TotalSegmentator

这个工具解决什么问题

做影像科研时，最磨人的往往不是统计，而是ROI。肝、脾、肾、椎体、血管这些结构，如果每例都手工勾画，100例CT就足以消耗几周时间。

TotalSegmentator的价值在于把这类重复性解剖分割先自动做一遍。它面向CT影像，可输出约104类结构的mask，研究者再把精力放在抽查、修正和后续分析上。

核心能力拆解

它的基本用法很直接：输入NIfTI格式CT，输出每个器官或结构的分割文件。命令行示例是totalseg -i input.nii.gz -o output，适合写进批处理脚本。

覆盖范围是它和许多单器官模型拉开差距的地方。常见腹部实质器官、肺叶、心脏相关结构、椎体、肋骨和部分血管都在默认任务内。对回顾性队列来说，先生成全套mask，再按课题筛选变量，会更灵活。

在科研流程里，它常被用来生成体积指标。比如把肝脏mask的体素数乘以voxel spacing，就能得到ml级体积；同一套流程可复制到180例、300例甚至更大的队列。

• 输入：通常是CT NIfTI文件，DICOM可先用dcm2niix转换。
• 输出：多个结构mask，可在3D Slicer、ITK-SNAP或Python中读取。
• 质控：建议先抽查10到20例，再批量跑全队列。

和同类工具怎么选

如果你要的是现成CT多器官分割，TotalSegmentator通常比从零训练nnU-Net更省事。nnU-Net适合有明确靶结构、有标注数据、准备训练自有模型的团队。

和3D Slicer Segment Editor相比，TotalSegmentator更适合批量预分割；3D Slicer更适合逐例查看、手工修边和导出可视化结果。实际项目里，两者经常搭配使用。

• TotalSegmentator：批量、自动、覆盖结构多，适合100例以上CT队列预处理。
• 3D Slicer：交互式编辑强，适合人工复核和精修。
• MONAI Label：适合团队搭建主动学习标注平台，但部署和维护成本更高。

哪些情况不适合用

不要把它当临床最终结果。术后解剖改变、巨大肿瘤、金属伪影、扫描范围截断都会影响分割质量。若课题终点依赖毫米级边界，必须设置人工复核标准。

此外，它的主场是CT。MRI、超声、内镜或病理图像项目不应硬套。没有命令行经验的同事，也要预留至少30分钟安装和环境排错时间。