ISISeg/工程分析/实现方案-2026-05-18-17-40-02.md

实现方案

开始时间：2026-05-18-17-40-02

总体架构

• backend/：Python FastAPI 服务，负责文件上传、帧抽取、导丝分割、结果落盘和静态文件服务。
• frontend/：单页 Web 操作台，使用原生 HTML/CSS/JS，避免额外前端构建依赖。
• storage/：运行时存放上传文件、处理帧、掩膜、叠加图和输出视频。
• scripts/：生成演示视频、启动服务和测试辅助脚本。
• tests/：算法与 API 的基础回归测试。

分割方法

1. hessian_ridge

   • 对灰度图做 CLAHE 增强。
   • 使用 skimage.filters.frangi 进行多尺度细线/管状结构增强。
   • 自适应阈值与形态学清理后输出掩膜。

2. edge_morphology

   • 对反相增强图执行黑帽/顶帽和 Canny 边缘提取。
   • 结合细长形态学核连接断裂线段。
   • 用连通域面积过滤去除噪声。

3. temporal_difference

   • 视频场景下利用相邻帧差分提取移动细线候选。
   • 与 hessian_ridge 的结构响应相交/相并，降低静态骨骼假阳性。
   • 图片场景无前一帧时自动退化为 hessian_ridge。

4. fusion

   • 将 Hessian、边缘形态学、时序差分结果按权重融合。
   • 提供更稳定的第一版默认结果。

5. compare

   • 对同一批帧运行多种方法，前端以矩阵方式对比。

Web 交互

• 上传图片区和算法参数面板置于首屏，面向工程调试而非营销页。
• 结果区显示原帧、叠加图、掩膜覆盖率、细线骨架长度等指标。
• 提供输出视频与单帧结果链接。
• 页面风格采用冷静的医学影像工作台：深色背景、清晰边界、克制高亮。

部署方式

• 使用 Python 虚拟环境安装依赖。
• scripts/run_dev.sh 启动 FastAPI，默认监听 0.0.0.0:8000。
• FastAPI 直接服务前端静态文件，访问 http://127.0.0.1:8000。

后续扩展路径

• 增加 PyTorch/ONNX 模型适配器，接入训练好的 U-Net/FRA-Net/MSLNet 类模型。
• 接入 CathAction 或自有标注数据训练流程。
• 增加人工修正、导丝中心线导出、端点定位和时序跟踪。