Vedo 的体积点云计算

Vedo 是很好用的 3D 点云操作工具，本文使用该工具进行体积点云的初步计算。

Vedo 的体积点云计算
- Vedo 与致密点云
- 大脑 MRI 的分层表面

Vedo 与致密点云

Vedo 是很好用的 3D 点云操作工具，本文使用该工具进行体积点云的初步计算。

https://github.com/marcomusy/vedo

致密点云与日常看到的表面点云具有较大的区别，最直观的区别就是表面点云是在物体的表面进行采样，而体积点云却是在物体的体积上进行采样，在医学影像数据中，CT、MRI等都是利用类似断层扫描的方法对身体部位进行无创的立体建模，它的每个点代表三维空间坐标下的生理指标。当这些生理指标往往与病灶或器官外缘有关，因此对致密点云进行分析和建模，让它能够准确地反映病灶或器官的形态是医学影像的重要课题。

Vedo 是一种可用的工具，它可以从体积点云中找到连续等值曲面。由于它是一款开源软件，因此它的文档虽然完备，但功能基本靠猜，为了避免以后猜不透，现将它的计算逻辑简要记录如下

首先，它从点云中计算曲面的方法比较直观，调用 isosurface 方法即可；
其次，在调用该方法时，可以通过指定分割值的方法来寻找不同的等值面；
最后，每个顶点的值均保存在 mesh.pointdata[’input_scalars’]之中。

# ------------------------------------------------
# Compute the hull mesh
vol = Volume(array_3d)
mesh = vol.isosurface(np.linspace(np.min(array_3d), np.max(array_3d), 5))
mesh.apply_transform(affine, reset=True)

'''
Explain of isosurface
(method) def isosurface(
    value: Any | None = None,
    flying_edges: bool = True
) -> Any
'''

# The pointdata contains the keys of ['Normals', 'input_scalars']
print([e for e in mesh.pointdata.keys()])

# The input_scalars
# (array([ 29.5,  29.5,  29.5, ..., 118. , 118. , 118. ]),
# (538288,),
# array([ 29.5,  59. ,  88.5, 118. ]))
d = mesh.pointdata['input_scalars']
display(d, d.shape, np.unique(d))

# The vertices and cells
# ((538288, 3), (1076000, 3))
vertices = np.array(mesh.vertices())
cells = np.array(mesh.cells())
display(vertices.shape, cells.shape)

大脑 MRI 的分层表面

用以上方法从大脑 MRI 数据中对等值面进行建模，得到的结果如下：