Monolith ! 用医学影像来做个脑子

其实本来最近想写一些别的内容的，不过疫情当前我们就介绍一点医疗相关的。“紧接着”去年的这篇种草文，介绍一下这个案例。我们之前整理的一些基础概念翻译可以看这里。

https://shimo.im/docs/yyykGTDtd3wTQvKv

首先，你需要有医学影像的数据集，只有一张图是做不出来的。Monolith的案例中就中自带了大脑，腹部还有手臂的数据集，脑部的数据集是用MRI磁共振技术成像的，而手臂和腹部的数据集是用CT扫描的。

示例中自带的大脑的数据集

岔开来说一句，Monolith既有自己的主体程序，也有gh部分，gh部分的插件是用Monolith.ghlink 来实现链接的，如果大家安装的时候用的不是默认路径，要在Grasshopper Developer Settings里改一下gha文件的加载路径。（用默认路径的可以跳过这一段）

比如说我装在了D盘

接下来讲讲gh程序。gh程序就特别简单，先构建一个体素的框架，必要的输入是Box和分辨率，默认情况下是带有Shape和MaterialRatio两种通道。Box的尺寸要和原始数据集成等比例，也就是取决于你图片的长宽，以及扫描的间隔×图片的数量。至于分辨率，越低则模型精度越低，计算越快；反之则计算慢，精度高。接着用File Path把图像拾取进Image Stack里（在数据集文件夹里选取一张即可，其余的也会被一起读取）

接着就是把体素框架和Image Stack混合起来，每个体素单元的顶点都能对应图片数据集里的灰度值，有着相同数值的点，就可以形成等值面（Isosurface）。所以后面程序的连接也很显而易见了，（在这个案例中，图形通道和材料通道没有很大的区别）医学扫描使得身体中密度不同的部位在图像上呈现出不同的灰度，通过控制在标准值0~1之间的IsoValue，我们就可以建立出对应灰度值（密度）情况下的网格模型。至于IsoSurface和等值面的概念，感兴趣的朋友可以自己去查阅资料，历史悠久、算法也很多（Cuberille，Marching Cubes(MC)等）。

做到这一步就已经结束了，不过另一个有趣的点是，通过一个轴的断层图像建立了体素的框架之后，其他轴向的断层图片也可以提取出来了。至于为什么要把医学图像进行三维还原，当然是因为3D模型在可视化上更具优势，希望能对医疗上的诊断和进一步治疗提供更有力的支持和帮助。