如何从CT分割得到的numpy二进制3D掩码中提取3D网格并导出为stl格式

优先适配Python生态的工具链（无需转换现有ndarray格式，接入成本最低） #

• scikit-image + trimesh 组合：这是最贴合你当前数据形态的方案，直接对numpy格式的二进制分割数组做处理。首先用scikit-image内置的marching_cubes算法提取0和1边界的等值面，得到顶点、面数组后传入trimesh生成网格对象，可快速完成后处理和STL导出，整体流程轻量高效。
  参考实现代码：

  import numpy as np
  from skimage.measure import marching_cubes
  import trimesh
  
  # 代入你自己的二进制分割ndarray
  seg_array = np.load("你的分割数组路径.npy")
  # 提取等值面，spacing参数填入CT实际体素间距，保证生成的网格尺寸和真实空间尺寸一致
  verts, faces, _, _ = marching_cubes(seg_array, level=0.5, spacing=(1.0, 1.0, 1.0))
  # 生成网格对象
  organ_mesh = trimesh.Trimesh(vertices=verts, faces=faces)
  # 可选后处理：去除冗余孤立面、修复非流形边、轻度平滑
  organ_mesh = organ_mesh.process()
  # 导出STL格式
  organ_mesh.export("器官表面网格.stl")
  

• SimpleITK 方案：如果需要严格对齐CT的医学空间元数据，优先选这个方案。它内置了专门针对医学标签的表面提取接口，能自动保留原CT的空间坐标信息，适合后续要做临床验证、配准的场景。
  参考实现代码：

  import SimpleITK as sitk
  import numpy as np
  
  seg_array = np.load("你的分割数组路径.npy")
  # 将numpy数组转换为SimpleITK图像对象，填入原CT的体素间距和原点信息
  seg_image = sitk.GetImageFromArray(seg_array)
  seg_image.SetSpacing((1.0, 1.0, 1.0))
  seg_image.SetOrigin((0.0, 0.0, 0.0))
  # 提取标签轮廓表面
  contour_image = sitk.LabelContour(seg_image, fullyConnected=True)
  # 直接导出STL
  sitk.WriteImage(contour_image, "器官表面网格.stl")
  

无代码需求的独立工具方案 #

• 3D Slicer：开源专业医学影像处理软件，将你的分割数组导出为NIfTI格式后导入软件，使用内置的「Model Maker」模块即可一键提取表面，支持手动调整平滑阈值、剔除噪声小区域，导出STL的精度符合医学研究要求。
• MeshLab：如果已经生成了初步网格，可导入该工具做更精细的网格修复、减面、平滑操作，适配不同的下游使用需求。

选型建议 #

如果你的工作流已经基于Python构建，优先选scikit-image+trimesh的组合，速度最快、依赖最少；如果涉及医学临床相关的后续应用，优先选SimpleITK或3D Slicer的方案，空间信息兼容性更好。

内容的提问来源于stack exchange，提问作者BayesianMonk