第10课时：Segment Editor工具（六）自动分割（肝脏分割）

3DSlicer | Tutorials 3DSlicer | 培训练习
1

自动分割工具:Nvidia AIAA

在Segment Editor模块中，需要安装扩展模块Nvidia

三种自动分割方法：

一、Auto-Segmentation

只需要在Model对话框中血肿需要分割的菜单，点击Start即可。比如分割brain MR tumor。

image
image756×123 8.22 KB

二、Segment from boundary points（DExgtr3D）

首先在Model中选择需要进行分割的组织菜单，再点击基准点，在需要分割的组织周围放置基准点，当放置的基准点足够时，Start由灰色变为彩色，点击后即可自动分割。

image
image753×126 8.73 KB

image
image1076×439 114 KB

三、DeepGrow

首先在Model例选择2d还是3d分割，Foreground Points点击需要分割的组织，Background Points点击组织周围错误的分割部分。

image
image748×152 8.18 KB

2

Nvidia AIAA server：服务器的网络地址（有时候通信错误或延迟需要科学上网）


http://perklabseg.asuscomm.com:5000
3

Nvidia AIAA 远程服务器报错

在 Segment Editor 中使用 “Nvidia AIAA” 效果时，很多同学会遇到下面的弹窗：

image
image738×196 54.6 KB

Failed to fetch models from remote server …ConnectionResetError: [WinError 10054] 远程主机强迫关闭了一个现有的连接

这不是你操作错误，而是远程 AIAA 模型服务器已经下线 导致的：

  • 早期 3D Slicer 社区曾提供一台公共的 Nvidia AIAA 演示服务器，供用户在本地直接加载云端模型。(3D Slicer Community)
  • 随着项目演进，Nvidia AIAssistedAnnotation 扩展被开发者标记为“已弃用（deprecated）”，服务器也随之关闭 ，因此再点击刷新模型列表时，就只能得到连接被远端强制断开（10054）的错误。(3D Slicer Community)

从 Nvidia 官方文档也可以看到，AIAA 客户端将被逐步废弃，建议用户迁移到 MONAI Label 生态。(NVIDIA Docs)

三、理论上的解决办法：自建 AIAA 服务器（不推荐）

从技术上讲，你仍然可以：

  1. 在一台带 NVIDIA GPU 的 Linux 服务器上，通过 Docker 启动 Clara Train SDK / AIAA 服务器；(NVIDIA Docs)
  2. 在 3D Slicer “Nvidia AIAA” 模块中，将 “Nvidia AIAA server” 地址改为自己服务器的 http://服务器IP:端口 ；
  3. 服务器正常运行时，模型列表会重新出现，自动分割功能也可以继续使用。

但对于大多数临床科室和教学环境，我不再推荐这样做 ，原因主要有三点：

  • 路线已被官方放弃 ：Nvidia 与 Slicer 社区都明确表示，开发重点已经转向 MONAI Label，AIAA 客户端功能有限且即将停止维护。(3D Slicer Community)
  • 部署和运维门槛高 ：需要额外的 GPU 服务器、Docker 环境、镜像更新与安全维护，并不适合作为一般科室日常工具。
  • 生态不再更新 ：后续新模型、新功能基本不会在 AIAA 上发布，长期来看不利于教学和科研的持续发展。

因此，本教程的建议是：把 Nvidia AIAA 当作已经“毕业”的老模块，不再投入精力去搭建新的 AIAA 服务器。

四、推荐替代方案一：

MONAI Label——新一代 AI 辅助标注平台

  • 定位 ：开源的智能图像标注与学习工具，可用于医学影像的自动分割、交互分割和模型训练。
  • 与 Slicer 集成方式 ：
    • 在扩展管理器中安装 MONAI Label 扩展；(PyPI)
    • 在 MONAI Label 模块中填写服务器地址（可以是本机或远程 GPU 服务器），点击 Connect；
    • 即可在 Slicer 内部直接调用预训练模型或自定义模型，完成自动分割和 DeepGrow / DeepEdit 等交互式分割。
  • 优势 ：
    • 支持自己的数据集训练模型（科研友好）；
    • 支持多种应用模板（Radiology 等）；
    • 与 3D Slicer 社区保持持续更新，生态活跃。

后续可以针对常见场景（如脑肿瘤、脑出血、脊柱等）设计专门的 MONAI Label 工作流，用于教学和科研。

五、推荐替代方案二：

TotalSegmentator——一键全身 CT 自动分割

对于需要快速分割多器官 CT 的用户，非常推荐直接使用 TotalSegmentator 扩展 ：

  • 功能特点 ：
    • 基于 nnU-Net 的全自动分割模型，可分割约 100+ 个解剖结构（主要器官、骨骼、血管等）；
    • 在支持 GPU 的工作站上，整套全身 CT 分割可以在 1–2 分钟内完成 ；
  • 使用方式 ：
    • 在 Slicer 扩展管理器中安装 SlicerTotalSegmentator ；
    • 按提示安装 PyTorch 扩展；
    • 载入 CT 体数据后，打开 TotalSegmentator 模块，选择需要的分割模式并运行即可。

TotalSegmentator 的优势在于：不需要单独搭服务器，也不依赖云端服务 ，适合日常教学演示和临床快速勾画结构。

六、实际工作中的推荐做法

综合来看，本教程给出的实用建议是：

  1. 遇到 Nvidia AIAA 报错可以放心忽略 ：它来自已经下线的公共服务器和被弃用的旧扩展，本身不影响其他模块使用。
  2. 不再建议投入精力自建 AIAA 服务器 ：如需 AI 分割与标注，尽量直接转向新生态。
  3. 根据需求选择替代方案 ：
  • 需要自定义模型训练、迭代标注 → 重点考虑 MONAI Label ；
  • 需要快速获取多器官 CT 分割结果 → 优先使用 TotalSegmentator 扩展。