1. 医学影像器官分割工程导论
医学影像器官分割工程，研究的是如何把“像素级识别器官与病灶”这件事，从一次性的算法实验，变成可重复、可验证、可交付的工程系统。它既不是单纯的深度学习调参，也不是单纯的影像后处理，而是把医学影像数据、解剖先验、算法模型、算力资源与临床评价标准组织成一条稳定的生产链路。理解这门课，首先要建立三个基本认识：分割的产物是“掩膜（mask）”，掩膜的质量必须用解剖与临床标准衡量，而工程化的目标是让这种质量在成百上千例数据上稳定复现。
一、课程定位：从算法到可交付的分割系统
在科研语境中，一个 Dice 系数达到 0.90 的模型常被视为成功；但在工程语境中，还要追问：它在不同扫描仪、不同层厚、不同对比剂方案下是否仍然稳定？单例推理耗时能否满足临床或批处理要求？掩膜坐标系是否与原始 DICOM 空间一致？这些问题的答案，决定了模型能否真正进入科室流程。因此本课程的定位是“面向交付的分割工程”：以 nnU-Net、MONAI 等主流框架为工具，以 CT/MR 多器官数据为对象，覆盖数据准备、训练、推理、后处理、评价与部署的完整链条。
二、核心任务：分割工程要解决的四类问题
器官分割工程的核心任务可以归纳为四类。第一类是数据工程：把 DICOM 序列转换为可训练的体数据，统一方向、体素间距与强度范围，并生成可靠的标注。第二类是建模与训练：选择合适的网络结构与损失函数，处理类别不平衡、边界模糊与小目标问题。第三类是推理与后处理：在滑窗推理、测试时增强、连通域分析、形态学修正之间做出取舍。第四类是评价与质控：用 Dice、HD95、ASSD 等指标量化结果，并识别失败案例。这四类任务并非线性排列，而是相互反馈：评价发现的边界泄漏，往往要回到数据增强或损失函数去解决。
三、工程化流程：一条可复现的主链路
把上述任务串起来，就得到一条典型的工程主链路。以腹部 CT 多器官分割为例，假设手头有 120 例增强 CT，标注了肝、脾、左肾、右肾四个器官。第一步是数据整理：读取 DICOM 序列，按 SeriesInstanceUID 分组，用 SimpleITK 或 pydicom 转成 NIfTI，并统一重采样到 1.0×1.0×1.5 mm 的各向异性体素。第二步是预处理：对 CT 采用腹部窗（窗宽 400 HU、窗位 50 HU）截断后归一化到 [0,1]，同时记录原始仿射矩阵，保证推理结果能映射回 DICOM 空间。第三步是训练：采用 nnU-Net 的 3D 全分辨率配置，损失函数为 Dice 与交叉熵按 0.7:0.3 加权，批量大小受显存限制设为 2，配合梯度累积模拟更大批量。第四步是推理：对每例使用 128×128×128 滑窗、50% 重叠、高斯加权融合，并开启沿三个轴向的 TTA。第五步是后处理与评价：保留每个器官的最大连通域，计算 Dice 与 HD95，并输出每例的体积误差。
这条链路的关键在于“可复现”。同一份数据、同一份配置、同一个随机种子，应当得到可比较的结果。因此工程上通常把预处理参数、网络结构、训练超参、推理策略全部写入配置文件，而不是散落在脚本里。下面是一份简化的配置片段示例，用于说明工程中需要固化的关键字段：
# segmentation_config.yaml（示例）
data:
modality: CT
target_spacing: [1.0, 1.0, 1.5] # mm, 重采样目标间距
hu_window: {level: 50, width: 400} # 腹部窗
labels: {1: liver, 2: spleen, 3: left_kidney, 4: right_kidney}
train:
network: nnUNet_3d_fullres
loss: {dice: 0.7, ce: 0.3}
batch_size: 2
patch_size: [128, 128, 128]
epochs: 300
folds: 5
infer:
sliding_window: {overlap: 0.5, gaussian: true}
tta: [axial, coronal, sagittal]
postprocess: [largest_connected_component, fill_holes]
四、典型应用场景与评价体系
器官分割的典型场景差异很大，评价侧重点也随之不同。放疗计划场景中，靶区与危及器官的边界精度直接影响剂量分布，因此对 HD95 和边界距离更敏感；手术规划场景中，器官体积与血管毗邻关系更重要，体积误差和拓扑正确性权重更高；影像组学场景中，分割掩膜用于提取纹理特征，掩膜的稳定性比绝对精度更关键，需要关注同一病例重复分割的一致性。评价体系通常分三层：像素级指标（Dice、IoU）、距离级指标（HD95、ASSD）、临床级指标（体积误差、器官缺失率、人工修正耗时）。工程上建议同时报告 Dice 的均值与标准差，并单独统计小器官（如肾上腺、胰腺）的表现，因为均值容易被大器官掩盖问题。