Add neck-based CT prealignment before VoxelMorph

README.md

@@ -25,7 +25,8 @@ Voxelmorph_Head_CT/
 ├── infer.py                       # 独立推理，输出 warped image 与 DDF
 ├── metrics.py                     # NCC/MSE/MAE/DDF 等量化指标
 ├── model_and_train.py             # 官方 VoxelMorph 训练适配器
-├── preprocess.py                  # 重采样、窗宽窗位、裁剪/填充
+├── prealign.py                    # 颈部基准 CT 预配准
+├── preprocess.py                  # 单体 CT 重采样、窗宽窗位、裁剪/填充
 ├── requirements.txt
 └── outputs/
     ├── nifti/                     # DICOM 转换结果
@@ -69,23 +70,20 @@ python data_loader.py \
 
 `data_loader.py` 会优先按 `InstanceNumber` 排序，其次按 `SliceLocation` 排序，并保存 spacing、层厚、排序依据等元数据 JSON。
 
-## 2. 预处理
+## 2. 颈部预配准
 
 ```bash
-python preprocess.py \
-  --input "outputs/nifti/patient1_fixed.nii.gz" \
-  --output "outputs/preprocessed/patient1_fixed_preprocessed.nii.gz" \
+python prealign.py \
+  --fixed "outputs/nifti/patient1_fixed.nii.gz" \
+  --moving "outputs/nifti/patient1_moving.nii.gz" \
+  --fixed-output "outputs/preprocessed/patient1_fixed_preprocessed.nii.gz" \
+  --moving-output "outputs/preprocessed/patient1_moving_preprocessed.nii.gz" \
   --target-spacing 1 1 1 \
-  --target-shape 256 256 352
-
-python preprocess.py \
-  --input "outputs/nifti/patient1_moving.nii.gz" \
-  --output "outputs/preprocessed/patient1_moving_preprocessed.nii.gz" \
-  --target-spacing 1 1 1 \
-  --target-shape 256 256 352
+  --target-shape 320 320 352 \
+  --metadata-json "outputs/preprocessed/patient1_neck_alignment.json"
 ```
 
-默认窗口为 `W=400, L=40`，适合观察颈部软组织和气道。
+该步骤会先把 Fixed/Moving 重采样到 1mm，再基于颈部 foreground mask 估计中心，并将 Moving 平移到 Fixed 的颈部中心，最后在共同颈部空间中裁剪/填充和归一化。默认窗口为 `W=400, L=40`，适合观察颈部软组织和气道。
 
 ## 3. 训练
 
@@ -121,7 +119,7 @@ python infer.py \
 - `outputs/inference/ddf_mm.nii.gz`
 - `outputs/inference/metrics.json`
 
-`moving_model_input.nii.gz` 和 `fixed_model_input.nii.gz` 是进入 VoxelMorph 前的统一网格图像。即使两套 CT 原始层数不同，推理前也会按 checkpoint 的输入尺寸和目标 spacing 完成重采样、归一化、中心裁剪/填充。
+`moving_model_input.nii.gz` 和 `fixed_model_input.nii.gz` 是进入 VoxelMorph 前的统一网格图像。患者1默认先由 `prealign.py` 按颈部中心完成预配准，再进入训练/推理。
 
 ## 5. Web 结果展示
 
@@ -132,7 +130,7 @@ streamlit run app.py
 网页提供：
 
 - 患者1专用固定路径：Fixed 为 `患者1-平扫CT`，Moving 为 `患者1-仰头CT`。
-- “重新训练模型”和“开始推理”按钮。
+- “颈部预配准+重新训练”和“开始推理”按钮；推理前也会刷新颈部预配准输入。
 - Axial、Coronal、Sagittal 正交三视图；每个平面按行同时展示 Fixed、Moving、Warped。
 - Fixed 与 Warped 的 Alpha 融合或棋盘格对比。
 - DDF 位移强度热力图。
@@ -142,4 +140,4 @@ streamlit run app.py
 
 - DICOM 转换和重采样都有 `--max-memory-mb` 防护。
 - Web 界面对超大 NIfTI 会通过 nibabel proxy 按 stride 切片读取并下采样，只影响浏览器展示，不改变磁盘结果；侧栏可调整显示体素上限。
-- 训练阶段的主要瓶颈是 3D U-Net 显存；`256x256x352` 是较重的 3D 输入，建议优先使用 CUDA GPU。当前患者1默认使用较轻的 `8 8 8 8 8` 特征配置。
+- 训练阶段的主要瓶颈是 3D U-Net 显存；`320x320x352` 是较重的 3D 输入，建议优先使用 CUDA GPU。当前患者1默认使用较轻的 `8 8 8 8 8` 特征配置。