企业官网建设流程全解析

简介：面向Python基础较好的医学影像学习者，这套代码资源聚焦基于深度学习的医学影像图像分割，适合完成课程设计或入门UNet系列模型。包内提供从数据准备、预处理、模型搭建到训练、预测、后处理的完整流程，包含2.5D、3D等不同输入维度的UNet实现，并配有损失函数、数据IO等公共模块，便于对照理解不同网络结构。资源共19个Python文件，压缩包大小仅35KB，轻量但结构清晰。文件说明明确划分了训练集、验证集与测试集，并给出运行顺序，附带的预测结果可辅助检验模型效果。已有551人学习下载，适合作为医学影像分割入门或课程设计的直接参考。

1. 为什么医学影像分割要改用2.5D/3D模型而不是逐层切2D

医学影像分割不是普通自然图像分割的搬运。MRI的体数据是三维的，相邻切片之间包含连续解剖结构信息；如果一张张切出来用2D U-Net跑，等于把立体信息压扁，边缘和体积估计都会失真。而直接用3D卷积网络，对显卡显存又极不友好，一块12G的卡甚至放不下一个稍大体积的批大小。这个项目里同时给出了unet_25d.py、vnet_3d_nn.py等多套网络，就是在“信息完整性”和“显存成本”之间做权衡——先用2.5D的切片堆叠把Z轴信息塞进输入通道，再提供完整的3D V-Net作为高配方案，同时把数据准备、训练、预测、后处理串成一条可复现的流水线。对正在做医学影像课程设计或入门3D分割的工程师来说，这套代码可以直接改改路径就能跑，也能一步步看清每个环节的输入输出在哪里。

2. 从NIfTI到训练样本：数据准备与预处理

在训练任何分割模型之前，需要先把原始nii文件转成模型能吃到的数组。项目里data/train是训练集，其中10%留作验证集；data/rest是测试集，data/test是课程设计要求预测的数据。你要先跑create_train_data.py或create_train_data_25d.py来生成对应的h5/npy中间格式。

2.1 读取NIfTI的姿势

医学影像文件通常是.nii或.nii.gz，用SimpleITK或nibabel读取。两种库都行，我推荐nibabel，因为它对单模态MRI足够轻。

import nibabel as nib import numpy as np img = nib.load('data/train/image/case01.nii') volume = img.get_fdata().astype(np.float32) label = nib.load('data/train/label/case01.nii').get_fdata().astype(np.uint8) print(volume.shape, label.shape) # 例如 (256, 256, 80)

这段代码把图像和标签读成numpy数组。get_fdata()会返回体素值，label是逐体素的分割类别，0通常是背景，1、2等是器官。要注意NIfTI的axis顺序是(x, y, z)，很多2D可视化工具显示的是z方向切片。

2.2 预处理：裁剪和归一化

MRI的原始体素值范围很大，不同扫描参数下灰度分布不一致，直接喂网络会崩。preprocess_25d.py里做的工作通常是这几步：去掉背景多余的空白区域，把非零体素做z-score归一化，再统一resolutions/spacing到（如果数据来自不同设备）。常见的实现方式如下：

def preprocess_volume(volume, lower_percent=0.0, upper_percent=99.5): pixels = volume[volume > 0] lower = np.percentile(pixels, lower_percent) upper = np.percentile(pixels, upper_percent) volume = np.clip(volume, lower, upper) volume = (volume - volume.min()) / (volume.max() - volume.min() + 1e-8) return volume

这里用百分位裁剪去掉极端高信号（比如脂肪、空气强度异常），然后做min-max归一化，把体素压到[0,1]。对标签则不能用插值，只能做最近邻重采样，否则类别会被平均出小数。

2.3 2.5D输入怎么生成

2.5D模型输入的不是单张切片，而是在当前切片位置上下各取N张切片一起作为通道。这样既保留了部分层间上下文，又让网络可以复用2D U-Net的结构。create_train_data_25d.py里会遍历volume的每个切片位置，为每个位置生成一个(num_slices, H, W)的张量。

def extract_25d_slices(volume, label, slice_num=4): # slice_num 表示上下各取多少张，总通道数=2*slice_num+1 H, W, D = volume.shape middle = slice_num + 1 images, labels = [], [] for d in range(D): idx = np.clip(np.arange(d - slice_num, d + slice_num + 1), 0, D - 1) multi_slice = volume[:, :, idx] # (H, W, 2*slice_num+1) images.append(np.transpose(multi_slice, (2, 0, 1)).astype(np.float32)) labels.append(label[:, :, d].astype(np.int64)) return np.stack(images), np.stack(labels)

参数slice_num是超参数，通常取2~4。取值太小，Z轴上下文不足；取值太大，离当前层太远的切片是噪声。实验下来，腹部MRI里slice_num=3效果较好，对显存占用比3D卷积小一个量级。

2.4 数据生成器与数据增强

数据量不够时，生成器里可以嵌入在线增强（随机旋转、翻转、弹性形变等）。generator_25d.py里我习惯写成一个继承keras.utils.Sequence的对象，每轮打乱索引并实时增强。

下表总结了数据准备阶段各脚本的职责，运行时请对照自己的文件命名修改路径：

提示：如果训练时发现loss不降，先回去检查create_train_data生成的数据里label是否对齐，常见问题是在重采样时对标签用了线性插值，结果每个体素都变成0.几。

3. 网络选型：2.5D U-Net、3D U-Net与V-Net的取舍

光有数据还不够，网络骨架决定模型上限。这个项目里包含了unet_25d.py、v_net_25d.py、unet_3d_nn.py和vnet_3d_nn.py。理解它们的区别，才知道该跑哪个。

3.1 2.5D U-Net：用通道换上下文

unet_25d.py是最容易上手的版本。它的本质还是2D U-Net，只是把输入通道数从1变成2*slice_num+1。编码器第一层用3x3卷积把多通道合并，后面的结构完全和2D一致。

import torch.nn as nn class UNet2_5D(nn.Module): def __init__(self, in_channels=7, n_classes=2): super().__init__() self.enc1 = nn.Sequential( nn.Conv2d(in_channels, 64, 3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.Conv2d(64, 64, 3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True)) self.pool1 = nn.MaxPool2d(2) # ... 后续层类似，这里省略 self.dec4 = nn.ConvTranspose2d(512, 256, 2, stride=2) self.out = nn.Conv2d(64, n_classes, 1) def forward(self, x): x1 = self.enc1(x) x = self.pool1(x1) # ... 前向传播 return self.out(x)

这里in_channels对应2.5D的通道数，如果slice_num=3就是7。注意第一层卷积没有把Z轴压缩，只是加权融合相邻切片；因此2.5D对Z轴的分辨率不敏感，但显存比纯3D小得多。

3.2 3D U-Net与3D V-Net

unet_3d_nn.py把所有卷积换成nn.Conv3d，输入是(1, D, H, W)或者patch。vnet_3d_nn.py则是V-Net，它的特点是使用了残差连接和基于Dice的损失函数，而且编码路径使用下采样和卷积同时进行的block，参数量比普通3D U-Net更高效。

class VNet3D(nn.Module): def __init__(self, in_channels=1, n_classes=2): super().__init__() self.conv_init = nn.Conv3d(in_channels, 16, 3, padding=1) self.res = nn.Sequential( nn.Conv3d(16, 16, 3, padding=1), nn.ReLU(inplace=True), nn.Conv3d(16, 16, 3, padding=1)) self.out = nn.Conv3d(16, n_classes, 1) def forward(self, x): x = self.conv_init(x) x = x + self.res(x) # 残差连接 return self.out(x)

残差连接能避免深层网络的梯度消失，在医学小数据集上特别管用。3D模型需要输入patch。通常要把体积裁剪成（64,64,64）或（128,128,64）的patch训练，再在推断时滑动窗口。

3.3 怎么选：显存、病变尺寸和数据量

我的经验是：

如果你要分割肝脏、肾脏这类器官，2.5D基本够用；如果分割肿瘤或细小血管，3D模型的连续感受野更重要。可以先跑v_net_25d.py，它介于2.5D与3D之间，把3D卷积作用在小块patch上。

4. 训练与验证：损失函数、学习率与运行命令

拿到数据和模型之后，核心问题是怎么把它训练出来。train_25d.py和train.py里包含的流程是：加载生成器 → 定义模型 → 选择损失 → 优化器 → 迭代 → 每若干epoch在验证集上评估 → 保存权重。

4.1 损失函数的选择

医学分割最常见的损失组合是CrossEntropyLoss + DiceLoss。纯CrossEntropy在背景占90%以上时会让网络倾向于全预测背景，Dice Loss则直接优化类别重合度。项目里的loss_function.py一般会实现这两种，下面给出一个带平滑系数的Dice Loss实现：

import torch import torch.nn.functional as F class DiceLoss(nn.Module): def __init__(self, smooth=1.0): super().__init__() self.smooth = smooth def forward(self, pred, target): # pred: (B,C,H,W) target:(B,H,W) pred = F.softmax(pred, dim=1) target_onehot = F.one_hot(target, num_classes=pred.size(1)).permute(0, 3, 1, 2).float() B, C = pred.shape[:2] dice = 0.0 for c in range(C): p = pred[:, c].contiguous().view(B, -1) t = target_onehot[:, c].contiguous().view(B, -1) intersection = (p * t).sum(dim=1) dice += (2 * intersection + self.smooth) / (p.sum(dim=1) + t.sum(dim=1) + self.smooth) return 1 - dice.mean()

smooth用于防止分母为0，一般取1.0。如果你的训练只有两个类别（背景和器官），就把num_classes设为2。注意one_hot要和pred的尺寸保持一致，维度顺序错误是初学者最容易犯的错。

4.2 训练流程

train.py的运行逻辑大致是：

cd /path/to/unet pip install -r environment.txt python3 train_25d.py --data data/train --val_ratio 0.1 --batch_size 4 --epochs 100 --lr 1e-3

建议在命令行里明确写参数，不要改死路径。val_ratio=0.1正是项目里“其中10%为验证集”的体现。训练过程中每个epoch后计算验证集Dice，保存最佳模型。

逻辑说明：train_25d.py会从pathvariable.py读取数据目录，遍历train文件夹里的npz文件，按val_ratio切出验证集。优化器我建议先用Adam（lr=1e-3），训练到中段再换成SGD+momentum继续调优，这样收敛快且后期更稳。

4.3 显存不够时怎么办

• 不要一次性读入整个volume，用patch训练，patch大小设为（64,64,32）之类。
• 用混合精度训练，PyTorch下用torch.cuda.amp.autocast()。
• 减小slice_num，从3改成1，显存立刻减半。
• 用梯度累积，每4个小batch累计一次梯度更新，等效于增大batch_size。

4.4 训练时看哪些指标

除了loss，必须记录验证集的Dice、IoU和表面距离（如果数据有边界）。loss曲线只能看收敛趋势，Dice才反映分割质量。我在实际调试中发现，如果训练集Dice涨到0.9而验证集停在0.7，多半是过拟合或数据预处理时标签和图像未对齐，而不是网络表达能力不够。

5. 预测与后处理：把分割结果落成文件

训练完成后，predict.py和predict_rest.py负责对data/test/image和data/rest/image做推断。这步看似简单，实际有坑：模型输入要经过和训练一致的预处理；输出概率图要还原回原体积尺寸；后处理决定最终掩码质量。

5.1 单文件预测流程

以predict.py为例，它对data/test/image下每个nii文件预测，并保存到data/test/predict。代码核心如下：

import SimpleITK as sitk import numpy as np import torch def predict_volume(model, volume_path, save_dir): img = sitk.ReadImage(volume_path) volume = sitk.GetArrayFromImage(img).astype(np.float32) # (z,y,x) volume = preprocess_volume(volume) input_tensor = torch.from_numpy(volume[None, None]).float().cuda() with torch.no_grad(): logits = model(input_tensor) prob = torch.softmax(logits, dim=1).cpu().numpy()[0, 1] # 取前景类 out = (prob > 0.5).astype(np.uint8) result_img = sitk.GetImageFromArray(out) result_img.CopyInformation(img) sitk.WriteImage(result_img, f"{save_dir}/{os.path.basename(volume_path)}")

注意SimpleITK读进来是(z,y,x)顺序，模型训练时如果用的是(x,y,z)，这里要转置。CopyInformation会保留原始spacing和origin，否则后续医学软件无法正确读取。

5.2 三类文件与三次运行

项目里data/rest/predict、predict1、predict11是三次运行结果，说明predict_rest.py被跑过多次。为什么要跑三次？因为如果推理过程没有设置固定随机种子（或使用了dropout），每次predict结果会有细微波动。对课程设计来说，重复跑三次，把三个结果取多数投票，能稳定最终指标。这也是一个实用小技巧，可以写一个bagging式的投票函数：

def majority_vote(prob_list): # prob_list: [(H,W,D)]*3 stack = np.stack(prob_list, axis=0) avg = stack.mean(axis=0) return avg > 0.5

5.3 后处理：去小连通域和填洞

postprocess.py里主要做两件事：删除体积小于阈值的连通域（消除噪声预测），填补前景内部的小孔（让分割更完整）。用scipy.ndimage即可：

from scipy import ndimage as ndi def remove_small_objects(mask, min_size=500): mask = ndi.binary_opening(mask, iterations=1) labeled, num = ndi.label(mask) sizes = ndi.sum(mask, labeled, range(1, num + 1)) keep = np.where(sizes >= min_size)[0] + 1 filtered = np.isin(labeled, keep) return filtered

min_size需要根据体素spacing换算，比如目标是去掉小于5mm³的噪声，体素体积为1.5mm³，那min_size=3。不是所有数据集都适合统一阈值，先观察预测结果再调。

6. 进阶技巧：在数据不足下提升分割稳定性

最后，我分享一下在不额外采集数据的前提下，让现有分割模型更稳的几个具体做法。这些方法在这个课程设计项目里可以直接套用，不依赖额外GPU资源。

6.1 使用冻结预训练编码器

如果你的2.5D U-Net编码器换成在ImageNet上预训练的ResNet34（把输入通道改成多通道后，第一层卷积权重用平均值初始化），前20个epoch冻结编码器，只训练解码器。对于MRI这种灰度图像，ImageNet特征也能提供边缘纹理基元，能让损失函数下降得更平稳。

6.2 测试时增强（TTA）

推理时对输入做水平翻转、垂直翻转和90度旋转（医学图像轴向旋转90度要谨慎），得到多组概率图，取平均后预测。下面是一个简单的TTA封装：

def tta_predict(model, volume): probs = [] with torch.no_grad(): for flip in [False, True]: v = torch.flip(volume, dims=[-1]) if flip else volume p = torch.softmax(model(v), dim=1) if flip: p = torch.flip(p, dims=[-1]) probs.append(p) return torch.stack(probs).mean(0)

6.3 用多尺度预测修正边缘

对输入分别用原始大小和0.5倍分辨率跑一遍，把低分辨率结果上采样回原始大小，和原始分辨率预测平均。低分辨率感受野更大，对大面积漏检有帮助；原始分辨率保留细节。这个技巧和TTA可以叠加，在我遇到的肝脏MRI数据上，Dice能提升1-2个点。

6.4 检查方向：如果预测mask整体偏移

如果分割结果比金标准小一圈或者存在一致偏移，先检查预处理里的裁剪和重采样是否改变了体素间距；再检查DataLoader shuffle时是否把图像和标签配对错了。另一个常见的坑是训练时用了padding=“same”而推理时没有，导致feature map尺寸不一致，输出被截断。调试时可以打印推理输出的logits尺寸和输入尺寸，确保完全一致。

最后再说一句，不要盲目追求3D模型。先用2.5D方案跑通整个流程，再逐步换模型和调参，这样出结果最快，也最容易定位问题。

本文还有配套的精品资源，点击获取