自动分割软件盘点:医学影像 AI 正在帮医生勾什么|Radiology Lab · 影像实验室

🍃 ZenResearch · 禅意科研

Radiology AI Lab · 影像 AI 实验室

医学影像自动分割市场地图

自动分割软件盘点：医学影像 AI 正在帮医生勾什么？

从 TotalSegmentator 到 MedSAM，从开源工具到放疗商业软件，自动分割正在成为影像科研的新基础设施。

栏目定位｜Radiology AI Lab 从影像科医生视角拆解医学影像 AI。我们关心的不只是模型结构，更关心它如何处理 CT、MRI、PET/CT、超声和病理图像，如何评价结果，以及为什么影像 AI 从论文走向临床并不容易。

医学影像 AI 里，有一个环节看起来不性感，但几乎绕不开：分割。

你想做影像组学，需要 ROI；你想做体成分分析，需要肌肉和脂肪 mask；你想做机会性筛查，需要器官、骨骼、血管、椎体等结构；你想训练自己的 AI 模型，需要高质量标注；你想做放疗计划，更离不开器官危及结构和靶区勾画。

过去，这些工作主要靠医生、研究生或技师一层一层手工勾。现在，TotalSegmentator、MedSAM、MONAI Label、nnU-Net，以及 MIM、Manteia、Limbus、Radformation 这些工具，正在把这个流程重新改写。

但问题是：它们听起来都叫“自动分割”，其实并不是同一个市场。

✦ 先讲结论

医学影像自动分割已经分化成五条路线：开源科研工具、交互式基础模型、AI 辅助标注平台、放疗商业自动勾画软件，以及专病专模态分割模型。医生真正要关心的，不是哪个模型名字最火，而是它能不能进入自己的科研或临床工作流。

01｜为什么自动分割突然变重要了？

医学影像正在从“人看图”走向“图像可计算”。这中间最关键的一步，就是把图像里的结构变成可以被计算机理解的区域。

对医生来说，一张 CT 或 MRI 上的信息远不止影像报告里的几句话。肌肉、脂肪、骨密度、器官体积、肿瘤边界、血管走行、治疗计划中的危及器官，都可能成为科研变量。

自动分割正在解决什么问题？

• 把器官、肌肉、脂肪、骨骼等结构自动变成 mask；

• 降低影像组学和体成分研究中的手工 ROI 成本；

• 帮助医生建立高质量医学影像 AI 数据集；

• 提高放疗 OAR 勾画的一致性和效率；

• 让机会性筛查从概念走向批量化分析。

所以，自动分割不是一个单纯的 AI 小功能，而是医学影像科研走向自动化、结构化和量化分析的底层环节。

02｜自动分割不是一个市场，而是五个市场

如果只把这些工具都叫“自动分割软件”，反而会看不清它们的区别。

路线	代表工具	主要用户
开源科研工具	TotalSegmentator、MOOSE、MRSegmentator、nnU-Net	影像科研人员、AI 课题组
交互式基础模型	MedSAM、MedSAM2、SAM-Med3D、LiteMedSAM	标注团队、医学 AI 研究者
AI 标注平台	MONAI Label、3D Slicer、OHIF、ITK-SNAP	医院科研团队、数据平台
放疗商业软件	MIM、Manteia、Limbus、Radformation、MVision	放疗科、肿瘤中心、物理师
专病专模态模型	肺结节、肝肿瘤、脑肿瘤、PET/CT、病理分割模型	专科研究团队、算法开发者

这五类工具的共同点是“生成分割结果”，但它们的使用门槛、工作流位置、商业成熟度和监管边界完全不同。

03｜第一类：开源科研工具

对影像科医生和医学科研人员来说，最先能接触到的通常是开源工具。

代表工具

• TotalSegmentator：面向 CT/MR 的多解剖结构自动分割工具；

• MRSegmentator：偏向 MRI 多结构分割场景；

• MOOSE：面向全身多器官/组织分割的研究型工具；

• nnU-Net：医学图像分割研究中的经典自配置训练框架；

• MONAI bundles：医学影像 AI 模型与流程组件。

这类工具的核心价值是让医生科研能够更快获得初始 mask。尤其是 TotalSegmentator，它已经成为很多影像科研团队入门自动分割时绕不开的工具。

但要注意，开源工具并不等于临床医疗器械。它们更适合科研、教学、内部验证和流程探索，不能简单把输出结果直接当成临床结论。

04｜第二类：交互式医学分割基础模型

MedSAM 这一类工具，代表的是另一条路线：不再为每个器官单独训练一个模型，而是希望通过提示式分割，让一个基础模型适配更多医学影像任务。

✦ 这一类工具的关键词

• prompt-based segmentation：通过框、点或提示区域引导分割；

• foundation model：希望跨模态、跨器官、跨任务泛化；

• interactive segmentation：医生仍然参与，而不是完全自动替代；

• pre-annotation：更适合生成可修改的初始标注。

MedSAM 的意义不在于让医生完全不用勾画，而是把“从零开始勾”变成“先生成一个初稿，再由医生审核和修正”。

这对医学 AI 数据集建设非常关键。很多课题并不是卡在模型，而是卡在前期标注成本太高、ROI 不够稳定、不同标注者之间差异太大。

05｜第三类：AI 辅助标注平台

如果说 TotalSegmentator 是一个工具，MedSAM 是一个基础模型，那么 MONAI Label 更像是一套工作流平台。

它解决的问题不是“单个病例怎么分割”，而是“一个团队如何持续标注、修正、训练和迭代”。

典型平台组合

• MONAI Label：AI 辅助标注和主动学习框架；

• 3D Slicer：医生和科研人员常用的本地医学图像处理平台；

• OHIF：Web 端医学影像查看器，可接入标注流程；

• ITK-SNAP / MITK：传统医学图像分割和可视化工具；

• Mango：轻量级影像查看和 ROI 编辑工具。

对普通医生来说，这类平台的门槛比插件高；但对医院科研团队来说，它的价值更大，因为它能把“医生标注—模型预标注—医生修正—模型再训练”连成闭环。

06｜第四类：放疗自动勾画商业软件

自动分割最成熟的商业市场，不是在普通影像诊断，而是在放疗科。

原因很直接：放疗本来就需要轮廓勾画；OAR 勾画耗时；结构名称和模板相对标准；治疗计划系统已经有明确工作流；节省时间可以直接转化为科室效率。

商业工具	主要方向	典型用户
MIM ProtégéAI	放疗自动勾画、MIM 工作流集成	放疗科、肿瘤中心
Manteia AccuContour	OAR、淋巴结、靶区辅助勾画	放疗科、物理师
Limbus Contour	深度学习放疗自动轮廓	放疗医生、剂量师
Radformation AutoContour	CT/MR/CBCT 自动勾画平台	放疗流程自动化团队
MVision / Mirada / RayStation / Siemens / TheraPanacea	商业自动勾画与治疗计划生态	医院放疗中心

这类软件和开源工具最大的区别，是它们更强调临床工作流、监管合规、DICOM RT、治疗计划系统集成和质量控制。

但即便如此，自动勾画也不是“生成后直接使用”。多数场景仍然要求医生、物理师或剂量师审核并必要时修改。

07｜第五类：专病和专模态分割模型

还有一类工具不一定以软件产品形式出现，但在医学 AI 论文和科研项目中非常常见：专病、专器官、专模态分割模型。

常见细分赛道

• 肺结节、肺叶、肺段分割；

• 肝脏、肝肿瘤、胰腺、胰腺肿瘤分割；

• 前列腺 MRI、脑肿瘤、心脏 MRI 分割；

• PET/CT 肿瘤代谢体积和全身器官分割；

• 病理切片细胞核、组织区域分割；

• 眼底血管、OCT 层状结构分割。

这一类工具的优势是针对性强，局限也很明显：跨医院、跨设备、跨协议、跨人群泛化能力不一定稳定。所以它们更常出现在科研论文和专科 AI 项目中，而不是通用分割平台里。

08｜医生应该怎么看这个市场？

自动分割市场不能简单按“开源还是商业”来理解，更应该按工作流来理解。

你的需求	优先看哪类工具	代表
做影像组学、体成分、机会性筛查	开源多器官分割工具	TotalSegmentator
构建病灶 ROI 数据集	交互式基础模型	MedSAM
医院团队持续标注和模型迭代	AI 标注平台	MONAI Label
训练自己的分割模型	分割训练框架	nnU-Net
放疗 OAR 自动勾画和治疗计划流程	商业自动勾画软件	MIM、Limbus、Manteia、Radformation

对医生来说，最实用的判断不是“谁的 Dice 更高”，而是：它能不能在本院影像数据上稳定运行？结果能不能被医生审核？输出能不能进入后续统计分析、影像组学、放疗计划或论文方法学描述？

09｜自动分割的几个风险

风险一：mask 看起来完整，不代表医学上正确

边界模糊、增强时相差异、术后改变、金属伪影、肿瘤浸润区域，都可能让模型生成“很像但不对”的分割结果。

风险二：本地数据验证不能省

不同医院的扫描协议、重建层厚、增强方案、设备厂商和人群结构不同，公开模型在本地数据上的表现必须重新评估。

风险三：科研用途和临床用途不能混淆

很多开源工具适合科研探索，但未必具备医疗器械审批、临床责任边界和医院信息系统集成条件。

风险四：自动化越强，质控越不能弱

自动分割真正进入科研流程后，必须记录工具版本、参数、失败病例、人工修正规则和质量控制方法。

10｜我的判断

医学影像自动分割正在经历一个很重要的变化：它不再只是算法论文里的技术模块，而是开始变成医生科研和部分临床流程中的基础工具。

开源工具让医生更容易启动影像科研；基础模型降低了特殊 ROI 的标注成本；标注平台让医院有机会建立自己的数据闭环；放疗商业软件则证明，自动分割已经能在明确工作流中形成真实市场。

但它们共同留下一个问题：模型负责生成，医生负责判断。自动分割越普及，医学判断、质量控制和方法学透明度反而越重要。

✦ TAKEAWAY

自动分割的价值，不是替医生看图，而是让影像变得可计算。

未来影像科研的核心资源，不只是原始 DICOM，而是经过审核、可复查、可量化的 segmentation mask。

开源工具、基础模型、标注平台和商业软件，会分别进入科研、数据建设和临床放疗等不同场景。

医生真正要掌握的，不是每个模型的技术细节，而是知道什么时候能用、怎么验证、哪里必须人工审核。

影像 AI 市场卡

本期主题：医学影像自动分割工具市场盘点

核心路线：开源科研工具、交互式基础模型、AI 标注平台、放疗商业软件、专病专模态模型

代表工具：TotalSegmentator、MedSAM、MONAI Label、nnU-Net、MIM、Manteia、Limbus、Radformation

适合人群：影像科医生、医学研究生、影像组学团队、医学 AI 课题组、放疗科团队

核心风险：泛化能力、人工审核、临床合规、数据安全、方法学透明度

一句话建议：先按任务选路线，再按本地数据验证工具，不要只按模型热度做选择。

资料来源：TotalSegmentator 官方 GitHub；MedSAM / MedSAM2 论文与项目页面；MONAI Label 官方文档与论文；nnU-Net 官方文档；MIM ProtégéAI、Limbus、Manteia、Radformation 等商业自动勾画公开资料与监管/临床验证资料。

本文仅用于医学 AI 与医学科研学习交流，不构成临床诊疗、医疗器械采购、软件部署或科研投稿建议。所有自动分割结果均应结合本地数据、医生审核、伦理合规和质量控制要求进行验证。

· · ·

🍃

ZenResearch

禅意科研

─────────

在喧嚣里，慢一点看清楚。

硬核但不焦虑，前沿但不浮躁。

─────────

⭐ 星标本号 · 不在算法里走散

💬 留言交流 · 让我们听见彼此