# 配准
## Requirements
- `os`
- `argparse`
- `json`
- `glob`
- `re`
- `pydicom == 2.3.0`
- `numpy == 1.22.4`
- `itk == 5.2.1.post1`
- `itk—elastix == 0.13.0`
- `torch == 1.13.0a0+d321be6`

## Overview
配准功能和其它深度学习模块并列，实现了对于数据集中同一病人的多个CT影像之间的配准功能，并且输出图像之间的检测框的匹配情况。

1. 首先筛选出同一个病人的多个影像图片，并根据tag：`AcquisitionDateTime`排序。
2. 配准功能只会在相邻的两个图像之间进行（将时间较早的影响作为`fixed_image`，时间较晚的图像作为`moving_image`），相关配准结果保存在`pid-{}_elastix_step-{}`文件夹下（`pid-{}`为该病人的tag：`PatientID`，`step-1`表示该病人的第一组相邻的图像）。
3. `pid-{}_elastix_step-{}/match_results.json`中保存了该病人的第`{}`组相邻的图像之间的检测框的配对情况。
```python
{
    'matched': [[noudle1, matched_nodule1], [nodule2, matched_nodule2], ...],
    'missing': [],
    'new': []
}
```

- `'matched'`表示匹配上的检测框。
- `'missing'`表示出现在`fixed_image`上，而`moving_image`上没有出现的检测框。
- `'new'`表示在`moving_image`上新出现的检测框。
4. 在匹配结果中，每一个检测框被表示为一个八维数组，如下所示：
```python
# center为中心点坐标，diameter为长径，label_1为肺结节分类结果，label_2为结节良恶性分类结果
[center_x, center_y, center_z, diameter_x, diameter_y, diameter_z, label_1, label_2]
```
#
# Usage

1. 在执行配准功能之前需要确保已经产生了所有影像的检测结果，并且存在`.json`文件。
2. 执行配准功能：
```python
python ./elastix_processing.py -- job_data_root /path/to/job_data_root
                                              -- elastix_params_affine /path/to/affine_params
                                              -- elastix_params_bspline /path/to/bspline_params
```

- `job_data_root`，该参数的含义与深度学习任务相同。
- `elastix_params_affine`，配准中Affine方法的参数。
- `elastix_params_bspline`，配准中Bspline方法的参数。
3. 配准结果统一保存在`/path/to/job_data_root/output/elastix`中。