TotalSegmentator：一站式医学影像解剖结构分割解决方案

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/TotalSegmentator

TotalSegmentator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 ≥ 3.10
• PyTorch ≥ 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）

需要许可证的任务（学术用途免费）

TotalSegmentator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.py：Python API接口
• totalsegmentator/config.py：配置管理模块
• totalsegmentator/nnunet.py：nnU-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 'device=0' --shm-size=16G \ -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MR：

totalseg_get_modality -i image.nii.gz -o modality.json

📊 性能参考

在NVIDIA RTX 3090 GPU上的典型性能：

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