TPTBox：面向CT与MR成像的躯干影像处理工具箱——集成几何一致性、分割与配准的自动化分析平台

《SoftwareX》：TPTBox: Extensive torso processing toolbox for simple and automatic analysis of CT and MR imaging

　　

专业摘要翻译：

从事躯干CT与MR成像的研究人员反复需要解决相同的底层问题：整理遵循不一致命名约定的数据、在图像处理过程中保持图像方向和重采样正确、从分割结果中提取解剖结构及解剖地标，以及将数据连接到配准或可视化工具。TPTBox是一个开源Python软件包，它将这一反复出现的工作链条封装到一个经过测试的库中。该库基于两种自带几何信息的数据类型构建：NII用于图像和分割掩膜，POI用于具名解剖地标。这两种数据类型在每次操作中都会随其数据一同更新仿射元数据，并共同作为所封装的外部分割与配准工具的通用数据载体。TPTBox在Python 3.9–3.14版本上持续进行测试，并已支撑多项经同行评审的脊柱和肌肉骨骼影像研究。

论文解读：

研究背景方面，在医学影像研究中，尤其是躯干CT和MR成像分析中，研究人员在开始回答实际科学问题之前，往往需要耗费大量时间处理一系列重复性底层任务。这些任务包括：整理命名约定不一致的数据集、在重定向和重采样时保持图像的仿射矩阵（将体素索引映射到物理患者空间坐标的变换）与图像数据一致、从分割掩膜中提取解剖地标、以及将数据对接至配准或可视化工具。由于不同项目通常各自独立重新实现这些步骤，容易出现细微但严重的错误，例如重采样后仿射矩阵更新正确，而裁剪后仿射矩阵未同步更新，导致坐标在屏幕上看起来正确，但在世界空间中却出现偏差。此外，通用医学影像工具包（如nibabel、SimpleITK和MONAI）虽然提供了基本的I/O原语、几何变换和网络构建模块，但需要研究人员针对每个数据集和研究问题单独组装调用，缺乏统一的、自动保持几何一致性的高层抽象。为了消除重复性低层编码工作并减少几何簿记错误，研究人员开发了TPTBox，一个开源的Python工具包，它将这一反复出现的处理链封装为一个经过测试的库，使图像、分割掩膜和解剖地标始终处于一致的坐标体系内。

研究人员开展了以下工作：他们设计并实现了两种核心数据类型——NII（图像和分割掩膜容器，内嵌仿射元数据）和POI（具名解剖地标容器，同样跟踪仿射矩阵）。NII封装了nibabel的Nifti1Image，提供超过60个公共方法，涵盖重定向、任意体素间距重采样、裁剪/填充、分割掩膜形态学运算、强度运算、算术混合和多种图像质量指标计算，且在每一步都自动同步仿射和头部信息。POI支持体素或世界空间中的3D坐标集合，具有层级结构，可从配对语义和实例分割掩膜计算解剖地标，例如椎体中心、终板角点、韧带附着点和椎管中心等43种椎骨地标类型。研究人员还建立了共享的标准椎骨和脊柱地标词汇表，确保不同用户或不同流程计算出的地标集合可以直接比较。在数据集导航方面，TPTBox提供了BIDS数据集导航器，可一次性扫描符合脑影像数据结构（BIDS）约定的数据集，并将受试者和会话的迭代转换为查询操作。此外，TPTBox通过统一的NII接口集成了外部分割和配准工具：分割方面支持SPINEPS全脊柱分割网络、VIBESegmentator全身组成分割模型以及任意用户提供的nnU-Net模型；配准方面支持基于POI地标对应的刚性配准、基于ANTs的刚性和可变形配准，以及基于深度学习的DeepALI可变形配准。TPTBox还包含多站拼接模块，可将多个全局对齐的NIfTI体数据合并为一个体积，并可选进行偏置场校正和直方图匹配。可视化模块支持2D快照和3D表面网格渲染，DICOM导入模块可将DICOM序列转换为BIDS命名的NIfTI文件。整个包使用纯Python编写，核心安装仅依赖nibabel、SimpleITK、NumPy、SciPy、scikit-image和scikit-learn，深度学习相关功能作为可选扩展延迟导入。该工具包在Python 3.9–3.14版本上通过Linux和Windows上的持续集成测试。

研究结论方面，TPTBox提供了一个单一、经过测试的Python接口，涵盖了躯干CT/MRI研究中的常见底层任务，包括数据集导航、基于NII抽象的仿射一致性图像I/O、外部分割和配准工具集成，以及带共享地标词汇表的POI层。该包以Apache-2.0许可发布，允许商业使用。通过在所有操作中保持体素数据、仿射元数据和地标语义的一致性，该工具帮助预防了一类持续存在的实现错误，使研究人员能够专注于科学问题本身，而无需编写繁琐的数据处理和编码代码。TPTBox已被多项同行评审出版物作为核心基础设施使用，包括SPINEPS全脊柱分割网络、VIBESegmentator全身组成模型、Graf等人的基于规则的地标框架、Lerchl等人的患者特异性腰椎负荷估计流程，以及Molinier等人的域转移分割方法。整体而言，TPTBox通过将底层几何一致性保证与高层任务集成相结合，显著提高了躯干影像处理流程的可重复性和可扩展性。

讨论部分总结：TPTBox的研究人员讨论了该工具包在科研实践中的实际意义。他们指出，共享的NII/POI抽象取代了每个项目单独重新实现NIfTI I/O、方向和BIDS解析的工作，降低了此前需要手动审计才能发现的静默几何错误的风险。分割掩膜加载时的最小无符号整数类型自动下转换保留了整数标签语义，与默认的nibabel.get_fdata()流程将掩膜无声转换为float64不同，标签图占用的内存减少八倍，所有下游重采样、形态学和连通域操作处理的字节数也减少八倍。TPTBox还提供了定制的进程内nnU-Net推理，运行速度更快，并通过分块预测在大体积数据上保持GPU处理而非回退到CPU聚合。此外，共享地标词汇表和统一数据类型促进了跨项目的可复现处理，使代码更容易适应和比较。讨论也承认了局限性：TPTBox是研究基础设施，其保证有明确边界；图像层主要为NIfTI构建，DICOM是导入路径而非内部一级格式；分割质量依赖于所集成的外部模型（如SPINEPS、VIBESegmentator或用户提供的nnU-Net模型），TPTBox不训练也不验证这些模型，因此继承了它们的失效模式；除深度学习入口外所有功能在CPU上运行，深度学习分割和配准路径需要CUDA GPU才能实际使用；数据集导航器假设符合BIDS风格的文件名；地标词汇表和脊柱特异性统计目前仅覆盖椎骨。然而，研究人员仍然认为，将数据、仿射和地标耦合在一起移除了一类反复出现的几何和簿记错误源，并且测试套件固定了这种行为，尽管它并不能使任意科学流程自动正确。

结论翻译：TPTBox提供了一个单一、经过测试的Python接口，用于处理躯干CT/MRI研究中反复出现的底层任务：数据集导航、围绕NII抽象构建的仿射一致性图像I/O、与外部分割和配准工具的集成，以及一个带有共享地标词汇表的POI层。该包以宽松的Apache-2.0许可证发布。通过在所有操作中保持体素数据、仿射元数据和地标语义的一致性，它有助于防止一类持续存在的实现错误，使研究人员能够专注于科学问题，而不是编写数据处理和加工代码。欢迎通过GitHub仓库提交贡献和问题报告。