TotalSegmentator一站式医学影像解剖结构分割解决方案【免费下载链接】TotalSegmentatorTool for robust segmentation of 100 important anatomical structures in CT and MR images项目地址: https://gitcode.com/gh_mirrors/to/TotalSegmentatorTotalSegmentator是一款功能强大的开源医学影像分割工具能够在CT和MR图像中自动分割超过100个重要的解剖结构。该工具基于深度学习技术经过大规模多样化数据集训练能够适应不同扫描仪、医疗机构和扫描协议为医学影像研究提供稳定可靠的分割结果。 核心功能概览TotalSegmentator的主要功能包括多器官分割自动分割117个主要解剖结构涵盖全身各系统多模态支持支持CT和MR两种医学影像模态子任务丰富提供超过20个专业子任务满足特定研究需求高效处理支持GPU加速大幅提升处理速度灵活输出支持NIfTI、DICOM等多种输出格式上图展示了TotalSegmentator能够分割的主要解剖结构类别包括骨骼系统、胃肠道、心血管系统和其他重要器官 快速开始指南环境要求Python ≥ 3.10PyTorch ≥ 2.0.0推荐使用GPU以获得更好的性能安装步骤通过pip一键安装pip install TotalSegmentator基础使用处理CT图像TotalSegmentator -i ct.nii.gz -o segmentations处理MR图像TotalSegmentator -i mri.nii.gz -o segmentations --task total_mr注意输入可以是单个NIfTI文件也可以是包含患者所有DICOM切片的文件夹或ZIP文件 特色子任务详解TotalSegmentator提供了丰富的子任务选项满足不同研究需求完全开源的任务Apache-2.0许可证任务名称描述适用模态total117个主要解剖结构CTtotal_mr50个主要解剖结构MRlung_vessels肺部血管和气道CTbody身体区域分割CTbody_mr身体区域分割MR需要许可证的任务学术用途免费任务名称描述适用模态appendicular_bones四肢骨骼CTtissue_types组织类型分类CT/MRheartchambers_highres心脏腔室高分辨率CTTotalSegmentator支持多种专业子任务包括身体躯干与四肢、髋关节植入物、冠状动脉等特定解剖结构的分割⚙️ 高级配置选项性能优化--fast使用低分辨率模型3mm显著减少运行时间和内存占用--roi_subset仅分割指定类别如--roi_subset spleen colon brain--device选择计算设备cpu/gpu/mps--nr_thr_saving 1减少保存线程数以降低内存消耗输出增强--preview生成3D渲染预览图--statistics生成统计信息JSON文件--radiomics生成放射组学特征需要安装pyradiomics--ml输出多标签NIfTI文件️ Python API集成TotalSegmentator提供完整的Python API便于集成到现有工作流中import nibabel as nib from totalsegmentator.python_api import totalsegmentator # 使用文件路径 totalsegmentator(input.nii.gz, output_directory) # 使用NIfTI图像对象 input_img nib.load(input.nii.gz) output_img totalsegmentator(input_img) nib.save(output_img, output.nii.gz) 项目结构解析TotalSegmentator项目采用模块化设计主要模块包括totalsegmentator/python_api.pyPython API接口totalsegmentator/config.py配置管理模块totalsegmentator/nnunet.pynnU-Net模型集成totalsegmentator/statistics.py统计计算功能tests/完整的测试套件 Docker容器部署对于生产环境或需要隔离的环境可以使用官方Docker镜像docker run --gpus device0 --shm-size16G \ -v /path/to/data:/tmp \ wasserth/totalsegmentator:2.11.0 \ TotalSegmentator -i /tmp/ct.nii.gz -o /tmp/segmentations 实用技巧与建议1. 硬件配置建议GPU推荐使用NVIDIA GPU以获得最佳性能内存处理全分辨率图像建议至少16GB RAM存储预留足够的磁盘空间存储分割结果2. 输入数据准备确保图像包含原始HU值CT或适当强度范围MR患者应处于标准解剖位置推荐使用NIfTI格式以获得最佳兼容性3. 结果验证使用--preview参数生成的分割结果预览图可以快速评估分割质量4. 常见问题解决ITK加载错误安装特定版本的SimpleITK分割质量不佳检查输入图像的HU值和患者体位内存不足使用--fast或--roi_subset选项 扩展功能身体参数预测预测患者的体重、身高、年龄、性别等参数totalseg_get_body_stats -i ct.nii.gz -o body_stats.json -m ct对比剂相位检测自动识别CT图像的对比剂相位totalseg_get_phase -i ct.nii.gz -o contrast_phase.json图像模态识别自动识别图像是CT还是MRtotalseg_get_modality -i image.nii.gz -o modality.json 性能参考在NVIDIA RTX 3090 GPU上的典型性能模型类型运行时间内存占用标准模型1.5mm约2-3分钟较高快速模型3mm约1分钟较低提示对于CPU用户强烈建议使用--fast选项以获得可接受的运行时间。 社区与支持TotalSegmentator由巴塞尔大学医院研究与分析部门开发拥有活跃的社区支持GitHub仓库https://gitcode.com/gh_mirrors/to/TotalSegmentator在线工具访问 https://totalsegmentator.com 使用在线版本学术许可非商业用途可免费申请许可证 引用要求使用TotalSegmentator时请引用相关论文article{wasserthal2023totalsegmentator, title{TotalSegmentator: Robust segmentation of 104 anatomic structures in CT images}, author{Wasserthal, Jakob and Breit, Hanns-Christian and Meyer, Moritz T and Pradella, Mattia and Hinck, Daniel and Sauter, Alexander W and Heye, Tobias and Boll, Daniel and Cyriac, Joshy and Yang, Shan and others}, journal{Radiology: Artificial Intelligence}, year{2023}, publisher{Radiological Society of North America} }同时请引用nnU-Net因为TotalSegmentator基于该框架构建。 总结TotalSegmentator为医学影像研究提供了一个强大、易用且高度可定制的分割解决方案。无论您是进行临床研究、教学演示还是算法开发都能从中受益。其丰富的功能选项、灵活的使用方式和活跃的社区支持使其成为医学影像分析领域的首选工具之一。通过简单的命令行接口或Python API研究人员可以快速集成TotalSegmentator到自己的工作流中专注于更高层次的研究问题而不是繁琐的图像分割任务。【免费下载链接】TotalSegmentatorTool for robust segmentation of 100 important anatomical structures in CT and MR images项目地址: https://gitcode.com/gh_mirrors/to/TotalSegmentator创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考