# VoxelMorph Head CT Deformable Registration

面向“患者仰头 CT（Moving）到平扫 CT（Fixed）”的 3D 形变配准工程。项目包含 DICOM 转 NIfTI、医学图像预处理、官方 VoxelMorph 训练适配器、独立推理，以及 Streamlit 交互式结果查看界面。

核心模型使用官方仓库 `voxelmorph/voxelmorph` 的 PyTorch 实现：

- 官方仓库：https://github.com/voxelmorph/voxelmorph
- 固定提交：`db73f34b910bcefcb520f7f40a1bc4a3e0b6401d`
- 核心类：`voxelmorph.nn.models.VxmPairwise`
- 平滑正则：`neurite.nn.modules.SpatialGradient`
- 相似度：默认使用带 epsilon 的稳定 Local NCC；可通过 `--ncc-impl neurite` 切换到 `neurite.nn.modules.NCC`

## 工程目录

```text
Voxelmorph_Head_CT/
├── Data/
│   ├── 患者1-平扫CT/              # Fixed 原始 DICOM
│   ├── 患者1-仰头CT/              # Moving 原始 DICOM
│   └── 患者2-平扫CT/
├── app.py                         # Streamlit Web 可视化界面
├── config.py                      # 默认路径与预处理参数
├── data_loader.py                 # DICOM 序列读取与 NIfTI 转换
├── environment.yml                # Conda CUDA 环境
├── 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
├── 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
    ├── preprocessed/              # 预处理结果
    ├── checkpoints/               # 模型权重
    └── inference/                 # 推理输出
```

## 环境

推荐使用 Conda 创建 CUDA 环境。本机如有 NVIDIA 驱动，不需要单独安装系统 CUDA toolkit，`pytorch-cuda=12.4` 会随 Conda 环境提供运行时。

为减少 Conda 包缓存和 Qt 依赖占用，环境采用两步安装：Conda 只安装 Python、PyTorch 与 CUDA runtime，业务依赖和官方 VoxelMorph 用 pip 安装。

```bash
conda env create -f environment.yml
conda activate voxelmorph-head-ct
python -m pip install --no-cache-dir -r requirements.txt
python -c "import torch; print(torch.__version__, torch.cuda.is_available())"
```

也可以直接运行项目脚本：

```bash
bash scripts/setup_env.sh
```

如果只做 CPU 调试，也可以使用 `pip install -r requirements.txt`，但 3D 训练强烈建议使用 CUDA。

## 1. DICOM 转 NIfTI

```bash
python data_loader.py \
  --dicom-dir "Data/患者1-平扫CT" \
  --output "outputs/nifti/patient1_fixed.nii.gz"

python data_loader.py \
  --dicom-dir "Data/患者1-仰头CT" \
  --output "outputs/nifti/patient1_moving.nii.gz"
```

`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. 颈部预配准

```bash
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 320 320 352 \
  --metadata-json "outputs/preprocessed/patient1_neck_alignment.json"
```

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

```bash
python model_and_train.py \
  --moving "outputs/preprocessed/patient1_moving_preprocessed.nii.gz" \
  --fixed "outputs/preprocessed/patient1_fixed_preprocessed.nii.gz" \
  --checkpoint "outputs/checkpoints/vxm_head_ct_patient1.pt" \
  --epochs 80 \
  --image-loss mse \
  --nb-features 8 8 8 8 8 \
  --smooth-weight 0.01
```

训练脚本会调用官方 `vxm.nn.models.VxmPairwise`。如果显存不足，可降低 `--nb-features` 或改小 `--target-shape` 后重新预处理。
由于 CT 预处理后常有大面积零填充背景，默认 `--ncc-impl local` 会在 NCC 方差项中加入 epsilon，避免低方差窗口导致非有限 loss。

## 4. 推理

```bash
python infer.py \
  --moving "outputs/preprocessed/patient1_moving_preprocessed.nii.gz" \
  --fixed "outputs/preprocessed/patient1_fixed_preprocessed.nii.gz" \
  --checkpoint "outputs/checkpoints/vxm_head_ct_patient1.pt" \
  --out-dir "outputs/inference"
```

推理会输出：

- `outputs/inference/moving_model_input.nii.gz`
- `outputs/inference/fixed_model_input.nii.gz`
- `outputs/inference/warped_moving.nii.gz`
- `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。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

```bash
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`。
- “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。
- NCC、MSE、MAE、逐切片误差曲线、DDF 位移分布等量化图。

## 内存注意事项

- 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；`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。