> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# TotalSegmentator 现在能从 CT 与 MR 影像预测体重、身高、年龄与性别：CPU 上 20 秒
- URL: https://globalfeed.ai/zh/totalsegmentator-xian-zai-neng-cong-ct-yu-mr-ying-xiang-yu-ce-ti-zhong-shen-gao-nian-ling-yu-xing-bie-cpu-shang-20-miao/
- Published: 2026-09-04T23:59:53.000Z
- Updated: 2026-09-05T00:02:32.000Z
- Description: 巴塞尔大学医院团队的这款开源工具，直接从影像本身补出患者信息，面向那些元数据缺失或不可靠的影像归档。CT 上体重平均误差 3.90 公斤，身高 3.68 厘米，性别 F1 为 0.990，且无需显卡。开发者明确声明：这不是医疗器械。
- Author: GlobalFeed Editor
- Tags: TotalSegmentator, 医学影像, 开源, 人工智能, CT, MRI, x-JakobWasserthal, dil-zh, elle, video

医院影像归档有一个不易察觉的问题：与一次 CT 或 MR 扫描一同保存的患者与采集信息常常缺失，有时还是错的。而这些信息对临床决策、影像质量控制和自动化研究流程都很重要。

一个以巴塞尔大学医院为核心的团队提出，直接从影像本身把这块空白补上。在广泛使用的开源分割工具 **TotalSegmentator** 中新增的一项任务，仅凭扫描影像即可预测患者与采集的特征。该研究已[于 2026 年 8 月 29 日发表在 arXiv 上](https://arxiv.org/abs/2608.29348?ref=globalfeed.ai)。

## 它预测什么

两种模态共有：**体重、身高、年龄、性别**，以及造影剂是否存在、椎体覆盖范围和图像噪声。

仅 CT：扫描仪厂商、管电压、管电流、卷积核，以及注射后经过的时间。仅 MR：序列类别。

## 数据

模型由分别训练的 **3D ResNet-10 集成**构成，训练数据为 2011 年至 2025 年间的 **57,291 例 CT 与 43,200 例 MR 临床检查**。

在院内测试集上，CT 结果为：体重平均绝对误差 **3.90 公斤**，身高 **3.68 厘米**，年龄 **4.42 岁**，性别 F1 **0.990**。MR 依次为 4.34 公斤、4.62 厘米、7.13 岁与 0.970。

更有意义的是外部数据集的结果，因为它显示模型走出本院之后是否仍然站得住。在外部 CT 数据集上：体重 **4.45 公斤**，身高 **4.05 厘米**，年龄 **5.17 岁**，性别 F1 **0.971**。有下降，但幅度不大；模型看起来并未过度拟合于自己所在的机构。

## 为什么不需要显卡

这是实践中最关键的一点。在 CPU 上推理，**CT 需 20 秒，MR 需 12 秒**。也就是说，不必为此采购带显卡的服务器；把归档里的旧检查批量跑一遍，普通服务器就能完成。

## 怎么运行

该工具通过命令行一行调用：

```
totalseg_get_body_stats -i ct.nii.gz -o body_stats.json -m ct
```

此任务还需额外安装 `timm` 与 `monai` 两个包。若不想为了试用而安装任何东西，团队也提供了网页界面：[compute.totalsegmentator.com/body-stats](https://compute.totalsegmentator.com/body-stats/?ref=globalfeed.ai)。

## 许可：内核开放，部分模型不是

TotalSegmentator 本身采用 **Apache-2.0** 许可，允许商业使用。但据仓库自身的说明，若干专用模型另有许可安排：非学术用途需要联系开发者。在机构内部署之前，应当先确认你要用的那项任务属于哪一类。

## 真正的提醒

开发者在仓库里写得很明白：*“这不是医疗器械，也不用于临床用途。”*

这句话并非装点。该工具声明的用途是补全缺失的元数据、做质量控制、以及支撑研究流程。为了临床决策而从这里读取患者的体重或年龄，并不是它被设计来做的事。在企业级部署中，这一区分需要白纸黑字写下来，因为当结果以一个 JSON 文件的形式抵达时，产生它的模型的边界就变得看不见了。

## 把分寸拿住

还有一条提醒指向相反的方向。一个能从影像推断年龄、性别与身体尺寸的模型，对那些被认为已去标识化的数据集提出了另一个问题：即便患者信息已被抹去，影像本身仍然携带着其中的一部分。论文并未展开这一讨论，这也不是它的目的；但一家准备把归档开放给研究使用的机构，应当把它考虑进去。

## 来源

- **一手来源，论文：**Jakob Wasserthal、Joshy Cyriac、Michael Bach、Kimia Mozahheb Yousefi、Minh-Son To、Mate Sik、Cedric Hemon、Thomas Weikert、Martin Segeroth，*“Extending TotalSegmentator: Predicting Patient and Acquisition Characteristics from CT and MR Images”*，arXiv:2608.29348，2026 年 8 月 29 日：[arxiv.org/abs/2608.29348](https://arxiv.org/abs/2608.29348?ref=globalfeed.ai)
- **代码、许可与用法：**TotalSegmentator 仓库，本文的命令与许可说明取自该处：[github.com/wasserth/TotalSegmentator](https://github.com/wasserth/TotalSegmentator?ref=globalfeed.ai)
- **网页界面：**[compute.totalsegmentator.com/body-stats](https://compute.totalsegmentator.com/body-stats/?ref=globalfeed.ai)
- **发布信息：**由论文第一作者、该工具开发者 Jakob Wasserthal 于 2026 年 9 月 4 日在其本人账号发布。