MATLAB Image Labeler像素标注实战：从CT肺部区域分割到结果可视化全流程
医学影像分析中，肺部CT图像的分割是许多临床应用的基础步骤。无论是肺结节检测、肺炎病灶分析还是肺功能评估，精准的肺部区域分割都是关键前提。本文将手把手带您完成从原始CT图像到标准分割数据集的完整流程，重点讲解如何利用MATLAB的Image Labeler工具进行高效像素标注。
1. 环境准备与数据导入
在开始标注前，需要确保MATLAB安装了Computer Vision Toolbox。打开MATLAB后，可以通过以下两种方式启动Image Labeler：
- 在APP选项卡中直接点击Image Labeler图标
- 在命令行窗口输入
imageLabeler命令
对于CT图像这类医学影像，建议先进行必要的预处理：
% 读取DICOM序列示例 dicomFiles = dir('*.dcm'); ctVolume = dicomreadVolume(fullfile(dicomFiles(1).folder)); ctSlice = squeeze(ctVolume(:,:,50)); % 提取第50层切片提示：医学影像通常采用DICOM格式，MATLAB的dicomread函数能直接读取这类文件。对于多切片数据，建议逐层标注。
Image Labeler支持多种图像导入方式：
| 导入方式 | 适用场景 | 注意事项 |
|---|---|---|
| 从文件导入 | 单张或多张独立图像 | 支持常见格式如PNG/JPG/TIFF |
| 从文件夹导入 | 批量处理同系列图像 | 自动按文件名排序 |
| 从工作区导入 | 已加载到内存的图像数据 | 需为有效的图像矩阵 |
2. 标签定义与标注策略
在肺部区域分割任务中，我们通常需要定义两类标签：
- Lung：肺部组织区域（前景）
- Background：其他所有区域（背景）
创建标签时，点击ROI Labels下的"+"按钮，按以下参数设置：
- 标签名称：Lung
- 标签类型：Pixel Label
- 描述：CT图像中的肺部区域
对于像素级标注，工具提供了多种标注方式的组合：
核心标注工具对比
| 工具名称 | 适用场景 | 快捷键 | 精度控制 |
|---|---|---|---|
| 多边形工具 | 轮廓初标注 | P | 顶点间距可调 |
| 智能多边形 | 边缘自动吸附 | S | 敏感度参数 |
| 笔刷工具 | 细节修正 | B | 笔刷大小可调 |
| 填充工具 | 封闭区域填充 | F | 阈值可调 |
实际标注时推荐的工作流：
- 先用多边形工具勾勒肺部大致轮廓
- 使用智能多边形优化边缘贴合
- 对内部均匀区域使用填充工具
- 最后用笔刷进行微调
% 标注过程中常用的快捷键设置 preferences = {'Polygon','SmartPolygon','Brush','FloodFill'}; setToolPreferences(preferences); % 设置工具偏好3. 高效标注技巧与质量控制
对于CT序列图像，利用以下技巧可提升标注效率：
- 切片间传播：完成一层标注后，可将结果作为下一层的初始估计
- 批量操作：对相似切片应用相同的标注参数
- 模板匹配：对规律性结构创建标注模板
实时质量检查可通过labeloverlay函数实现：
% 实时预览标注效果示例 labeledImage = labeloverlay(ctSlice, labelMatrix); imshow(labeledImage); colormap([0 0 0; 1 0 0]); % 黑色背景，红色肺部区域标注质量评估指标：
- 边界贴合度：肺部边缘与标注轮廓的重合程度
- 区域完整性：不应遗漏明显的肺部组织
- 一致性：连续切片间的标注应平滑过渡
注意：CT图像通常窗宽窗位需要特别设置，建议在标注前统一调整显示参数：
imshow(ctSlice, [1500 3000]); % 适合肺部的窗宽窗位
4. 数据导出与格式转换
完成标注后，点击Export Labels可选择两种导出方式：
- 导出到工作区：生成groundTruth对象
- 导出到文件：保存为MAT文件和标签图像
标准数据集应包含以下结构：
/lung_seg_dataset /images patient01_slice01.png patient01_slice02.png /masks patient01_slice01.png patient01_slice02.png使用以下代码整理导出的数据：
% 重构数据集目录结构 gTruth = load('gTruth.mat').gTruth; mkdir('lung_seg_dataset/images'); mkdir('lung_seg_dataset/masks'); for i = 1:numel(gTruth.DataSource.Source) [~,name,~] = fileparts(gTruth.DataSource.Source{i}); % 复制原始图像 copyfile(gTruth.DataSource.Source{i},... fullfile('lung_seg_dataset/images',[name '.png'])); % 复制标注图像 labelPath = gTruth.LabelData.PixelLabelData{i}; copyfile(labelPath,... fullfile('lung_seg_dataset/masks',[name '.png'])); end5. 高级应用与自动化处理
对于大规模标注任务，可结合MATLAB的自动化功能：
- 批量预处理脚本：自动调整窗宽窗位、归一化等
- 半自动标注：基于已有模型生成初始标注
- 质量检查工具：自动检测标注异常
示例：使用预训练模型辅助标注
% 加载预训练分割模型 net = load('pretrainedLungNet.mat'); predictedMask = semanticseg(ctSlice, net); % 将预测结果导入Image Labeler ldc = labelDefinitionCreator(); addLabel(ldc, 'Lung', labelType.PixelLabel); labelDefs = create(ldc); gTruth = groundTruth(... groundTruthDataSource({which('ctSlice.png')}),... labelDefs,... table({predictedMask}, 'VariableNames', {'PixelLabelData'})); imageLabeler(gTruth);在实际项目中，CT肺部标注通常会遇到几个典型挑战：部分容积效应导致的边缘模糊、病变区域与正常组织的区分、不同扫描设备间的差异等。针对这些情况，建议在标注前与临床专家共同制定明确的标注规范，并在过程中定期进行交叉验证。
