在3D Slicer中使用 Monai Bundle 和 Model Zoo 标注医学影像数据-全身CT器官分割

在3D Slicer中使用 Monai Bundle 和 Model Zoo 标注医学影像数据-全身CT器官分割

文章持续更新，可以关注微公【医学图像人工智能实战营】获取最新动态。人手有限，文中涉及的链接前往微公对应文章查看。关注Tina姐，一起学习进步~

导读

本系列涵盖从 3D Slicer 医学图像查看器的基础使用到高级自动分割扩展程序的内容(从入门到高阶！)，具体包括软件安装、基础使用教程，自动分割扩展(totalsegmentator, monai label)快速标注数据。

在本系列第三部分中，我们在工作站上安装了 MONAILabel 服务端和 MONAILabel 3D Slicer 客户端。在第四部分内容中，我们从一个简单的腹部CT脾脏分割案例开始，介绍了monai label使用的一些基础用法。在第五部分中，使用radiology app进行全脊柱的分割，并且详细介绍了radiology app所有用法。在第六部分中首次使用monai bundle 和model zoo里面的分割模型在MRI图像上分割全脑133个结构…

本节重点：在这一节中，我们展示了带有bundle应用程序的MONAI Label模型，用于全身CT分割。该模型使用totalSegmentator数据集进行训练。MONAI Label + 3D Slicer集成用于模型训练和推理，在MONAI Label中，我们提供了一个单一模型来分割104个解剖器官

全身CT器官的分割，我们之前也讲过两个其他版本，加上今天的monai label 版本，一共三个版本。
【添加链接】

• 3D Slicer版totalSegmentator：
• Python版totalSegmentator：

该系列之前的内容如下：
【添加链接】

Monai Bundle 和 Model Zoo简单介绍

MONAI Model Zoo 提供了一系列由社区开发的医学影像模型，采用 Monai Bundle 格式。Monai Bundle 允许您轻松获取任何来自 MONAI Model Zoo 的模型并将其导入 MONAILabel。

 Model Zoo提供的模型包括MRI脑肿瘤分割，CT肺结节检测，病理细胞核分割分类，CT胰腺分割，MRI前列腺分割，CT肾脏分割，CT脾脏分割，MRI脑切片生成等20几个模型。后面会用单独的篇幅分别介绍这些预训练模型的使用。

 MONAI Bundle 是一种基于规范和文件结构的方式，用于分发经过训练的 MONAI 模型以及相关元数据、代码、文档和其他资源。这些旨在让您更轻松地以某种格式分发模型，该格式说明了模型的用途、如何使用它、如何重现您用它完成的科学研究，并将其用于 Label 和 Deploy 等其他应用程序。详细的使用教程可以去 monai bundle github

接下来我们将用更多案例来演示monai bunlde在3D slicer中的用法

Whole Body CT TotalSegmentator Bundle

本教程使用全身CT分割bundle。该bundle提供了两个版本的模型，一个是使用(1.5 x 1.5 x 1.5)mm图像训练的高分辨率模型，另一个是使用(3.0 x 3.0 x 3.0)mm图像训练的低分辨率模型。MONAI Label提供了可视化配置选项的功能，用户可以在3D Slicer MONAI Label插件中选择使用哪个模型。

在每一个教程开始前，会简单介绍这个预训练模型的基本信息，了解模型才能更好的适配模型，提高标注准确度。

模型简介

• 名称：Wholebody ct segmentation
• 概述： A pre-trained SegResNet model for volumetric (3D) segmentation of the 104 whole body segments
• 作者：MONAI团队
• 版本：0.1.9

模型概述

这个模型使用SegResNet网络进行训练。模型使用TotalSegmentator数据集进行训练。

训练配置

104种组织的分割被公式化为逐体素的多标签分割。

训练使用了以下配置：

• GPU：48 GB的GPU内存
• 实际模型输入：96 x 96 x 96
• AMP：True
• 优化器：AdamW
• 学习率：1e-4
• 损失函数：DiceCELoss

在3D slicer中进行全身CT器官分割

• step1: 激活环境

登录后复制

conda activate monailabel

• 1.

• step2: 下载monaibundle app

如在之前的教程中下载过请忽略此步骤

登录后复制

monailabel apps --name monaibundle --download --output apps

• 1.

可以前往图片上地址查看下载了什么

• step3: 下载实验数据

训练集是TotalSegmentator发布的数据集中的104个全身结构。用户可以在 TotalSegmentator数据集github找到关于数据集的更多详细信息。

• 目标：104个结构
• 模态：CT
• 来源：TotalSegmentator
• 挑战赛：Large volumes of structures in CT images

如果您打算使用TotalSegmentator的完整数据集，请参考数据集链接，下载数据。

在本教程中，我们准备了一个示例子集，重新采样并可以直接使用。该子集仅用于演示。请下载 monai 示例数据。

要使用这个bundle，用户需要下载数据并将所有标注标签合并到一个NIFTI文件中。每个文件包含0-104的值，每个值代表一个解剖类别。

为了快速开始演示，本教程使用MSD Task09腹部CT扫描数据，就是之前教程使用过的脾脏分割数据。你也可以使用上面提供的原始TotalSegmentator示例数据集。

脾脏数据下载，已下载请忽略

登录后复制

monailabel datasets --download --name Task09_Spleen --output datasets

• 1.

• step4:启动MONAI Label Server

在–conf models 参数中指定bundle名称。例如：wholebody_ct_segmentation注意大小写

登录后复制

monailabel start_server --app apps/monaibundle --studies datasets/Task09_Spleen/imagesTs --conf models wholebody_ct_segmentation

• 1.

• step5: 自动分割

启动3D Slicer和MONAI Label插件，绿色刷新符号连接服务端，点解nextsample加载数据，最后点击run等待自动勾画

高分辨率和低分辨率模型选择：为了满足不同的计算资源和性能需求，我们提供了1.5 mm模型和3.0 mm模型，这两个模型都使用了104个前景输出通道进行训练。

在这个bundle中，高分辨率模型默认命名为model.pt，低分辨率模型命名为model_lowres.pt。可以在下图中对应位置切换

• step6: 运行自动推理并选择配置选项

MONAI Label已经加载了bundle内用于多器官分割任务的预训练权重，点击运行按钮对当前加载的数据进行推理。

注意：预训练模型位于bundle的“models”文件夹中。例如，在这个用例中，下载的预训练模型保存在“apps/monaibundle/model/wholeBody_ct_segmentation/models”文件夹中。

用户可以移动轴和切片来查看分割的正确位置。

用户可以在MONAI Label服务器终端中监控日志。

高分辨率分割结果：

• step7: 编辑注释并提交标签

用户可以使用MONAI Label分割编辑器手动编辑推理标签，点击Segment Editor面板。用户可以返回MONAI Label插件并点击Submit Label，将真实标签保存到文件系统。

注意：最终的注释将保存到研究数据集的labels/final文件夹中，例如，在这个用例中，真实标签将保存到“datasets/Task09_Spleen/imagesTs/labels/final”文件夹中。

• step8: 训练和微调模型

通过多次迭代进行训练和主动微调模型是常见的标注场景。当保存了新的标注标签时，用户可以随时训练他们的模型。点击Train按钮，MONAI Label服务器将获取保存的最终真实标签并微调先前的模型。

训练配置选项：

• 模型名称：选择要训练或微调的模型名称。
• 学习率：设置模型训练的学习率。
• 批次大小：设置每次训练迭代中使用的样本数量。
• 练轮数：指定训练的总轮数。
• 数据集路径：指定训练数据集的位置。
• 标签路径：指定标注标签的位置。
• 保存路径：指定训练后模型保存的位置。

用户可以根据需要调整这些选项，以便更好地满足训练和微调模型的需求。用户可以在MONAI Label服务器终端监控日志

与Radiology应用程序类似，用户可以使用最新的微调模型进行自动分割。主动学习过程将选择未标记的批处理数据。

下一个图像将被选中，已经训练过的图像将被标记为已标记数据，因此不会在下一个标记批次中被选中。主动学习策略(如“first/random”)将用于选择要获取的未标记数据。

• step9: 重复直到所有数据被标注和训练

重复数据获取和主动学习过程(参考step5-step8)，直到所有未标记数据都被标注和训练。

对于每个训练循环，新最佳指标模型将保存在“model/model.pt”中。在这个用例中，保存在“apps/monaibundle/wholeBody_ct_segmentation/model/model.pt”。

结论

本教程演示了如何使用MONAI Label和monaibundle应用程序，介绍了使用CT扫描进行104个解剖部位分割。包括主动学习过程、自动推理、分割编辑器、提交标签和保存模型。monaibundle应用程序突出了MONAI Label的强大模型部署能力。

我是Tina, 我们下篇博客见~

白天工作晚上写文，呕心沥血

觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连