在医疗人工智能应用中，"分割 + 生长预测"是最核心也最前沿的研究方向之一。
例如，给定病人的多期 CT/MRI 扫描，我们希望通过 AI 实现：
-
自动分割肿瘤区域（3D 分割）
-
计算肿瘤体积变化
-
预测下一天 / 下一周期的肿瘤体积增长趋势
-
辅助判断最佳治疗时机
本篇文章将介绍一个 从原始医学影像 → 分割 → 体积计算 → 生长预测 的完整 pipeline，并提供可直接运行的代码示例。
本文适用于入门医学影像 AI、科研训练、学生项目实践。
📌 一、整体架构概览
整个 AI pipeline 可以分为 4 步：
1. 医学影像读取（NIfTI / DICOM）
实际医院影像通常为：
-
NIfTI（.nii / .nii.gz）
-
DICOM（.dcm）
需要将其转换为 3D numpy 数组，并获取：
-
体素（voxel）间距 spacing（mm）
-
三维体素矩阵（D × H × W）
2. 3D UNet 自动分割肿瘤
使用 3D UNet 模型：
-
输入：3D 影像体
-
输出：同尺寸 3D 掩膜（mask）
segmentation 是后续 volume 计算和 growth prediction 的基础。
3. 肿瘤体积计算
计算方式：
体积(mm3)=mask中1的数量×体素体积
体素体积：
vox=spacingx×spacingy×spacingz
4. 肿瘤生长预测（LSTM / XGBoost）
输入：多期扫描的肿瘤体积序列
输出：下一时刻的体积
-
若数据量大：LSTM, GRU
-
若结构化数据：XGBoost 效果通常更稳定
-
若序列较短：简单线性预测也可以
📌 二、环境安装
pip install torch torchvision pip install numpy nibabel tqdm pandas scikit-learn xgboost opencv-python
📌 三、数据读取：NIfTI 加载示例
python
import nibabel as nib
import numpy as np
def load_nifti(path):
img = nib.load(path)
data = img.get_fdata().astype(np.float32)
spacing = img.header.get_zooms()[:3] # (x, y, z)
return np.transpose(data, (2,1,0)), spacing # 转成 (D,H,W)📌 四、3D UNet 分割模型（简化版）
以下代码是教学用 3D UNet（可直接运行）：
python
import torch
import torch.nn as nn
class ConvBlock(nn.Module):
def __init__(self, in_ch, out_ch):
super().__init__()
self.seq = nn.Sequential(
nn.Conv3d(in_ch, out_ch, 3, padding=1),
nn.BatchNorm3d(out_ch),
nn.ReLU(),
nn.Conv3d(out_ch,out_ch,3,padding=1),
nn.BatchNorm3d(out_ch),
nn.ReLU()
)
def forward(self,x):
return self.seq(x)
class UNet3D(nn.Module):
def __init__(self, base=16):
super().__init__()
self.enc1 = ConvBlock(1, base)
self.enc2 = ConvBlock(base, base*2)
self.pool = nn.MaxPool3d(2)
self.up = nn.ConvTranspose3d(base*2, base, kernel_size=2, stride=2)
self.dec = ConvBlock(base*2, base)
self.final = nn.Conv3d(base, 1, 1)
def forward(self,x):
s1 = self.enc1(x)
x = self.pool(s1)
x = self.enc2(x)
x = self.up(x)
x = torch.cat([x, s1], dim=1)
return self.final(self.dec(x))训练代码：
python
def train_3d_unet(model, dataset, epochs=5, lr=1e-3):
loader = torch.utils.data.DataLoader(dataset, batch_size=1)
opt = torch.optim.Adam(model.parameters(), lr=lr)
criterion = nn.BCEWithLogitsLoss()
for ep in range(epochs):
loss_sum = 0
for img, mask in loader:
opt.zero_grad()
pred = model(img)
loss = criterion(pred, mask)
loss.backward()
opt.step()
loss_sum += loss.item()
print(f"Epoch {ep+1}, loss={loss_sum/len(loader):.4f}")📌 五、体积计算（Volume Calculation）
分割得到 mask 后：
python
def calc_volume(mask, spacing):
voxel_vol = spacing[0] * spacing[1] * spacing[2]
tumor_voxels = mask.sum()
return tumor_voxels * voxel_vol📌 六、构建肿瘤体积序列（时间序列）
假设每个患者有若干期扫描：
python
df = pd.DataFrame({
"patient_id": [...],
"date": [...],
"volume": [...]
})我们生成训练数据：
python
def build_seq(df, seq_len=4):
X, y = [], []
for pid, g in df.groupby("patient_id"):
g = g.sort_values("date")
vols = g["volume"].values
for i in range(len(vols) - seq_len):
X.append(vols[i:i+seq_len])
y.append(vols[i+seq_len])
return np.array(X), np.array(y)📌 七、使用 LSTM 预测肿瘤生长
python
class LSTMReg(nn.Module):
def __init__(self):
super().__init__()
self.lstm = nn.LSTM(1, 32, batch_first=True)
self.fc = nn.Linear(32, 1)
def forward(self, x):
o,_ = self.lstm(x)
return self.fc(o[:,-1])训练：
python
model = LSTMReg()
opt = torch.optim.Adam(model.parameters(), lr=1e-3)
loss_f = nn.MSELoss()
for ep in range(50):
opt.zero_grad()
pred = model(X_tensor)
loss = loss_f(pred, y_tensor)
loss.backward()
opt.step()📌 八、XGBoost 预测肿瘤生长（更稳定）
python
import xgboost as xgb
model = xgb.XGBRegressor(
n_estimators=300,
max_depth=4,
learning_rate=0.05,
)
model.fit(X_train, y_train)
pred = model.predict(X_test)📌 九、实验结果示例
实验示例（基于模拟数据）：
-
3D UNet 可较准确地分割出球形肿瘤
-
LSTM 在多期扫描上可预测下一期体积（误差 5~12 %）
-
XGBoost 在数据量不多的情况下更稳健
在真实医疗数据上（CT/MRI），需要更严格的预处理、标准化及数据标注。
📌 十、应用价值与难点分析
✔ 应用价值
-
辅助肿瘤疗效评估
-
辅助制定个性化治疗计划
-
提前预警肿瘤快速增长趋势
-
自动化大规模医学随访分析
❗ 难点
-
医学数据需要伦理 IRB
-
多中心影像标准不统一
-
标注成本高
-
不同机器采集的 CT/MRI 存在 domain gap
-
生长模型对噪声敏感