【3D Slicer】的小白入门利用指南一

一、3D Slicer认识

3D Slicer是一个开源医学影像分析和可视化平台（本质是TotalSegmentator的软件版）。（增补：TotalSegmentator 是一个用于医学图像分割的开源工具，能够对104种解剖布局举行精确分割。该项目基于深度学习技术，支持CT和MR图像的处理。TotalSegmentator 提供了多种模子选项，包罗高分辨率模子和快速模子，以顺应差别的计算资源和需求。）
   定义：
  3D Slicer 是一个免费的开源软件平台，用于医学、生物医学和其他 3D 图像的可视化、处理、分割、配准和分析。
  Slicer 的功能包罗：
  

  

• 读/写DICOM图像和多种其他格式；  
  
• 三维图像、多边形网格和体积渲染的交互式可视化；  
  
• 手动编辑和标志图像；  
  
• 利用刚性和非刚性算法融合和共同配准数据；  
  
• 图像自动分割；  
  
• 跟踪图像引导程序的设备。  
  
• 多器官：从头到脚。
    
  
• 支持多模态成像，包罗MRI、CT、US、PET、超声和核医学等。
    
  
• 设备的双向接口。
    
  
• 可以对病灶举行建模、3D打印，定位、制定手术规划、手术预演、与家属交代病情、多模态融合（好比镰旁脑膜瘤患者将肿瘤、纤维束、动脉、静脉全部融合在一起）。
  
  

    为什么用？
  

  

• 3D Slicer 旨在通过可定制的平台解决高级图像计算挑战，该平台由知识渊博的用户和开辟人员组成的强大社区创建和维护，共同努力改善医学成像，详情见3D slicer社区。它可以轻松处理成像数据，因此可用于研究目的、手术计划等。  
  
• 3D Slicer 有很多用途。但对于我们深度学习应用开辟而言，最常用它来标注数据。为了让用户更快速的标注数据，它提供了基于深度卷积神经网络的自动图像分割算法，大大提升标注速度。  
  
• 3D Slicer和自动图像分割工具利用户能够以各种文件格式分割和生存生物医学图像数据，以准备在呆板学习和深度学习pipeline中利用的数据。
  

  支持的数据范例
医学成像数据有多种形式和表示形式，这可能会让刚刚进入该范畴的人感到困惑。下图扼要概述了利用 Slicer 时遇到的最典范的数据范例，尤其是在涉及分割的工作流程中。

具体地，从功能层面，它提供非常丰富的交互和可视化界面，你可以用它导入医学影像，然后举行影像的分割、重建、配准、标志点选择、测量等等操作。它自己提供了非常多的模块，好比良好的配准模块、齐全的交互分割和重建模块、图像的重采样、裁剪、滤波等各种操作。
从软件的架构层面，它是一个具有良好架构的软件平台。它的底层基于ITK、VTK和CTK，界面基于QT，都是良好的开源软件.

• ITK提供丰富的图像分割和配准等大量的医学图像处理算法；
  
• VTK则是一种基于opengl的渲染引擎。
  
• CTK为支持生物医学图像计算的通用公共包。
  

slicer的可扩展性层面，有人称slicer是医学影像的IDE，之所以这么说是由于，假如你会编程，你完全可以通过编程，完全自定义你想要的数据处理流程，做任何医学图像的分析处理，slicer负责读取数据给你作为输入，以及将数据可视化给你，当然它还提供了大量的基础图像处理模块供你利用。实现以上功能，一方面可以通过slicer内置的python

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。