为什么值得看这一页
- 按影像标注、分割建模、三维重建和多中心部署拆工具，而不是把所有医学影像 AI 项目混在一起。
- 区分 3D Slicer、MONAI、nnU-Net、Kaapana 的真实适用场景，方便影像科医生和算法团队快速选型。
- 提醒科研工具不能直接用于临床诊断，降低用户对 AI 影像工具的误用风险。
按你的科研角色先看这里
Top 5 推荐工具
优先考虑医学影像任务适配度、开源生态、可复现训练流程和对 DICOM/临床数据的支持。
CT、MRI、PET/CT DICOM 查看、序列...
3D Slicer
开源医学影像分析平台，适合 DICOM 分割、三维重建、配准、定量分析和 AI 标注结果复核。
适合：医学影像、外科规划、放疗、神经影像、肿瘤影像组学和医学 AI 项目中的医学研究生、临床医生、PI、生信/组学/影像交叉研究者与算法工程师。
注意：不适合当作临床诊断系统直接使用；也不适合只想快速阅片、完全不想学习影像格式、分割规则、坐标空间和参数记录的用户。
判断是否适合
肿瘤边界精确勾画：在肺癌、肝癌、前列腺癌等多种实体...
nnUNet
nnUNet是一个自适应的深度学习框架，能自动配置并训练2D/3D U-Net模型，在多样化的医学图像分割任务中实现卓越性能，显著减少手动调参工作。
适合：医学影像分析研究者、放射科医生、肿瘤科医生、生物医学工程师以及深度学习算法开发者。尤其适合那些需要高效、准确地进行医学图像分割，但又希望减少模型选择与调参复杂性的科研人员。
注意：对计算资源极度受限，或需要从零开始设计全新深度学习架构以探索前沿方法的研究者。对于数据量极小且特征单一的任务，nnUNet的自动化可能显得过于“重型”。
判断是否适合部署医学影像AI模型到生产环境
Kaapana
针对医学影像AI和联邦学习，提供可部署的云平台工具集
适合：正在开发医学影像AI模型或联邦学习方案，需要快速搭建稳定、可扩展的计算平台的医院科研团队或生物医学工程师
注意：寻求开箱即用、无需技术维护的商业化AI平台，或缺乏云计算基础设施管理能力的个人研究者。
判断是否适合
量化帕金森病、亨廷顿病、ALS 或脊髓损伤动物模型...
DeepLabCut
DeepLabCut 是开源的无标记姿态估计工具，可从实验视频中追踪动物或人体关键点，用于量化运动、步态和精细行为。
适合：从事神经科学、动物行为学、药理学、毒理学、发育生物学、康复医学前期研究，以及需要处理小鼠、大鼠、果蝇、斑马鱼等实验视频的医学科研人员。
注意：不适合只做简单通过/未通过评分、少量视频人工计数即可完成的项目；也不适合缺乏视频采集规范、无法投入标注时间或没有基本 Python/计算资源支持的团队。
判断是否适合常见问题
医学影像科研最应该先看哪个工具？
如果先做标注和三维可视化，3D Slicer 更直接；如果要训练深度学习模型，MONAI 和 nnU-Net 更接近算法工作流。
这些工具能直接用于临床诊断吗？
不能默认用于临床诊断。科研工具通常需要伦理审批、数据治理、模型验证和合规流程后，才可能进入临床相关场景。