2D 与 MPR 渲染：从体数据切出可看的图像

问题引入

2D 显示看起来最简单：选一张切片，显示出来。但医学影像的 2D 渲染并不是把数组直接贴到页面上。它至少要处理 HU 转换、窗宽窗位、灰度方向、缩放、平移、旋转、翻转、测量叠加和视口尺寸。MPR 又在 2D 之上增加了一层复杂度：图像不再来自原始切片，而是从三维 volume 中沿任意平面重采样得到。

DicomVision 的后端渲染思路是把这两件事统一到视口模型里。Stack、MPR、3D 都有 ViewRecord，用户操作都变成 view operation。不同视图的差异体现在像素来源和渲染路径，而不是前端自己维护一套独立算法。

背景概念

Stack 是最传统的阅读方式：当前 index 指向某个 Instance，滚轮切换 index，窗宽窗位决定显示范围。图像坐标是二维像素网格，屏幕坐标是视口画布。缩放、平移、旋转和翻转可以用一个 image-to-canvas 的仿射矩阵表示。

MPR 是 Multi-Planar Reconstruction。它把连续切片看作一个三维体，然后从体里切出 axial、coronal、sagittal 三个正交面。Axial 通常接近原始横断面，coronal 是冠状面，sagittal 是矢状面。MPR 的关键不是“换个方向显示数组”，而是按真实 spacing 重采样。如果 z 方向切片厚度是 2.5 mm，而 x/y 像素间距是 0.7 mm，直接按数组索引切面会导致比例失真。

项目实现

2D Stack 的渲染链路是：根据 view.current_index 找到 Instance，读取 dicom_cache 中的 source_pixels，选择视口窗宽窗位，使用 np.clip 把目标值域裁剪到显示范围，归一化为 uint8，再把图像按 ViewportTransformer 的仿射矩阵映射到 canvas 大小。测量层和方向标识等 overlay 也要使用同一套变换，避免图像和标注错位。

ViewportTransformer.build_image_to_canvas_transform 会构造 3x3 矩阵：先把图像中心平移到原点，再缩放和翻转，再旋转，最后平移到 canvas 中心并加上用户拖拽偏移。应用到 NumPy 数组时，项目使用 scipy.ndimage.affine_transform。这个函数接受的是输出像素到输入像素的反向映射，所以代码会先求逆矩阵。它还使用 row/col，也就是 y/x 顺序，因此需要把矩阵从 x/y 坐标转为数组坐标。

MPR 的路径更重一些。后端先构造 volume 和几何信息，然后每个 MPR 视口根据自己的平面定义取样。三视图通过共享的 ViewGroupRecord 保持联动：一个视口里的十字线移动，会改变共享 cursor，再广播到另外两个视口。这样 axial、coronal、sagittal 不是三个孤立图像，而是同一个三维位置的三个观察方向。

关键函数表

函数或模块	作用	关键注意点
ViewportTransformer.calculate_contain_zoom	计算初始适配缩放	要考虑像素宽高比
build_image_to_canvas_transform	构造 image-to-canvas 矩阵	平移、缩放、翻转、旋转的顺序不能乱
AffineTransform.inverse_components	给 SciPy 提供反向映射	affine_transform 使用 output-to-input
scipy.ndimage.affine_transform	重采样二维图像或切面	数组坐标是 row/col，不是 x/y
Pillow.Image.fromarray	把 uint8 数组转成可编码图像	输出前必须确认 dtype 和范围
services/mpr/*	MPR 几何、平面、光标、重采样	必须使用 spacing 和方向信息

自绘图表

小结

2D 和 MPR 的共同点是都要把医学空间的数据变成当前视口的二维图像。区别在于 Stack 的像素直接来自某个 Instance，MPR 的像素来自 volume 重采样。只要牢记“数组坐标、物理坐标、屏幕坐标是三件事”，渲染路径里的矩阵、spacing 和重采样就会变得容易理解。