TotalSegmentator用于对 CT 图像中超过 117 个类别进行分割的工具。它接受了各种不同 CT 图像（不同扫描仪、机构、协议等）的训练，因此应该适用于大多数图像。大部分训练数据集可以从Zenodo下载（1228 个主题）。您还可以在totalsegmentator.com上在线试用该工具。

一句话概要：TotalSegmentator是在大型数据集上使用nnUNet V2训练的一个AI模型，可以在CT数据上自动分割全身117个器官（见文末）！同时还可以分割部分血管，脑出血，胸腔积液等（后面会介绍）。

Totalsegmentator 版本

一共有两个版本，各有千秋，选择适合自己的版本

• 3D Slicer版本: 之前已经介绍过了，并且获得了广大朋友的喜欢。也是迄今为止Tina姐最受欢迎的教程。它的优势是提供了可视化的界面，自动分割完后，可以对结果进行实时修改。缺点是可调参数比python版少，只能one by one, 没法批量操作。且受网速影响，有的朋友在3D Slicer中并不能顺畅使用。

【公-众-号查看】

• python版本: 它的特点是一次安装好后，即可在终端使用少量命令进行批处理。也可以设置想要的分割哪些器官，不用全部分割。对编程能力有一定要求，且分割完的结果需要手动审阅修改。

接下来是 python 版本实战

Totalsegmentator python版安装

如何安装

TotalSegmentator 可在 Ubuntu、Mac 和 Windows 以及 CPU 和 GPU 上运行。由于它是个AI模型，最好是在GPU上安装，CPU上只有快速版本，分割又慢效果也差些

首先确保有如下依赖项：

• Python >= 3.9
• Pytorch >= 1.12.1

直接在终端（选择合适的虚拟环境）pip

pip install TotalSegmentator

Totalsegmentator 快速使用

使用TotalSegmentator -h 查看使用说明

快速分割一幅图像

TotalSegmentator -i ct.nii.gz -o segmentations`

• i: input image, 待分割的图像地址
• o: output image, 分割结果文件夹，不同的分割目标生成不同的文件

注意：允许将包含一名患者的所有 DICOM 切片的 Nifti 文件或文件夹作为输入

注意：如果您在CPU 上运行，请使用该选项--fast或--roi_subset来大大提高运行时间。

从交互界面可以看到，当你第一次调用TotalSegmentator,它会先下载预训练好的模型。这需要一定的时间（取决于你的网络）。第二次使用就不会再下载了。整个分割过程不到1分钟。

这里自动分割结果按照不同器官进行存储。像我这样安装的是V1版本，因此仅分割了104个器官，就有104个分割文件。如图

将原始图像和你的目标器官加载进ITK-SNAP或者3D slicer等标注软件就可以进行手动修改。大大减少标注时间，提升标注效率

Totalsegmentator 高级使用

1. 除了上述器官分割外，还可以分割下面的一些子任务

通过在命令中增加-ta参数即可：

TotalSegmentator -i ct.nii.gz -o segmentations -ta <task_name>

ta可以为如下值

• total - 分割上述所有器官
• lung_vessels - 肺血管
• cerebral_bleed - 脑出血
• hip_implant - 髋关节植入物
• coronary_arteries - 冠状动脉
• body - 身体
• pleural_pericard_effusion - 胸膜心包积液
• liver_vessels - 肝血管
• bones_extremities - 骨骼四肢
• tissue_types - 组织类型
• heartchambers_highres - 心腔高分辨率
• head - 头部
• aortic_branches - 主动脉分支
• heartchambers_test - 心腔测试
• bones_tissue_test - 骨骼组织测试
• aortic_branches_test - 主动脉分支测试
• test - 测试

2. 分割单一器官或几个器官

在快速使用案例中，会自动分割所有器官，但实际应用中，我们可能只对其中的一个或几个器官感兴趣。分割太多耗时长，还占内存。这时候怎么处理？

只需要在命令后添加 -rs参数

TotalSegmentator -i CT1202301051207_ZHOU_JUN/P_to_V.nii.gz -o CT1202301051207_ZHOU_JUN -rs liver

上述命令表示只分割肝脏，如需多个就括起来 [licer kindey_left pancreas]中间用个空格分开

3.预览分割结果

通过生成所有类的 3D 渲染，让您快速了解分割是否有效以及失败的位置。只需要添加--preview参数

TotalSegmentator -i CT1202301051207_ZHOU_JUN/P_to_V.nii.gz -o CT1202301051207_ZHOU_JUN/P_to_V_liver --preview 

上述命令如果报错OSError: Can not find Xvfb. Please install it and try again
通过下面命令进行安装sudo apt-get install xvfb

讲真，我安装有问题，没解决（如上图）。其实我蛮需要这个功能的，为了解决这个功能，我把电脑都搞崩了，最后重装了驱动。有大佬解决滴滴我一下，TQ。

虽然没直接解决，我绕弯解决了。

如果环境有问题，我们可以直接用官方的docker。当然，前提是安装好了

docker run --gpus 'device=0' --ipc=host -v /absolute/path/to/my/data/directory:/tmp wasserth/totalsegmentator:2.0.0 TotalSegmentator -i /tmp/ct.nii.gz -o /tmp/segmentations

4.所有器官分割结果存在一个文件里面

我们之前的结果都是一个器官一个文件，想合并在同一个nii.gz文件，怎么办？

只需要添加--ml参数,这将保存一个包含所有标签的 nifti 文件，而不是为每个类保存一个文件。在保存 nifti 文件期间节省运行时间

TotalSegmentator -i CT1202301051207_ZHOU_JUN/P_to_V.nii.gz -o CT1202301051207_ZHOU_JUN/P_to_V_seg  --ml 

其他

• –statistics：这将生成一个statistics.json包含体积（以 mm³ 为单位）和每个类别的平均强度的文件。
• –radiomics：这将生成一个statistics_radiomics.json包含每个类别的放射组学特征的文件。您必须安装 Pyradiomics 才能使用此功能 ( pip install pyradiomics)。

5.批量处理所有图像

以上的功能都仅是针对单个病人进行处理。显然在深度学习中，我们需要勾画几百上千个病人，如何对这些病人进行批量处理变得非常重要。这可不是官方提供的，Tina姐独家配方！！

假设你的数据在train–>patient–>p_to_v.nii.gz.这里有多个patient文件夹。需要对每个文件夹下的p_to_v.nii.gz进行分割。使用循环即可

for i in `ls`; do cd $i; TotalSegmentator -i P_to_V.nii.gz -o ./  --preview; cd ..; done

注意：仅针对LINUX系统，并且熟悉shell的同学。不然你直接复制我的命令可能得不到你想要的结果。

6. 在python中运行totalsegmentator

如果你不习惯用终端操作。你也可以在python中调用totalsegmentator

import nibabel as nib
from totalsegmentator.python_api import totalsegmentator

if __name__ == "__main__":
    # option 1: provide input and output as file paths
    totalsegmentator(input_path, output_path)

    # option 2: provide input and output as nifti image objects
    input_img = nib.load(input_path)
    output_img = totalsegmentator(input_img)
    nib.save(output_img, output_path)

Totalsegmentator可以分割哪些器官

• spleen(脾)，kidney_right(右肾)，kidney_left(左肾)，
• gallbladder(胆囊)，liver(肝)，stomach(胃)，
• pancreas(胰腺)，adrenal_gland_right(右肾上腺)，
• adrenal_gland_left(左肾上腺)，lung_upper_lobe_left(左肺上叶)，
• lung_lower_lobe_left(左肺下叶)，lung_upper_lobe_right(右肺上叶)，
• lung_middle_lobe_right(右肺中叶)，lung_lower_lobe_right(右肺下叶)，
• esophagus(食管)，trachea(气管)，
• thyroid_gland(甲状腺)，small_bowel(小肠)，
• duodenum(十二指肠)， colon(结肠)，
• urinary_bladder(膀胱)，prostate(前列腺)，
• kidney_cyst_left(左肾囊肿)，kidney_cyst_right(右肾囊肿)，
• sacrum(骶骨)，vertebraeC1-S1(椎体，颈1椎体为C1类，胸1椎体为T1类，腰1椎体为L1类，依次类推)，
• heart(心脏)，aorta(主动脉)，
• pulmonary_vein(肺静脉)，brachiocephalic_trunk(颈总动脉干)，
• subclavian_artery_right(右锁骨下动脉)，subclavian_artery_left(左锁骨下动脉)，
• common_carotid_artery_right(右颈总动脉)，common_carotid_artery_left(左颈总动脉)，
• brachiocephalic_vein_left(左肱头静脉)，brachiocephalic_vein_right(右肱头静脉)，
• atrial_appendage_left(左心房附属物)，
• superior_vena_cava(上腔静脉)，inferior_vena_cava(下腔静脉)，
• portal_vein_and_splenic_vein(门静脉和脾静脉)，
• iliac_artery_left(左髂动脉)，iliac_artery_right(右髂动脉)，
• iliac_vena_left(左髂静脉)，iliac_vena_right(右髂静脉)，
• humerus_left(左肱骨)，humerus_right(右肱骨)，
• scapula_left(左肩胛骨)，scapula_right(右肩胛骨)，
• clavicula_left(左锁骨)，clavicula_right(右锁骨)，
• femur_left(左股骨)，femur_right(右股骨)，
• hip_left(左髋)，hip_right(右髋)，
• spinal_cord(脊髓)，
• gluteus_maximus_left(左臀大肌)，gluteus_maximus_right(右臀大肌)，
• gluteus_medius_left(左臀中肌)，gluteus_medius_right(右臀中肌)，
• gluteus_minimus_left(左臀小肌)，gluteus_minimus_right(右臀小肌)，
• autochthon_left(左本位肌)，autochthon_right(右本位肌)，
• iliopsoas_left(左髂腰肌)，iliopsoas_right(右髂腰肌)，
• brain(大脑)，skull(头骨)，
• rib_left_1-12(左肋骨1-12)，rib_right_1-12(右肋骨1-12)
• sternum(胸骨)，costal_cartilages(肋软骨)

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，一个关注于医学图像处理领域前沿科技的号。坚持以实践为主，手把手带你做项目，打比赛，写论文。凡原创文章皆提供理论讲解，实验代码，实验数据。只有实践才能成长的更快，关注我们，一起学习进步~

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