JoHof/lungmask

解决的问题

提供CT扫描中肺部的自动分割，特别设计用于处理肿瘤、胸腔积液和严重纤维化等严重病理，这些情况常导致标准分割工具失效。

工作原理

该项目使用训练好的U-net模型处理CT图像。根据目标提供四种不同模型：

• U-net(R231)：通用模型，可分离左右肺并包含密集的病灶区域。
• U-net(LTRCLobes)：专用模型，用于分割单个肺叶。
• U-net(LTRCLobes_R231)：混合方法，将肺叶特异性模型与通用模型融合，以填补缺失区域（假阴性）。
• U-net(R231CovidWeb)：通过COVID-19数据增强的版本，能更好地处理来自网络的裁剪或非标准图像。

适用人群

需要对肺部CT数据进行可靠自动掩码的医疗研究人员和临床医生，用于肺体积或特定肺叶分析。

亮点

• 病灶鲁棒性：能够将肿瘤和胸腔积液包含在分割结果中。
• 灵活输入：支持DICOM系列、ITK格式和Numpy数组。
• GPU加速：支持CUDA，显著加快推理速度（每体积数秒 vs. 数分钟）。
• 多模态支持：提供简单的左右肺分离和详细的五叶分割两种模式。