医学影像分割后处理：连通域形态学与CRF

CH-08-09-012·约 19 分钟·AI应用领域·更新 2026-08-11

想象你是一位玉雕匠人。一台自动切割机（深度学习分割模型）沿着画好的线，把整块玉料（CT/MRI 影像）切出了器官粗坯——但它毕竟是机器，切出的“毛坯”布满碎渣、毛刺、裂纹和砂洞。你当然不敢把这样的毛坯直接递给客户（临床医生）。于是，你有一套世代相传的三步精修工序：先用细筛筛掉散落的碎石渣（连通域分析），再用砂轮打磨毛边、填平裂缝（形态学操作），最后用放大镜照着整块料子的纹理走向细细收尾（CRF 精修）。这套工序，就是医学影像分割的后处理。对深度学习分割模型来说，原始输出往往是一张逐体素预测的概率图，阈值化后得到布满噪声的粗糙掩膜。后处理虽然不改变网络参数，却常常能带来 DSC 指标的显著提升——它是模型从“论文指标好看”走向“临床可用的稳定输出”的最后一块拼图。

岗位关联

对 AI 从业者的职业价值：分割模型的竞赛分数往往只差零点几个点，而一套扎实的后处理流水线能稳定提升 2~5 个百分点的 DSC，还能消除临床医生最反感的“碎块噪声”，这是医学影像算法落地必备的工程能力。

可视化演示
为什么要后处理
连通域分析去碎块
形态学操作平滑
CRF精修边界
工程工具链
评估与调参
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

动态演示医学影像分割后处理的核心机制，通过基础/核心/应用/扩展四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

医学影像分割后处理：分割后处分割后处理概述连通域分析去碎块核心机制可视化医学影像分割后处理整体架构与关键组件

为什么要后处理

自动切割机效率惊人，但切出的玉料毛坯从不让人省心：边缘留着锯齿状的刀痕，表面散落着小得几乎看不见的石渣，内部还偶尔藏着几处砂眼。如果直接把这样的毛坯交给客人，客人只会摇头退货。分割模型的输出正是这样一块“毛坯”——网络对每个体素独立打分，再按 0.5 阈值切成二值掩膜，于是产生了四类典型瑕疵：假阳性噪点（孤立亮点）、假阳性碎块（血管或钙化被误认成目标）、锯齿状边界（逐体素的阶梯效应）、内部假阴性空洞（模型置信度不足的区域）。

在医学影像里，这些瑕疵不是观感问题，而是临床风险：碎块会让医生误判病灶范围，空洞会让体积测量失真。因此我们需要一套“玉雕精修工序”来收拾残局——这正是分割后处理存在的意义。后处理不修改网络权重，而是像工匠的双手一样，在模型输出的基础上做几何与概率层面的修正。

要判断精修效果好不好，玉雕行当有自己的验收标准——DSC 系数就是分割界的“游标卡尺”：

毛坯是否合格，先上卡尺量一量。DSC 低于预期的掩膜，才需要后续三道工序逐一打磨。

\displaystyle \text{DSC} = \frac{2\,|A \cap B|}{|A| + |B|}

DSC（Dice Similarity Coefficient）衡量预测掩膜与金标准掩膜的重叠程度，取值 0~1，越接近 1 表明分割越准。

A 与 B预测掩膜和金标准的体素集合，医学影像中体素就是三维像素。
$A: \text{预测分割区域},\quad B: \text{金标准区域}$
|·| 表示集合大小统计集合内体素的个数，代表区域的体积。
$|A| = \sum_{v \in A} 1$
A ∩ B 求交集找出两个集合共同覆盖的体素。
$A \cap B = \{ v \mid v \in A \ \text{且}\ v \in B \}$
整体计算两倍交集除以两集合大小之和，几何上等于“两圆重叠面积”的归一化。
$\text{DSC} = \frac{2 \times \text{交集体素数}}{\text{A体素数} + \text{B体素数}}$

连通域分析去碎块

玉雕师傅的第一道工序是筛渣。他会把毛坯放在一张细密的筛网上轻轻摇晃，那些散落的小石渣纷纷落下，只有足够大的玉料主体留在筛面上。这里的“筛网孔径”就是连通域分析的面积阈值。

把图像中的前景体素按“相邻关系”分组——上下左右相接的像素构成一个连通域。医学影像中常用两种邻域定义：4-邻域只承认上下左右四个方向相接，8-邻域额外承认对角相接。可以理解为：4-邻域是“只有邻居才是一家人”，8-邻域是“隔着墙角对望也算一家人”，标准更宽松，碎块更容易连成一片。

标记出所有连通域后，就给每个区域算出“体积”（体素数），然后执行筛分：体积小于阈值 T 的连通域整体置为背景，大于等于 T 的完整保留。这正是自动化程度最高的后处理步骤，也是过滤假阳性碎块最直接的手段。

筛掉小石渣，留下大玉料——连通域分析用一行数学判定，就清理掉了掩膜上九成肉眼可见的“小颗粒噪声”。

\displaystyle N_4(p) = \{(x+1,y),\ (x-1,y),\ (x,y+1),\ (x,y-1)\}

\displaystyle N_8(p) = N_4(p) \cup \{(x+1,y+1),\ (x+1,y-1),\ (x-1,y+1),\ (x-1,y-1)\}

面积阈值 T 通常取 26~100 体素，视层厚和器官大小而定。太大的阈值会把真实的小病灶一起筛掉。

Cₖ 表示第 k 个连通域标记算法给每个区域一个编号。
$\mathcal{C}_k = \{ \text{同属标签 } k \text{ 的前景体素} \}$
S(Cₖ) 计算体积统计该区域共有多少体素。
$S(\mathcal{C}_k) = \text{区域 } k \text{ 的体素总数}$
阈值 T 筛选体积大于等于 T 的区域被保留。
$S(\mathcal{C}_k) \ge T$
输出掩膜 M'保留区域的体素值为 1，其余为 0。
$M'(x,y) = 1 \ \text{仅当体素落在保留区域内}$

形态学操作平滑

石渣筛掉后，轮到砂轮上场。玉雕师傅握着毛坯在砂轮上轻轻转动，凸起的毛刺被磨去，凹陷的砂眼被填补。形态学操作的“砂轮”，是一个称为结构元素的小窗口，它在掩膜上滑动，决定每次是“向外长一圈”还是“向内收一圈”。

两个基本动作是膨胀与腐蚀。膨胀让前景区域向外扩张一层，能填平小凹坑、连接断裂处；腐蚀让前景区域向内收缩一层，能削掉细小的毛刺突起。单独看，一个放大一个缩小，似乎只会让体积失真；但把两者组合，就产生了真正的“打磨”效果——开运算（先腐蚀后膨胀）削掉外部小突起，闭运算（先膨胀后腐蚀）填平内部小孔洞。这正是玉雕里“先粗磨后细磨”的工序逻辑。

有了这两个基本动作，组合出打磨工序：

砂轮磨过之后，毛坯的轮廓变得圆润光滑。形态学的妙处正在于此：它做的是“几何整形”，不改变器官的拓扑大结构，只把边界修到让人看着舒服、量着准确的程度。

\displaystyle A \oplus B = \{ z \mid (\hat{B})_z \cap A \neq \varnothing \},\qquadA \ominus B = \{ z \mid (B)_z \subseteq A \}

开运算去突起、闭运算填孔洞。医学影像中，器官内部血管漏检形成的小孔，用闭运算一次就能弥合。

开运算 A∘B先腐蚀后膨胀，顺序不可颠倒。
$A \circ B = (A \ominus B) \oplus B$
闭运算 A•B先膨胀后腐蚀，填补内部空洞。
$A \bullet B = (A \oplus B) \ominus B$
工程直觉膨胀把口子先合上，腐蚀把多长的部分再收回来，一进一出净效果就是“填洞不增体积”。

CRF精修边界

砂轮磨出的轮廓已经相当漂亮，但玉雕师傅仍不满足。他放下砂轮，拿起放大镜，沿着整块玉料的纹理走向细细审视——这里纹路该顺着走，那里颜色该自然过渡。这种“全局眼光”，正是连通域和形态学不具备的：前两者只看局部邻域，而 CRF（条件随机场）把整幅图像当成一张精密的网，从全局能量的角度给每个体素分配标签。

CRF 把分割问题转化为一个能量函数的最小化：能量由两部分组成。一元势能衡量“这个体素单独看更像病灶还是更像背景”，直接取自分割模型的输出概率；二元势能衡量“相邻两个体素的标签是否和谐”，若两个邻近体素灰度相似却标签不同，就施加惩罚，逼迫它们保持一致。

二元势中常用的高斯核同时比较位置和灰度：第 m 个核函数比较两个体素的空间距离与灰度差异，μ 表示“标签不同则惩罚、相同则零惩罚”的兼容函数。

这个能量函数没有解析解，工程上用平均场近似迭代求解：每一轮让每个体素“听取”周围邻居的意见，更新自己的标签置信度，迭代 5~10 次后收敛。就像玉雕师傅反复对照纹理，每一刀都参考周边玉色，最终让整块成品浑然一体。CRF 是三道工序中唯一“看见全局”的一步，也是让掩膜从“几何正确”走向“解剖自然”的关键。

\displaystyle E(\mathbf{x}) = \sum_{i} \psi_u(x_i) + \sum_{i<j} \psi_p(x_i, x_j)

第一项只约束空间邻近性，第二项额外要求灰度一致——“靠得近且长得像的，应该是同一个类别”。

pᵢ 与 Iᵢ体素的空间坐标和灰度值。
$p_i: (x_i, y_i, z_i),\quad I_i: \text{灰度}$
兼容函数 μ标签相同为 0，标签不同为 1。
$\mu(x_i, x_j) = [x_i \ne x_j]$
空间核距离越近惩罚越强，θα 控制空间尺度。
$\exp\!\left(-\frac{\|p_i-p_j\|^2}{2\theta_\alpha^2}\right)$
双核联合空间相近且灰度相近时惩罚最强。
$\exp\!\left(-\frac{\|p_i-p_j\|^2}{2\theta_\beta^2} - \frac{\|I_i-I_j\|^2}{2\theta_\gamma^2}\right)$

工程工具链

玉雕师傅的工作台上有三样趁手的家伙：粗坯切割机负责读入原石，砂轮负责打磨，放大镜负责精修。对应到代码世界，就是医学影像后处理的三件套工具。

第一件是 SimpleITK。它负责读写 NIfTI、DICOM 等医学影像格式，同时内置了连通域打标签（ConnectedComponent）、按体积重排序（RelabelComponent）等影像专用接口，还能读取体素间距（spacing）——这个信息对形态学操作至关重要。第二件是 scipy.ndimage，它提供 label、binary_opening、binary_closing 等通用形态学函数，轻量灵活，适合算法原型快速迭代。第三件是针对 CRF 的专用库或自行实现的平均场迭代器。

使用这些工具时，最需要警惕的是“维度思维”。医学影像本质是三维体数据，如果图省事逐层做 2D 处理，层与层之间的解剖连续性会被打破，出现“阶梯断层”。正确的做法是把整个体积当成一个 3D 数组，用 3D 结构元素处理。同时，影像的体素间距常常各向异性——层厚 5mm 而层内像素间距 1mm，直接套用各向同性的结构元素，z 方向的形态学效果会被无形放大。

工具链的成熟度决定了后处理流水线的稳定性。用好这三件套，就能把前两节的连通域和形态学、第三节的 CRF 串成一条工业级的精修产线。

\displaystyle \text{各向异性比} = \frac{\max(s_x, s_y, s_z)}{\min(s_x, s_y, s_z)}

各向异性比越大，形态学结构元素越应该按物理尺寸设计，而不是按体素个数设计。

s_x, s_y, s_z 分别表示三个方向的体素间距CT 影像常见平面内 0.5~1mm，层厚 1~5mm。
$s_x, s_y, s_z: \text{各方向体素物理间距}$
比值衡量畸变程度比值接近 1 是各向同性，远大于 1 则 z 方向被“拉长”。
$\text{各向异性比} = \frac{\max(s_x, s_y, s_z)}{\min(s_x, s_y, s_z)}$
工程修正将结构元素的半径按物理毫米换算到体素个数。
$r_{\text{voxel}} = \left\lceil \frac{r_{\text{mm}}}{\min(s_x, s_y, s_z)} \right\rceil$

评估与调参

玉雕成品最后要过验收关：卡尺量尺寸、电子秤称重量、强光下查裂纹。分割后处理同样需要一套定量验收标准，才能判断工序参数是否合理。

最常用的依然是 DSC（空间重叠率），它与 IoU 本质同源，都衡量预测与金标准的重叠程度。但在临床场景中，仅看重叠还不够——一个内部全是空洞、体积严重缩水的掩膜，DSC 可能仍然不低。因此还要加上体积误差指标，它直接反映医生最关心的“这个器官/病灶到底有多大”：

参数怎么调？玉雕老师傅的经验是“小步试探”：连通域面积阈值从 26 体素起试，形态学闭运算迭代 1~2 次，CRF 迭代 5~10 次，在验证集上做网格搜索，对比 DSC 与 VE 的联合表现。特别要警惕“过处理”——工序做过头，真实存在的小病灶被筛掉、器官体积被削掉一层，DSC 不升反降。后处理的目标是在保持真实结构完整的前提下祛除噪声，而不是把一切“不顺眼”的东西都磨掉。验收通过，这块玉料才真正配得上“成品”两个字。

\displaystyle \text{VE} = \frac{|V_{\text{pred}} - V_{\text{gt}}|}{V_{\text{gt}}} \times 100\%

VE 超过 10% 通常会被临床认为体积测量不可靠。DSC 管“形状对不对”，VE 管“大小准不准”，两者缺一不可。

V_pred 与 V_gt预测掩膜和金标准的体素总数。
$V_{\text{pred}} = \sum \mathbf{1}(M' = 1),\quad V_{\text{gt}} = \sum \mathbf{1}(M_{\text{gt}} = 1)$
差值取绝对值只关心偏差大小，不区分高估还是低估。
$|V_{\text{pred}} - V_{\text{gt}}|$
归一化并转百分比以金标准体积为基准，得到相对误差。
$\text{VE} = \frac{|V_{\text{pred}} - V_{\text{gt}}|}{V_{\text{gt}}} \times 100\%$

AI 应用场景

肝脏肿瘤 CT 分割的后处理流水线

阶段：分割模型推理后的输出精修环节

解决的问题：3D U-Net 在门静脉期 CT 上分割肝肿瘤时，小血管和钙化点常被误判为肿瘤，产生大量假阳性碎块；肿瘤边界也因低对比度呈现锯齿状。直接输出给临床，医生需要手动删掉几十个碎块，耗时且容易漏诊。

具体案例：某影像 AI 公司在肝脏肿瘤辅助诊断系统中，对模型输出的概率图依次执行：连通域分析（剔除小于 50 体素的碎块）→ 形态学闭运算（弥合肿瘤内部坏死灶导致的空洞）→ 全连接 CRF 精修（利用 CT 灰度边界收紧轮廓）。后处理使肿瘤分割 DSC 从 0.86 提升到 0.90，单例假阳性碎块数从平均 23 个降到 1 个以内，医生阅片效率提升约 40%。

脑肿瘤 MRI 亚区分割的类别一致性约束

阶段：多类分割输出的后处理阶段

解决的问题：脑肿瘤包含水肿、增强核心、坏死核多个亚区，逐体素独立分类常导致同一解剖结构内标签跳变（如坏死核里冒出几个“增强核心”像素）。这种类别噪声严重影响肿瘤体积的临床测量。

具体案例：BraTS 挑战赛的参赛方案中，团队在 3D U-Net 输出后引入多类 CRF：一元势用各类别的预测概率，二元势约束空间邻近且 MRI 灰度相似的体素必须属于同一亚区。迭代 8 次后，增强核心的 DSC 从 0.78 升至 0.82，亚区标签的“椒盐跳变”基本消失，生成的肿瘤体积报告可直接用于术前评估。

心脏 MRI 心室分割的连续性与射血分数计算

阶段：分割结果后处理与指标计算环节

解决的问题：心脏电影 MRI 逐帧分割心室时，单帧输出常在心内膜边界出现断裂，导致心腔不连续，进而使射血分数（EF）计算出现明显波动。

具体案例：某心血管影像分析平台对左心室分割结果先做 3D 连通域分析，只看体积最大的心腔区域；再用球形结构元素做闭运算弥合乳头肌附近的小断裂；最后用 CRF 沿心肌边界精修。处理后 EF 值与超声金标准的平均偏差从 8% 降到 3% 以内，达到临床报告可接受范围。

Python 演示

python50 行

import numpy as npfrom scipy import ndimage  def dice(a, b):    """计算两个二值掩膜的 DSC 系数"""    inter = np.logical_and(a > 0, b > 0).sum()    return 2.0 * inter / (a.sum() + b.sum())  def postprocess(pred, min_size=64, closing_iter=1, crf_iter=5):    """分割后处理流水线: 连通域过滤 - 形态学闭运算 - 邻域投票精修"""    binary = (pred > 0.5).astype(np.uint8)     # 1 连通域分析: 统计每个连通区域体素数, 保留大于阈值的区域    labels, num = ndimage.label(binary)    sizes = ndimage.sum(binary, labels, range(1, num + 1))    keep = np.zeros(num + 1, dtype=bool)    for i in range(1, num + 1):        if sizes[i - 1] >= min_size:            keep[i] = True    keep[0] = True    filtered = keep[labels].astype(np.uint8)     # 2 形态学闭运算: 弥合内部小孔并平滑边界    struct = ndimage.generate_binary_structure(3, 2)    closed = filtered    for _ in range(closing_iter):        closed = ndimage.binary_closing(closed, structure=struct).astype(np.uint8)     # 3 简易 CRF 精修: 用 3x3x3 邻域平均场近似迭代更新    refined = closed.astype(np.float32)    for _ in range(crf_iter):        nb = ndimage.uniform_filter(refined, size=3)        refined = 0.5 * refined + 0.5 * nb    return (refined > 0.5).astype(np.uint8)  if __name__ == "__main__":    rng = np.random.default_rng(42)    zz, yy, xx = np.mgrid[0:64, 0:64, 0:64]    truth = (((xx - 30) / 14) ** 2 + ((yy - 32) / 18) ** 2 + ((zz - 32) / 20) ** 2 <= 1).astype(np.uint8)    # 模拟模型输出: 撒噪点 + 挖孔洞    pred = truth.copy()    pred[rng.random(pred.shape) < 0.012] = 1    hole = truth > 0    pred[hole & (rng.random(pred.shape) < 0.10)] = 0    cleaned = postprocess(pred)    print("DSC before = %.4f" % dice(pred, truth))    print("DSC after  = %.4f" % dice(cleaned, truth))

目的：用合成体积数据模拟粗糙分割输出，演示完整的后处理三件套，并量化 DSC 提升幅度。

labels, num = ndimage.label(binary)给每个独立连通区域编上从 1 到 num 的编号。
sizes = ndimage.sum(binary, labels, range(1, num + 1))统计每个编号区域的体素总数，作为“筛分”依据。
filtered = keep[labels].astype(np.uint8)用“保留名单”做索引映射，一步替换掉所有小碎块。
ndimage.generate_binary_structure(3, 2)生成 3D 邻接结构，参数 2 表示含对角，共 26 邻域。
ndimage.binary_closing(closed, structure=struct)执行闭运算，先膨胀后腐蚀，弥合内部孔洞。
ndimage.uniform_filter(refined, size=3)对体素邻域取平均，模拟 CRF 平均场迭代中“听取邻居意见”的过程。

常见误区

误区既然小碎块是噪声，那把连通域面积阈值设成 500、闭运算迭代 10 次，肯定能获得最干净的分割结果。

正解后处理是一把双刃剑。阈值设得过大，会把真实存在的小病灶（如 2~3mm 的转移瘤结节）连同噪声一起删掉；闭运算迭代过多，器官边界会整体外扩，体积被系统性高估。正确做法是在验证集上做参数网格搜索，用 DSC + VE 联合指标挑选参数，而不是盲目追求“干净”。

为何常见：人眼对“噪声被清除”的视觉改善非常敏感，却不容易察觉体积被静悄悄放大，于是容易陷入“越干净越好”的直觉陷阱。

误区CT 数据就是一堆切片图，逐层用 2D 连通域和 2D 形态学处理，效果应该和 3D 处理差不多。

正解医学影像是三维体数据，器官在层间是连续的。逐层独立处理会忽略 z 方向的邻接关系，同一器官在相邻切片上可能被标记成不同连通域，导致层间断裂、边界出现阶梯状伪影。必须用 3D 结构元素和 3D 连通域算法，才能保持解剖结构的空间连续性。

为何常见：模型训练时常用 2D 切片增强数据，开发者习惯了“切片视角”，容易忘记推理时面对的是完整的 3D 体积。

误区CRF 听起来很高级，只要训练好的模型输出不理想，套上 CRF 就能自动修复所有边界问题。

正解CRF 依赖图像自身的外观一致性。如果原始图像对比度极低、噪声严重，二元势会把错误的标签在相似像素间“传染”开，反而扩大误差区域。此外 CRF 的超参数（权重 w、尺度 θ）需要针对具体影像模态调优，不当配置下 DSC 可能不升反降。

为何常见：论文里 CRF 总是作为“精度提升器”出现，读者容易忽略它同样是一个需要调参、有失效模式的算法组件。

误区模型把肿瘤漏掉了一大半，没关系，用形态学膨胀把区域补大一点，再用闭运算连起来就行了。

正解后处理只能做“边界级修正”，做不了“区域级重构”。当模型大面积漏检时，剩余的正确像素可能连阈值过滤都过不了，膨胀只会放大噪声而非补回真实结构。后处理改善的是掩膜的质量，而非模型的召回能力——模型欠拟合必须回到训练环节解决。

为何常见：后处理代码改起来快、验证也快，容易让人产生“先靠后处理兜底”的侥幸心理，掩盖了模型本身需要迭代的事实。

误区后处理之后 DSC 从 0.82 涨到 0.88，说明这个分割结果可以直接拿给医生用了。

正解DSC 只反映体素重叠比例，对边界细节不敏感。一个整体重叠不错但边缘整体外扩 3mm 的掩膜，DSC 可能依然很高，但临床测量（如肿瘤最大径、器官体积）已经失真。临床验收必须综合 DSC、体积误差、边界距离指标（如 HD95），并由影像科医生做主观评分。

为何常见：学术竞赛用 DSC 排名，从业者容易把单指标当作“金标准”，忽略了临床场景是多指标、多角色的综合决策。

面试题

Q1. 医学影像分割后处理最合理的流程顺序是？

单选题 · easy

A.形态学操作 -> CRF -> 连通域过滤
B.连通域过滤 -> 形态学操作 -> CRF← 正确答案
C.CRF -> 连通域过滤 -> 形态学操作
D.直接交付不进行任何后处理

答案：B。正确顺序是先筛碎渣（连通域过滤），再磨边（形态学操作），最后全局精修（CRF）。顺序颠倒会让后一步的局部修改破坏前一步的全局结果，比如先做 CRF 再删碎块，可能把 CRF 精心修正的边界又删掉了。

Q2. 关于 8-邻域与 4-邻域的连通域分析，下列说法正确的是？

单选题 · mid

A.8-邻域把对角相邻像素视为同一区域← 正确答案
B.4-邻域把对角像素也视为同一区域
C.8-邻域与 4-邻域标记结果完全相同
D.8-邻域分割出的连通域面积更小

答案：A。8-邻域在上下左右之外额外承认四个对角邻居，连通标准更宽松，因此小碎块更容易被连成一片，产生的连通域面积通常更大而不是更小。

Q3. 形态学开运算的定义是？

单选题 · easy

A.开运算是先腐蚀后膨胀的组合← 正确答案
B.开运算是先膨胀后腐蚀的组合
C.开运算只执行腐蚀不执行膨胀
D.开运算只执行膨胀不执行腐蚀

答案：A。开运算 A∘B = (A⊖B)⊕B，先腐蚀削掉外部小突起，再膨胀恢复原有尺寸。这就像玉雕先磨掉毛刺、再修回原形，净效果是去除小突起而不改变大轮廓。

Q4. 闭运算在医学影像分割后处理中的主要作用是？

单选题 · mid

A.闭运算用于填充内部小孔并弥合裂缝← 正确答案
B.闭运算用于削除掩膜外部的小突起
C.闭运算用于把一个连通域拆成多个
D.闭运算用于放大图像并增强分辨率

答案：A。闭运算 A•B = (A⊕B)⊖B，先膨胀把孔洞和小裂缝“合上口子”，再腐蚀恢复尺寸。器官内部血管漏检造成的假阴性小空洞，正是靠闭运算来弥合的。

Q5. 关于 CRF 的能量函数，下列说法正确的有？

多选题 · mid

A.一元势函数与概率图直接相关← 正确答案
B.二元势函数约束相邻像素一致性← 正确答案
C.能量函数只包含一元势一项
D.能量函数只包含二元势一项

答案：AB。CRF 能量函数由一元势和二元势共同组成。一元势 E = -log P(xᵢ) 吸收模型输出的类别概率，二元势对“邻近且相似却不同标签”的体素对施加惩罚，二者缺一不可。

Q6. 在 DSC = 2|A∩B| / (|A|+|B|) 中，|A∩B| 表示？

单选题 · hard

A.预测与金标准两者重合的体素数← 正确答案
B.预测掩膜包含的全部体素总数
C.金标准掩膜包含的全部体素总数
D.预测与金标准两者并集的体素数

答案：A。|A∩B| 是预测掩膜 A 与金标准 B 共同覆盖的体素数。分子是两倍的重合体素数，分母是两者的体素总和。DSC=1 表示完全重合，DSC=0 表示毫无重叠。

Q7. 下列工具中，适合用于医学影像分割后处理的有？

多选题 · mid

A.SimpleITK 提供医学影像读写接口← 正确答案
B.scipy.ndimage 提供形态学操作函数← 正确答案
C.pandas 提供三维体积滤波与标注
D.matplotlib 提供连通域标记算法

答案：AB。SimpleITK 负责 NIfTI/DICOM 读写与影像专用接口，scipy.ndimage 提供 label、binary_closing 等形态学函数。pandas 是表格处理库，matplotlib 是绘图库，都不提供体数据滤波或连通域标记能力。

Q8. 处理 3D 医学影像时，为什么要特别关注体素间距（spacing）？

单选题 · extreme

A.各向异性分辨率会导致各方向滤波效果不一致← 正确答案
B.spacing 越大意味着图像空间分辨率越高
C.spacing 只影响文件大小不影响算法结果
D.spacing 由分割模型训练时自动决定

答案：A。CT 影像常见层厚 5mm 而层内像素间距 1mm，若结构元素按体素个数设计，z 方向的形态学效果会被无形放大数倍。只有按物理毫米换算结构元素半径，才能保证三个方向的平滑程度一致。

Q9. 与逐体素独立分类相比，CRF 精修分割结果的核心优势是？

单选题 · hard

A.在全局能量意义下分配各像素标签← 正确答案
B.对每个像素独立地取最大概率类别
C.仅依赖形态学结构元素做局部修改
D.只对图像做高斯滤波后重新阈值化

答案：A。CRF 把整幅图像建模为图结构，一元势吸收模型概率、二元势协调相邻关系，通过最小化全局能量来分配标签。它不像逐体素分类那样“各自为政”，而是让标签分配在整体上协调一致。

Q10. 后处理参数设置过度，可能带来哪些危害？

多选题 · hard

A.真实存在的细小解剖结构被误删← 正确答案
B.器官整体体积被过度收缩或扩张← 正确答案
C.相邻层之间的解剖连续性被破坏← 正确答案
D.后处理耗时增加导致无法上线

答案：ABC。阈值过大或迭代过多，会删除真实的小病灶（A）、系统性改变器官体积（B）；忽视 3D 连续性而逐层处理会造成层间断层（C）。耗时增加属于工程优化问题，不属于过度后处理的病理性危害。