生境分析一站式分析软件|免费试用-夜雨聆风

生境分析一站式分析软件|免费试用

医学影像数据分析软件

把肿瘤内部「看不见的差异」变成可量化、可比较、可重复的结构化数据。

点赞关注+收藏：可以免费获取软件试用体验，+VX: yunyingcoordinator

PART 01

一个绕不开的问题：肿瘤内部的「不均匀」

肿瘤不是铁板一块。

同一病灶内部，有的区域血供丰富、细胞密集，有的区域坏死液化、代谢低下。这种内部异质性（Intratumoral Heterogeneity）直接影响治疗反应、预后判断，甚至耐药机制。

但问题是——怎么把这种「不均匀」系统地描述出来？

靠肉眼？不同医生判断标准不统一。靠单一阈值？太粗糙，丢失太多空间信息。

生境分析（Habitat Analysis）正是为解决这个问题而来。

PART 02

什么是生境分析？

简单说，在一幅医学影像的病灶区域（ROI）内，根据体素强度或多维特征，进一步将其自动划分为若干功能或密度相关的「亚区域」（subregions / habitats）。

打个比方：如果把肿瘤 ROI 看作一个城市，生境分析就是按照经济水平、人口密度等指标，把它划分为富人区、商业区、老城区——每一个「生境」都有自己的统计特征和空间分布规律。

核心能力：

亚区域数量 K 不靠猜，算法自动推荐最优 K 值

标签编号有明确语义：habitat1 = 最低密度区域，habitatK = 最高密度区域

支持7 种主流聚类/分区算法，从经典 KMeans 到超像素分割，适配不同数据场景

PART 03

两大使用模式：单病例 & 批量分析

单病例分析

适合做一例一例的精细解读。给定一对 image + mask，模块自动完成：

几何一致性验证

ROI 有效体素提取

可选 Z-score 标准化

聚类分区 + 强度升序重编号

全套统计与空间异质性输出

批量分析

适合做队列级别的系统研究。导入一个包含多个病例的 CSV/Excel 文件即可批量跑，并且提供两种跨病例标签语义策略：

策略	适合场景
局部强度排序	只关心病例内部低密度→高密度层次，不做跨病例对齐
群体原型匹配	需要跨病例统一亚区域标签，做群体统计与建模

小提示：群体原型匹配要求所有病例使用相同的 K 值、一致的通道结构。选中的病例至少 2 例成功才能触发。

软件界面截图

PART 04

不止是分区：一套完整的空间异质性量化体系

生境分析不只是画几个子区域，还提供了病例级空间异质性指标：

MSI（Multi-Scale Spatial Interaction）

计数矩阵：各亚区域之间的原始接触次数（基于 6-connectivity）

概率矩阵：归一化后的相对接触比例，适合跨病例比较

ITH Score（Intratumoral Heterogeneity Score）

一个综合标量，值越高 = 不同亚区域越碎裂、越分散

值越低 = 各亚区域更倾向于形成连续的大块

解读策略

先看 ITH_score → 把握整体异质性水平再看概率矩阵 → 理解哪些亚区域更"亲密"、哪些更"独立"需要绝对规模时 → 回看计数矩阵

软件界面截图

PART 05

输出物一览：论文级的结构化结果

做完一次分析，你得到的不只是几张图：

输出文件	用途
habitat_map	ROI 内的标签图，每个体素标有 1..K 的亚区域编号
habitat_1..K	每个亚区域的二值 mask，可导入其他软件联动
habitat_stats.csv	各区域体素数、占比、强度统计（均值/标准差/最值）
habitat_descriptors.csv	区域表型描述符，用于批量跨病例对齐
habitat_spatial_features.csv	ITH_score、MSI 派生标量等空间特征
*habitat_msi__matrix.csv**	空间接触计数矩阵 & 概率矩阵

批量模式下，还会自动汇总habitatsummary和habitatspatial_summary，方便快速浏览全队列结果。

PART 06

论文写作友好：方法学模板已就绪

做过医学影像研究的人都懂——方法部分写不清楚，审稿人直接打回。

本平台提供了可直接改写使用的方法描述模板，覆盖：

输入定义（单通道 / 多通道）

预处理流程（mask 过滤、NaN 处理、Z-score 标准化）

亚区域划分与重编号规则的完整表述

批量语义统一（群体原型匹配）的原理说明

空间异质性输出的标准描述口径

复现清单也帮你列好了：图像格式、ROI 定义、算法选择、K 值决策、随机种子、标签策略、统计口径……一个不落，照着填就行。

PART 07

七大算法，总有一款适合你的数据

算法	特点
KMeans	经典高效，大部分场景首选
GMM	软聚类，适合考虑分布不确定性
Agglomerative	层次聚类，适合探索性分析
Spectral	谱聚类，处理非凸分布
FCM	模糊 C 均值，软边界分区
Superpixel	超像素分割，考虑空间邻近性
OTSU	经典阈值法，K=2 时极简高效

不确定选什么、选多大 K？先点「Recommend K」——系统会在给定范围（建议 2-6 或 2-8）内，结合聚类质量、稳定性和小区域惩罚，自动推荐最优 K 值。

PART 08

写到最后

生境分析不是一个简单的图像分割工具，而是把「肿瘤异质性」这个抽象概念，变成可量化、可比较、可重复验证的标准化流程。

做临床研究 → 用它产出结构化异质性指标

做队列分析 → 用它实现跨病例统一对齐

写论文 → 用它拿到可直接引用、可复现的方法学输出

把肿瘤内部的秘密，一帧一帧地讲清楚。