving_file_name = f'preprocessed_{moving_domain}.nii.gz'

    fixed_output_path = f'{data_path}/1.preprocess/nifti/{fixed_file_name}'
    moving_output_path = f'{data_path}/1.preprocess/nifti/{moving_file_name}'
    save_image(fixed_img, fixed_output_path)
    save_image(warped_moving_image, moving_output_path)


if __name__ == "__main__":
    fixed_domain = 'NECT'
    moving_domain = 'T2'
    data_path = '/Brain/stroke_data/S0001'
    converse(fixed_domain, moving_domain, data_path)

---

ants.registration

변환 행렬을 구하는 과정

 

<필수 옵션>

1. fixed : 기준이 되는 이미지
2. moving : 맞춰지는 이미지
3. type_of_transform : 정합 방식
   • Translation : (평행)이동
   • Rigid : Rotation(회전) + Translation(이동)
   • Similarity : Scaling (늘리거나 줄이기) + Rotation + Translation
   • Affine : Rigid + Scaling + Shear(기울이기)
   • TRSAA : Translation → Rigid → Similarity → Affine → Affine 
   • SyN : Affine + deformable transformation (optimization metric으로 mutual information 사용)

이렇게 만들어진 output 변수(ex. tx)는 tx['fwdtransforms'] 형태로 apply_transforms 메서드에 포함시켜 정합에 사용됩니다.