JoHof/lungmask

解决的问题

当患者患有严重疾病（如肿瘤、积液或重度纤维化）时，阅读肺部 CT 扫描会更加困难。标准工具在这些情况下往往无法清晰地勾勒出肺部轮廓。本项目提供了经过训练的 U-net 模型，即使在存在致密病理的情况下，也能自动分割（勾勒）CT 图像中的肺部。它还提供了将肺部分为左右或单个肺叶的模型，并可以融合结果以结合各自的优势。

工作原理

该包包含四个预训练的 U-net 模型：

• U-net(R231) – 默认模型。它处理单个 CT 切片，分别提取左右肺，并包含空气腔、肿瘤和积液。它不包括气管。在多样化的数据集上训练。
• U-net(LTRCLobes) – 在 LTRC 数据集的子集上训练。它将肺部分为五个肺叶，但在存在致密病理或肺叶间裂在每个切片上不可见时表现不佳。
• U-net(LTRCLobes_R231) – 同时运行 R231 和 LTRCLobes 模型并融合结果。LTRCLobes 的假阴性由 R231 预测填充并映射到邻近的肺叶标签；假阳性被移除。这种融合计算量大，每个体积可能需要几分钟。
• U-net(R231CovidWeb) – R231 的一个变体，额外在从常规图像格式映射回亨氏单位（HU）的 COVID-19 CT 切片上训练。适用于裁剪、标注或压缩的网络图像。

所有模型都是经过训练的 U-net，这是一种用于图像分割的神经网络。该包可以作为命令行工具或 Python 模块运行。它使用 SimpleITK 进行图像输入输出（或从版本 0.2.9 开始直接使用 numpy 数组）。GPU 支持显著加快处理速度（从几分钟缩短到几秒）。

适用人群

• 处理肺部 CT 数据的研究人员和临床医生，尤其是处理严重病理或 COVID-19 病例的人员。
• 需要在 Python 管道或 CLI 工具中实现自动肺部分割的开发人员。
• 任何希望在 CT 体积中区分左右肺或单个肺叶的人。

亮点

• 四个即用型模型，满足不同需求（默认、肺叶、融合、COVID 调整）。
• 处理其他方法难以处理的致密病理。
• 通过 pip 或 conda 简单安装，并提供简单的 Python API（LMInferer）。
• 可以自动处理 DICOM 目录，找到最大的体积。
• 支持 GPU（快速）和 CPU（慢速）推理。
• 包含模型融合选项，可结合肺叶和全肺分割。