配准的目标是建立不同图像像素点之间的对应关系 [7]。根据图像的获取方式、时间以及应用场景的不同，配准方法也呈现出多样性 [7]。输入图像类型： 包括单模态配准（相同成像模态的图像，如两张MRI）、多模态配准（不同成像模态的图像，如MRI与CT）、受试者内配准（同一受试者在不同时间或条件下获取的图像）和受试者间配准（不同受试者之间的图像）。形变模型： 根据形变的复杂程度，可分为刚性配准（仅涉及平移

更新后的模型在测试集中对心血管结构分割表现优异，中位DICE系数约0.967，与原模型相比5/6个结构显著提升（p<0.001），表明扩展后的TotalSegmentator模型准确性提高，可在常规电脑上高效运行。这篇文章训练方式类似TS，只是新增了几个结构，一样可以发ER。这种思路是可以借鉴的。遗憾的是它这篇文章没有公开代码以及新增结构的模型。

CADS（CAnatomicalDataset &Segmentation）是一个针对全身 CT（从头部到膝部）影像的开源自动分割框架。其核心特点与亮点如下：覆盖丰富、结构全面CADS 涵盖167 个解剖结构，远超多数现有模型的覆盖范围。大规模数据支撑CADS 包含22,022 例带完整标注的 CT 体数据集（CADS-dataset），数据来源覆盖 16 个国家、100 多个成像中心，具备很强的

让AI看懂牙齿：DentalSegmentator如何实现牙颌面影像自动分割（文献阅读）

在影像组学研究中，没有“唯一正确”的语言。Python提供了从影像到算法的全流程能力，R则让统计与报告更优雅、精准。最终的选择，应该取决于你的研究类型、团队背景和个人偏好。最好的语言，是你能高效地用它讲清楚科学问题、得到可靠结果的那一个。文章持续更新，可以关注微公【Radiology AI Camp】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~我是Ti

本文介绍了三种牙颌面部的自动分割方法：DentalSegmentator、TotalSegmentator和nnU-Net。DentalSegmentator基于nnU-Net框架，可分割上颌骨、下颌骨等5个结构。TotalSegmentator是强大的全身CT/MRI分割模型，新增了口腔颌面部结构的分割功能。nnU-Net则提供更简便的Slicer插件实现方式。文章详细说明了各方法的使用步骤和注

ITK 不仅是传统影像分析算法的宝库，也在当下的 AI 时代中扮演着关键角色。从膝关节 MRI 的方向对齐，到脑部 MRI 的偏场校正，再到肺 CT 的体素重采样，ITK 是现代医学影像 AI 流程可靠运行的基础。随着深度学习不断发展，ITK 也会持续更新与支持，确保医学影像始终以科学、标准化的形式服务于 AI 研究。

相信我的大多数粉丝，在我去年的重推之下，都已经开始使用TotalSegmentator（TS）这样强大的分割工具了。目前，TS 用于稳健分割CT图像中超过100种解剖结构的工具以及MRI图像中80多个器官结构。而这个数字，还在随着研究人员不断地深入研究，一直都在更新。想要第一时间掌握更新动态，你可以关注,如下图：从图中可以看到，开发者是更新的非常频繁的，昨天都才更新过。你可以从主页看到TS的所有模

医学图像分割确实是个成熟领域，多器官分割、大模型（SAM、MedSAM）等工作层出不穷。但这不意味着没有研究空间——关键是找到真实的临床需求和未被充分探索的技术角度。

CADS（CAnatomicalDataset &Segmentation）是一个针对全身 CT（从头部到膝部）影像的开源自动分割框架。其核心特点与亮点如下：覆盖丰富、结构全面CADS 涵盖167 个解剖结构，远超多数现有模型的覆盖范围。大规模数据支撑CADS 包含22,022 例带完整标注的 CT 体数据集（CADS-dataset），数据来源覆盖 16 个国家、100 多个成像中心，具备很强的