项目简介

本项目实现了基于腹部 CT 的肝脏血管自动分割与评估，包含完整的数据预处理、三种经典/实用分割算法、指标评估与可视化展示。同时提供了 MATLAB App Designer 编写的交互式应用，便于对单例病例进行快速试验与可视化。

使用数据集

• MSD Task08 Hepatic Vessel（Medical Segmentation Decathlon 肝血管任务）
• 公开链接：MSD 肝脏血管分割
• 目录示例：Task08_HepaticVessel/Task08_HepaticVessel/imagesTr/ 与 labelsTr/

算法概述

项目实现并评估了三种分割算法，核心思想如下：

1. Percentile（强度分位数阈值）

   • 在肝脏 ROI 内统计强度直方图，取高分位数（如 97%）作为阈值进行二值化，随后做形态学清理。

2. RegionGrow（区域生长）

   • 自动在肝脏 ROI 中选取高强度体素作为种子点（如 99.5% 分位），以稍低阈值（如 95% 分位）作为生长上限，进行掩膜重建与连通域清理。

3. Ensemble（集成融合）

   • 将 Percentile 与 RegionGrow 的结果进行逻辑或融合，以最大覆盖真阳性；之后通过闭运算与体积阈值滤波移除噪声。

上述实现细节请参考对应源文件内的“函数头部注释与逐步说明”。

代码结构

HepaticVesselApp/
  ├─ app/                          # App Designer 工程（.mlapp）
  ├─ core/
  │   ├─ preprocessCase.m          # 病例数据预处理（重采样/ROI/裁剪/显示强度）
  │   ├─ segmentVessel_Percentile.m# 分位数阈值分割
  │   ├─ segmentVessel_RegionGrow.m# 区域生长分割
  │   ├─ segmentVessel_Ensemble.m  # 集成融合分割
  │   └─ utils/
  │       ├─ body_mask3d.m                 # 身体掩膜（去空气床板等背景）
  │       ├─ ct_windowing_to01.m           # CT 窗宽窗位归一化至 [0,1]
  │       ├─ resample_isotropic.m          # 各向同性重采样
  │       ├─ crop_by_mask_with_margin.m    # 带边距裁剪
  │       ├─ evaluateMetrics.m             # Dice/IoU/Prec/Rec 计算
  │       └─ create_multi_view_figure.m    # 三正交视图可视化（预测/真值叠加）
  │
  ├─ evaluation_results/            # 统计图表与分析脚本
  │   ├─ 1.png, 2.png, 3.png        # 评估可视化（见下文“结果展示”）
  │   └─ result_analysis.py         # 统计与绘图脚本
  │
  ├─ outputs/
  │   └─ case_001/                  # 示例病例输出（含可视化图）
  │       └─ final_vessel_result.png
  │
  ├─ run_vessel_pipeline.m          # 批量评测脚本（循环病例×算法）
  └─ run_segmentation_for_app.m     # App 后端执行逻辑（单例、返回图像与指标）

更详细的处理流程、参数说明与边界条件处理，请直接阅读各 .m 文件开头的注释。

结果展示

1) 三种算法的平均处理时间对比（全部 303 例）

含义：对全部 303 个病例统计，柱状图展示 Percentile / RegionGrow / Ensemble 三种算法的平均运行时间（秒）。

核心数值（来自统计脚本输出）：

• Percentile：平均时间 0.115 s
• RegionGrow：平均时间 1.070 s
• Ensemble：平均时间 1.242 s

2) 三种算法 Dice 系数的整体分布对比（箱线图，全部 303 例）

含义：展示三种算法在所有病例上的 Dice 分布范围（四分位、极值与中位数）。可直观看到 Ensemble 在中位数和上四分位的优势。

核心数值（均值 / 中位数）：

• Percentile：平均 0.3948，中位数 0.4109
• RegionGrow：平均 0.4114，中位数 0.4778
• Ensemble：平均 0.4470，中位数 0.4895

3) 三种算法在所有病例上的 Dice 系数对比（逐病例柱状）

含义：横轴为病例 ID，纵轴为 Dice。每个病例上三根柱分别对应 Percentile、RegionGrow、Ensemble，便于观察改进是否稳定。

4) 病例 001 的可视化分割结果（Ensemble）

下图为 case_001 的三视图叠加可视化（预测与真值边界）：

分析：该病例上，Ensemble 融合策略在主干与较粗支路位置形成稳定覆盖，细小分支处仍受体素尺寸与对比度影响存在漏检。整体 Dice 约 0.65（图标题示意），与整体统计中 Ensemble 的均值 0.447、高于 Percentile 与 RegionGrow 的总体表现一致，说明融合策略在多数病例上能带来稳健收益。

如需批量导出所有病例的多视角结果，请使用 run_vessel_pipeline.m。

App 交互式应用（App Designer）

应用界面示意：

应用的执行逻辑集中在 run_segmentation_for_app.m：

• 读取参数并调用 preprocessCase 完成重采样、ROI、裁剪与显示强度生成；
• 根据按钮选择的算法名称，调用 segmentVessel_Percentile/RegionGrow/Ensemble；
• 通过 evaluateMetrics 计算指标，格式化为字符串返回；
• 使用 create_multi_view_figure 生成三正交视图（预测/真值等高线叠加），并将 figure 捕获为图像矩阵返回供 App 展示；
• 统一设置 figure 尺寸，保证导出清晰度一致。

复现实验

1. MATLAB 端批量评测

• 在 run_vessel_pipeline.m 中设置 rootDir 与 caseIDs_to_test，直接运行脚本。

2. Python 端统计与绘图（可选）

• 进入 evaluation_results/，运行 result_analysis.py，将输出三类统计与汇总表；脚本也可扩展生成箱线图/小提琴图等。

引用与许可

• 数据集请遵循 MSD 官方许可与引用要求。
• 代码以研究用途为主，如需商用请在相应许可范围内使用。