企业官网建设流程全解析

简介：利用MATLAB软件编程实现CT图像三维重建与体绘制的完整资源包，面向医学影像处理学习者、科研人员及MATLAB开发者，解决从CT二维切片到三维可视化模型的关键问题。压缩包共含17个文件，以3个M脚本为核心实现代码，12个JPG图片展示重建与体绘制的阶段性效果，另有ASV备份文件及TXT程序说明，整体仅205KB，轻量易读。目前已有2481人学习，适用于图像预处理、体素重建、等值面生成、光照材质调节等环节的参考与复用。通过该资源可学习dicomread读取、滤波去噪、reshape三维数组构建、isosurface与patch三维绘制等典型操作，并借助直观图例理解参数效果，快速迁移到自己的医学影像项目中。程序说明文件对运行环境、数据读取方式和主要参数进行了梳理，帮助减少上手障碍，无论用于课程设计还是科研预研，都有直接参考价值。

1. 从 CT 序列到三维体绘制：为什么首选 MATLAB

医学影像里，CT 扫描得到的是一叠二维断层切片，单张切片只能看到某个层面的解剖结构，医生诊断肿瘤边界、骨科评估骨折线、手术规划模拟切除范围时，都需要在三维空间里旋转、缩放、切割观察。体绘制（Volume Rendering）和表面重建（Surface Rendering）是两条主要路径，前者直接把体素数据映射为半透明图像，保留内部细节，不丢信息；后者先提取等值面再渲染，速度快但会丢失弱梯度上的细小结构。做科研演示、算法验证或者临床辅助工具时，我一般会优先选择体绘制。

MATLAB 在这一场景里的优势不是渲染性能，而是它能用一套语言串起完整链路：读 DICOM、滤波去噪、重采样、体绘制、交互标注、导出视频。Image Processing Toolbox 提供dicomread读取序列，squeeze整理维度，isosurface做表面重建，而volshow和Volume Viewer App则直接支持高质量光线投射体绘制。你用 OpenGL 或 VTK 当然也能做，但 MATLAB 脚本化的工作流对科研人员更友好：参数可复现，批量处理方便，和深度学习分割结果的无缝衔接更是加分项。

这篇文章围绕“从 CT 到三维体绘制”的完整实现路径展开，包含最小可运行代码、参数调优、GPU 加速和内存排错，适合医学影像处理初学者，也适合需要把 MATLAB 体绘制集成到现有科研流程的工程师。

2. CT 图像三维重建与体绘制的核心原理和选型

2.1 体绘制技术路线：直接体绘制 vs 面绘制

体绘制的本质是把三维体数据看成一组标量场采样点，每个体素携带一个密度值（CT 里通常为 Hounsfield 单位，HU）。光线从屏幕像素出发穿过体数据，沿途按透明度累积颜色，最终生成二维图像。常见算法有光线投射（Ray Casting）、抛雪球法（Splatting）、剪切-扭曲（Shear-Warp）等，MATLAB 的volshow默认采用 GPU 加速的光线投射，质量最高，实时交互性能也最好。

面绘制则是先通过isosurface提取等值面，再用patch显示。它的优点是三角形网格渲染快、适合导出 STL 给 3D 打印；缺点是等值面阈值选得不好就会丢失低对比度组织，而且做切割时网格会变得零碎。

对于 CT 图像，骨骼和软组织 HU 值范围差异很大：骨骼大约在 300~3000 HU，软组织在 -100~100 HU，空气接近 -1000 HU。体绘制通过传递函数（Transfer Function）把这些 HU 值映射为不透明度、颜色和亮度，可以同时显示皮肤、血管和骨骼。volshow里的Colormap和Alphamap就是这种映射的直接控制接口。

% 读取一张CT切片，查看HU值范围，判断窗宽窗位 info = dicominfo('CT_slice.dcm'); I = dicomread(info); fprintf('Raw data range: %d ~ %d\n', min(I(:)), max(I(:)));

这段代码先读取 DICOM 元信息和像素数据。CT DICOM 文件的像素值经常以 12 位或 16 位存储，原始值不等于 HU，需要通过info.RescaleIntercept和info.RescaleSlope转换。上述代码打印出的范围是原生值，实际用volshow渲染时，自动缩放逻辑会直接按原生数据分布做归一化，所以你先不用手动转 HU，但要心里有数：如果数据里包含金属伪影的高亮值，自动缩放会把整个动态范围拉宽，软组织对比度会被压缩掉。

2.2 为什么在 MATLAB 里选volshow而不是isosurface+patch

我的经验是：如果目标是观察、标注、测量，就用volshow；如果目标是网格导出、有限元仿真前置，就用isosurface + reducepatch + stlwrite。volshow是 R2020b 起主推的函数，底层封装了光线投射渲染器，支持 GPU 加速（Parallel Computing Toolbox 不是必需的，但 GPU 可用时自动加速）。

一个常见误区是：很多人看到volshow弹出来的窗口很“黑”，就问为什么看不到组织。原因往往是 GPU 驱动或显卡太旧，导致 Alpha blending 效果不对。此时改用viewer3d替代，或调低渲染分辨率可以缓解。另一个技巧是把数据先做一次直方图均衡或窗宽窗位调节，再送入volshow，效果会稳定很多。

% 体绘制的最小可用代码：以动态范围缩放为例 V = single(squeeze(CT_volume)); % CT_volume: 从dicomread批量读出的4D数组 V = (V - min(V(:))) / (max(V(:)) - min(V(:))); % 归一化到[0,1] h = volshow(V, 'RenderingStyle', 'MaximumIntensityProjection');

这里RenderingStyle可以取'MaximumIntensityProjection'（最大密度投影，MIP）或'VolumeRendering'（体绘制）。MIP 适合看血管钙化和高密度结构，'VolumeRendering'适合看软组织层级。代码中squeeze必须加，因为dicomread批量读取得到的是HxWx1xN的 4 维数组，不 squeeze 的话volshow会报维度错误。

参数的关键是归一化。volshow内部调用matlab.graphics.chart.primitive.Volumetric对象，数据范围是 0 到 1。不归一化而直接传 uint16 数据，会产生空渲染或全白渲染，这是初学者最常见的坑。

2.3 数据准备管线：DICOM 读取、排序与重采样

真实医院导出的 CT 序列经常存在文件名混乱、扫描方向不一致、层厚不均匀的问题。常见做法是先用dicomreadFolder或dir + dicominfo遍历文件夹，按SliceLocation或ImagePositionPatient的 Z 坐标排序，再堆叠成三维数组。

% 读取同一患者的所有CT切片并按空间位置排序 files = dir(fullfile('ct_scan', '*.dcm')); numSlices = length(files); slicePositions = zeros(numSlices, 1); rawImages = cell(numSlices, 1); for i = 1:numSlices info = dicominfo(fullfile(files(i).folder, files(i).name)); rawImages{i} = dicomread(info); slicePositions(i) = info.ImagePositionPatient(3); % Z坐标 end [~, sortIdx] = sort(slicePositions); for i = 1:numSlices rawSlices(:,:,i) = rawImages{sortIdx(i)}; % 按Z排序堆叠 end

排序必须基于几何坐标ImagePositionPatient(3)，不要用文件名排序。医院导出时文件名里常常带序号，但序号是否与空间顺序一致取决于扫描协议和厂商，用几何坐标排序是最保险的。重采样是另一个高频需求：CT 切片间距（SliceThickness）常见 0.5 mm、1 mm、3 mm，若各向异性严重，体素不是立方体，渲染出来会变形。

% 用 imresize3 重采样为各向同性体素，例如把Z方向间距补到与XY一致 pixelSpacing = info.PixelSpacing; % [行间距, 列间距] sliceThickness = info.SliceThickness; scaleZ = pixelSpacing(1) / sliceThickness; V_resampled = imresize3(rawSlices, [size(rawSlices,1), size(rawSlices,2), round(size(rawSlices,3)*scaleZ)], 'linear');

imresize3是 R2017a 引入的函数，内部支持线性插值、三次插值。重采样时尽量放大不缩小，放大后 Z 方向体素数增加，渲染更平滑；但内存占用也线性增长，务必注意后文的内存估算。各向同性重采样还有个好处，后续如果做表面重建并用stlwrite导出网格，就不会出现网格尺度不一的问题。

3. 逐步实现 CT 图像三维体绘制：从最小代码到参数调优

3.1 通用流程框架

CT 三维体绘制的工作流可以归纳为下面五个步骤，每步都有对应的 MATLAB 函数。

数据读取 -> 预处理 -> 渲染 -> 交互与标注 -> 导出 dicomread dicomreadFolder medfilt3 volshow labelvolshow getframe sort imresize3 viewer3d drawfreehand exportgraphics 调整窗宽窗位 smooth3

流程看起来简单，但每一步都可能成为瓶颈。dicomreadFolder是 R2020b 之后的推荐函数，直接读入整个文件夹并返回 4D 数组，但它不会自动排序；dicomread逐张读则给了你完全控制权。预处理阶段medfilt3（3D 中值滤波）对椒盐噪声效果很好，但会明显平滑纹理，如果关注细微骨小梁结构，建议只在 2D 域做轻微高斯滤波，别全用 3D 中值。

3.2 从 DICOM 目录到volshow渲染的最小实现

下面给出一个能直接运行的最小脚本。它涵盖读取、归一化、体绘制和截图导出全流程。注意它假定当前目录下有CT_Patient_001/文件夹，里面全是该患者的 DICOM 切片。

% main_volume_rendering.m % 功能：CT序列读取 -> 排序 -> 归一化 -> 体绘制 -> 导出相机视角截图 clc; clear; close all; inputDir = 'CT_Patient_001'; % ---------- 1. 读取所有切片并提取患者坐标 ---------- files = dir(fullfile(inputDir, '*.dcm')); N = length(files); posZ = zeros(N, 1); imgCell = cell(N, 1); for idx = 1:N info = dicominfo(fullfile(inputDir, files(idx).name)); posZ(idx) = info.ImagePositionPatient(3); imgCell{idx} = dicomread(info); end [~, order] = sort(posZ); volume = cat(3, imgCell{order}); % ---------- 2. 基础预处理：去除极值并归一化 ---------- vol = double(volume); lo = prctile(vol(:), 1); % 去除最低1%的噪声/空气 hi = prctile(vol(:), 99); % 去除最高1%的金属伪影高亮 volClipped = max(min(vol, hi), lo); volNorm = (volClipped - lo) / (hi - lo); % 归一化到 [0, 1] % ---------- 3. 体绘制 ---------- hFig = figure('Color', 'w'); h = volshow(volNorm, 'RenderingStyle', 'VolumeRendering', ... 'BackgroundColor', [0 0 0], ... 'Colormap', parula(256), ... 'Alphamap', linspace(0, 0.4, 256)); h.Parent.CameraPosition = [200 200 200]; % 调整初始视角

逻辑说明：第 25 行的prctile截断是本脚本的精髓。CT 原生数据如果直接在[0, max]之间归一化，骨骼区域会占满颜色空间上部，软组织全挤在底部。截断到 1%~99% 之后，动态范围更贴近实际组织分布。如果你想突出骨骼，可以把区间改成 5%~99.5%；想突出软组织，改成 10%~90%。Alphamap使用linspace(0, 0.4, 256)时，低密度组织接近透明，高密度骨骼半透明。提高上限到 0.8 会让骨骼更实，但遮挡内部结构。交互阶段，可以直接在volshow窗口中用鼠标旋转、缩放，也可以点工具栏里的“数据提示”按钮读取体素坐标和值。

3.3 四个必调的体绘制参数：RenderingStyle、Colormap、Alphamap、BackgroundColor

这四个参数决定了 80% 的渲染视觉效果。RenderingStyle在'VolumeRendering'和'MaximumIntensityProjection'之间选择，前者适合多组织同时观察，后者适合血管钙化或造影剂增强区域的快速定位。Colormap决定颜色映射，常见做法是骨骼用bone(256)（灰色调），血管造影用jet(256)（高对比度），多组织分割显示用lines(256)或parula(256)。Alphamap的取值可以是linspace、[0 0.1 0.3 0.6]这类分段线性，也可以自定义 256 元素的向量。它的核心规则是：值为 0 表示完全透明，值为 1 表示完全不透明。想看清软组织和骨骼交界，就让 0.2~0.6 范围内的 Alpha 上升斜率变陡。

% 参数对比案例：同一数据，三种不同Alphamap alphaLinear = linspace(0, 0.5, 256); alphaStep = zeros(1, 256); alphaStep(129:256) = linspace(0.1, 0.8, 128); % 只对高密度区域显影 figure('Color', 'w'); subplot(1,2,1); volshow(volNorm, 'RenderingStyle', 'VolumeRendering', 'Alphamap', alphaLinear); title('Linear Alpha'); subplot(1,2,2); volshow(volNorm, 'RenderingStyle', 'VolumeRendering', 'Alphamap', alphaStep); title('Step Alpha');

在alphaStep里，前半段（低密度）Alpha 为 0，后半段（高密度）从 0.1 逐渐到 0.8。这样渲染时软组织直接被跳过，骨骼和钙化区域清晰显示。这是做骨骼 CT 三维重建最常用的手法。注意subplot与volshow同时使用时可能出现交互窗口覆盖问题，推荐分开两个 figure 对比。

3.4 如何验证体绘制结果是否正确：三维空间中的质量检查

体绘制做完不能只看“像不像”，要按标准做检查。第一个检查维度是解剖结构的位置一致性——把三维渲染图和原始冠状面/矢状面重建（MPR）并排显示，检查渲染中的特征边界是否与 MPR 上对齐。

% 显示冠状面切片，用于和体绘制结果对比 coronalSlice = squeeze(volume(:, 128, :)); % 取第128行的冠状面 figure; imshow(imadjust(mat2gray(coronalSlice)), []); title('Coronal MPR for cross-check');

第二个检查维度是尺寸测量。在volshow窗口中用测量工具量两个解剖标志点之间的距离，和 DICOM 元数据里PixelSpacing计算出的物理距离比较。体绘制默认用像素单位，如果你要物理单位显示，记得在 window 的设置里填入PixelSpacing和SliceThickness。第三个维度是体素值的可信度——在 volshow 中点击某个高亮区域的数据提示，该值应该落在该组织的典型 HU 范围内，如果提示值超出预期（比如正常肺组织区域显示 2000 HU），说明归一化时没有正确截断，或者数据已经被重采样插值污染。

提示：验证环节不能用肉眼“看个大概”替代。医学影像处理对精度要求高，尤其如果结果要用于测量或与分割结果对比，必须做上述定量检查。

4. 大数据 CT 模型的内存优化与 GPU 加速

4.1 体素数据的内存开销估算

CT 序列的体数据往往很大。512×512 像素、300 层、uint16 类型，内存占用为512 × 512 × 300 × 2 bytes ≈ 150 MB。看起来不大，但volshow渲染时 GPU 需要额外存储体纹理和梯度纹理，显存占用通常达到原始数据体积的 3~5 倍。如果对数据做了double转换，内存直接翻 4 倍到约 600 MB，再叠加 GPU 端的复制，整机 16 GB 内存也可能出现卡顿。

调优的原则是：能保持 uint16 就绝不用 double，只在归一化时转 single。single比double快一倍且显存占用少一半。看下面的计算：

% 估算一个病例所需内存 rows = 512; cols = 512; slices = 300; bytesPerVoxel = 2; % uint16 dataMB = rows * cols * slices * bytesPerVoxel / 1024^2; gpuEstimateMB = dataMB * 4; % GPU端纹理+梯度 fprintf('CPU data: %.1f MB, GPU estimated: %.1f MB\n', dataMB, gpuEstimateMB);

输出大概是CPU data: 150.0 MB, GPU estimated: 600.0 MB。如果你的显卡只有 2 GB 显存，渲染 600 MB 纹理已经非常紧张。此时建议缩小体数据规模或改用 MIP 渲染。

4.2 内存不足时的三种降级策略

降采样是最直接的办法。imresize3可以把 512×512×300 降到 256×256×150，体素数量变成原来的 1/8，GPU 压力骤减。缺点是空间分辨率下降，小结构会模糊，验证类任务够用，诊断类任务不建议。分块渲染是工程上更稳妥的做法：把体数据沿 Z 轴分成 3~5 块，逐块volshow并用viewer3d保持同一相机视角，最后导出各块图像再拼接。这种做法虽然麻烦，但在超大序列（如 1024×1024×1000）上是唯一可行的 MATLAB 方案。

第三种策略是改用'MaximumIntensityProjection'。MIP 渲染不涉及透明度累积，GPU 只需要遍历射线找最大值，纹理带宽消耗更少，渲染速度比体绘制快 2~3 倍。代价是丢失深度信息和前后遮挡关系。

% 降级渲染：先降采样，再MIP V_small = imresize3(uint16(volume), [256, 256, round(size(volume,3)/2)], 'linear'); V_small_norm = mat2gray(double(V_small)); h_mip = volshow(V_small_norm, 'RenderingStyle', 'MaximumIntensityProjection');

mat2gray自动按当前数据的最小最大值归一化。和手动截断相比，它更简单但可能受极值干扰。建议先手动prctile截断再传mat2gray。

4.3 GPU 加速的生效条件和gpuArray的使用边界

volshow本身的渲染管线在 GPU 上执行，不需要你手动把数据转成gpuArray。当你的数据以single或double数组传入时，内部会自动上传；但对 uint16 数据，某些版本会先转 single 再上传，额外增加一次开销。可以显式地用gpuArray(volNorm)传入，让数据常驻显存，避免每帧交互时重复上传。

% 显式使用GPU数组，减少交互时的数据传输 volGPU = gpuArray(single(volNorm)); h = volshow(volGPU, 'RenderingStyle', 'VolumeRendering');

这个做法的边界要注意：volshow不是所有属性都支持gpuArray输入。如果你的volNorm是 uint16，转成gpuArray(single(...))可以大幅改善旋转时的掉帧；但如果你用的是isosurface网格渲染，gpuArray对patch没有加速作用，反而可能报错。另一个边界是内存：显存小于 4 GB 时，GPU 加速的收益会被换页机制抵消，此时关掉 GPU 加速、用 CPU 渲染（设置环境变量MATLAB_RENDER_CPU=1）反而更稳定。

注意：gpuArray只适用于支持 GPU 计算的函数。volshow底层基于 GPU 光线投射，所以可用；但smooth3、medfilt3这类 CPU 函数不会因为输入是gpuArray而自动加速，你必须手动改成gpuArray支持的等效写法，否则会隐式传回 CPU，形成性能黑洞。

4.4 渲染完成后导出无损高清结果

做三维重建往往是为了写论文或做临床报告，导出高质量图像和视频是刚需。MATLAB 的exportgraphics在 R2020a 以后支持直接从 figure 导出高分辨率 PNG 或 TIFF，不会出现截屏的锯齿。

% 导出当前volshow视角的高清图像 hFig = gcf; hFig.Color = 'k'; % 黑底导出，和CT阅片习惯一致 exportgraphics(hFig, 'volume_render_result.png', 'Resolution', 300);

如果要做旋转视频，可以用viewer3d对象手动控制相机位置，逐帧导出再拼接成 AVI。常用命令是：先用h = viewer3d(volNorm)，然后用h.CameraPosition和h.CameraTarget设置视角，getframe抓帧后VideoWriter写视频。这种方式适合生成展示用的动态结果，参数控制比volshow更细。

% 生成绕Y轴旋转的体绘制视频 h = viewer3d(volNorm); writerObj = VideoWriter('rotation.avi'); writerObj.FrameRate = 15; open(writerObj); for angle = 0:5:360 h.CameraPosition = [300*cosd(angle), 0, 300*sind(angle)]; h.CameraTarget = [0 0 0]; h.CameraUpVector = [0 1 0]; frame = getframe(gcf); writeVideo(writerObj, frame); end close(writerObj);

CameraPosition和CameraTarget的单位与数据像素坐标一致，[0 0 0]是体数据中心。这个旋转视频可以直接插到论文的补充材料里，评审体验比静态图好很多。

5. 进阶应用：多组织分割叠加、窗宽窗位映射与交互式标注

体绘制做到能看只是第一步。实际科研和临床场景需要更多交互，比如只显示骨骼、只显示增强血管，或者在三维渲染上标注病灶区域。MATLAB 的labelvolshow函数可以叠加分割标签，drawfreehand配合createMask可以做手动标注。

5.1 多组织叠加显示：labelvolshow与自定义标签颜色

如果已经有分割结果（无论是传统阈值分割还是深度学习输出），可以用labelvolshow把不同组织用不同颜色叠加显示在三维渲染中。假设segmentedLabels是一个与volume同尺寸的整数矩阵，1 表示骨骼，2 表示血管，0 表示其他，那么代码如下：

% 多组织叠加渲染 labelData = segmentedLabels; % 整数标签 volWithLabels = labelvolshow(volNorm, labelData, ... 'LabelColor', [1 1 0; 1 0 0], ... % 黄色为骨骼，红色为血管 'OverlayRenderingStyle', 'EdgeOverlay', ... 'RenderingStyle', 'VolumeRendering');

LabelColor的行数与标签最大值对应，第一行给标签 1，第二行给标签 2。OverlayRenderingStyle有'EdgeOverlay'和'FullOverlay'两种，前者只勾勒分割边界，后者把分割区域整体上色。观察分割与原始CT边界的匹配度时用'EdgeOverlay'，做展示时用'FullOverlay'。如果分割标签是概率图（0 到 1 之间），可以用imdilate或bwareaopen做后处理，去掉小连通域再叠加。

5.2 窗宽窗位（WW/WL）映射：让体绘制更贴近放射科阅片习惯

放射科医生阅片时一定会调节窗宽窗位。窗位（WL）决定了显示中心对应的 HU 值，窗宽（WW）决定了显示的范围。体绘制中Alphamap和Colormap本质就是窗宽窗位的颜色映射实现。对应到 MATLAB 里，一个实用做法是先用阈值得出目标组织的 HU 区间，再据此生成Alphamap。

% 以骨窗为例，设置窗宽=1500HU，窗位=450HU ww = 1500; wl = 450; hu = volume; % 假设这里是HU值 % 将HU值映射到[0,1]的窗口 windowed = (hu - (wl - ww/2)) / ww; windowed = max(min(windowed, 1), 0); % 截断到[0,1] heights = linspace(0, 0.6, 256); % 越亮越不透明 alphaMap = interp1(0:255, heights, windowed(:)*255, 'linear'); alphaMap = reshape(alphaMap, size(windowed)); volshow(windowed, 'Alphamap', alphaMap);

这里interp1将每个体素的归一化值映射到 Alpha 曲线。这个做法的好处是你不需要手动输入一组 Alpha 向量，而是用窗宽窗位精确控制哪些 HU 范围进入可见区间。需要注意的是：windowed到alphaMap是一对一的逐体素映射，会多占用一份与数据等大的内存，大序列时改用 GPU 数组或降采样后再执行。

5.3 交互式 ROI 标注与三维测量

临床报告常常需要标注病灶。MATLAB 里常用drawfreehand在二维切片上画 ROI，再用createMask生成掩膜，然后利用掩膜在三维体数据里提取该区域做独立渲染。

% 在某个二维切片上手动勾画病灶ROI并三维显示 sliceIdx = 150; % 你要标注的切片序号 figure; imshow(imadjust(mat2gray(volume(:,:,sliceIdx)))); hROI = drawfreehand('Color', 'r'); % 生成2D掩膜并沿Z轴扩展成3D掩膜 mask2D = hROI.createMask(); mask3D = false(size(volume)); mask3D(:,:,sliceIdx) = mask2D; % 提取ROI区域的三维体素坐标，用于掩膜体绘制 roiVolume = volume .* uint16(mask3D); volshow(mat2gray(double(roiVolume)), 'RenderingStyle', 'VolumeRendering');

这个做法只能看到该切片上的 2D 区域在三维中的位置，如果病灶跨多张切片，你需要逐层画ROI再并集。更效率的做法是先drawpolygon逐层标注，然后用poly2mask生成掩膜。交互标注的坐标精度受限于切片厚度，如果层厚大于病灶直径，三维测量结果可能不可靠。

5.4 验证体绘制效果的两个常用量化指标

体绘制质量不完全是主观的。两个简单量化方法：第一个是体素梯度幅值的分布——高质量的体绘制在组织边界处梯度响应集中，背景区域梯度接近 0，可以用gradient3或imgradientxyz计算体数据梯度，然后统计梯度大于阈值的体素占比；第二个是渲染图像的信息熵——用entropy计算渲染图像的熵值，正常组织的渲染图熵值通常落在 4~7 之间，如果低于 3 说明对比度过低，所有体素被压成同一颜色，需要重新调整Alphamap；高于 7 往往意味着噪声被过度增强，需要加强平滑。

% 体数据梯度响应统计示例 [gx, gy, gz] = gradient(double(volNorm)); gradMag = sqrt(gx.^2 + gy.^2 + gz.^2); highEdgeRatio = mean(gradMag(:) > 0.2); fprintf('High gradient voxel ratio: %.2f%%\n', highEdgeRatio * 100);

如果highEdgeRatio大于 30%，可能因为输入数据没有滤波，噪声梯度被当成组织边界；如果小于 1%，说明体数据过于平滑，可能已经丢失微小细节。这两个指标都可以在做完参数调优后跑一遍，作为效果验收的客观依据。

本文还有配套的精品资源，点击获取