企业官网建设流程全解析

简介：基于U-Net与Attention U-Net的医学图像分割系统代码包，面向医学影像算法学习者与研究人员，解决CT等图像的多类别语义分割与模型对比需求。包内共14个文件，含5个Python源码、7个pyc缓存文件、1个requirements依赖清单及1个README说明，整体仅16KB，轻量且结构清晰。代码覆盖数据处理、模型定义、训练评估与推理预测全流程：dataset.py支持自定义路径、随机翻转与CT窗宽窗位对比度增强；model.py实现标准U-Net和带注意力门控的Attention U-Net，内含卷积块、上采样与循环卷积块，便于扩展多分类任务；train.py采用AdamW与余弦学习率衰减，通过混淆矩阵计算Dice、IoU及各类别精确率、召回率、F1，并自动保存最佳模型与JSON训练日志；predict.py可加载模型输出原图掩码叠加结果；utils.py提供设备检测、指标计算与训练曲线可视化。已有117人学习，适合医学图像分割入门、复现经典网络及开展消融实验。

1. 小样本医学影像分割，为什么默认选U-Net而不是DeepLabV3

我接过一个实际项目：腹部CT里的肝脏与肿瘤分割，标注数据只有47例。当时团队里有人坚持用DeepLabV3+，因为它在自然图像上刷榜漂亮。结果折腾了两周，测试集的Dice只有0.61，小肿瘤几乎全部漏检。后来我把骨干换成U-Net，同样的训练数据与预处理，Dice直接跳到0.83。这件事不是玄学，而是模型结构与医学图像特性之间的匹配问题——医学图像分割的核心诉求是小样本、强边界、多尺度目标，而U-Net的对称编码器-解码器结构配合跳跃连接，天然适合这类任务。Attention U-Net则在这个基础上，用注意力门控机制进一步抑制背景噪声，专治边界模糊的器官（比如胰腺、前列腺）。

这篇笔记我会从架构拆解、数据预处理、损失函数设计、训练避坑到推理部署，完整讲一遍用U-Net和Attention U-Net做医学图像分割的落地路径。无论你是刚接触医学图像分割的研究生，还是要在院内设备上部署推理服务的工程岗，下面的内容都能直接照着改。所有代码以PyTorch 2.x和SimpleITK为基底，兼容Windows和Linux。

2. 网络架构拆解：U-Net的骨架与Attention U-Net的注意力机制

2.1 编码器-解码器与跳跃连接：底层设计决定了分割边界

U-Net之所以在医学图像分割领域成为默认选择，核心在于它的对称U形结构。左侧编码器逐层下采样，逐步扩大感受野并提取语义特征；右侧解码器逐层上采样，把低分辨率的特征图恢复到原始分辨率。真正让U-Net区别于普通FCN的，是每一层编码器和解码器之间的跳跃连接（Skip Connection）。这些跳跃连接把浅层的边缘、纹理细节直接传递给深层解码器，弥补了逐层池化带来的空间信息丢失。

我在实际项目中体会最深的一点是：医学图像（CT、MRI、超声）的边界往往没有自然图像那么锐利，器官与周围组织的灰度对比度可能只有十几个HU值。如果只用深层的语义特征去做分割，边界基本会糊成一团。跳跃连接相当于给解码器每层都配了一份“高分辨率底图”，让模型在恢复分辨率时有细节可依。

在实现上，标准的U-Net一般做4次下采样，每次下采样特征图尺寸减半、通道数翻倍。初始通道数常见为32或64，我个人的习惯是CT体数据用32起步，MRI用64起步，因为MRI的纹理细节更丰富，需要更宽的浅层特征通道。

下面是一个直接可用的U-Net编码器-解码器骨架，没有依赖第三方分割库，方便你看清每一层在干什么：

import torch import torch.nn as nn class ConvBlock(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.conv = nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True), nn.Conv2d(out_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True) ) def forward(self, x): return self.conv(x) class UNet(nn.Module): def __init__(self, in_ch=1, out_ch=3, base_ch=32): super().__init__() # 编码器：每次下采样后通道数翻倍，特征图尺寸减半 self.enc1 = ConvBlock(in_ch, base_ch) self.enc2 = ConvBlock(base_ch, base_ch * 2) self.enc3 = ConvBlock(base_ch * 2, base_ch * 4) self.enc4 = ConvBlock(base_ch * 4, base_ch * 8) self.pool = nn.MaxPool2d(2) # 瓶颈层 self.bottleneck = ConvBlock(base_ch * 8, base_ch * 16) # 解码器：每次上采样后与对应编码层特征拼接 self.up4 = nn.ConvTranspose2d(base_ch * 16, base_ch * 8, 2, stride=2) self.dec4 = ConvBlock(base_ch * 16, base_ch * 8) self.up3 = nn.ConvTranspose2d(base_ch * 8, base_ch * 4, 2, stride=2) self.dec3 = ConvBlock(base_ch * 8, base_ch * 4) self.up2 = nn.ConvTranspose2d(base_ch * 4, base_ch * 2, 2, stride=2) self.dec2 = ConvBlock(base_ch * 4, base_ch * 2) self.up1 = nn.ConvTranspose2d(base_ch * 2, base_ch, 2, stride=2) self.dec1 = ConvBlock(base_ch * 2, base_ch) self.out = nn.Conv2d(base_ch, out_ch, 1) def forward(self, x): e1 = self.enc1(x) e2 = self.enc2(self.pool(e1)) e3 = self.enc3(self.pool(e2)) e4 = self.enc4(self.pool(e3)) b = self.bottleneck(self.pool(e4)) d4 = self.dec4(torch.cat([self.up4(b), e4], dim=1)) d3 = self.dec3(torch.cat([self.up3(d4), e3], dim=1)) d2 = self.dec2(torch.cat([self.up2(d3), e2], dim=1)) d1 = self.dec1(torch.cat([self.up1(d2), e1], dim=1)) return self.out(d1)

这段代码里有三个关键参数要注意。in_ch是输入图像的通道数，灰度CT和MRI是1，如果你做了多模态融合（比如PET-CT叠加）就需要改成2或更多。out_ch是分割类别数，比如肝脏与肿瘤两类的任务，加上背景就是3。base_ch控制整个网络的宽度，直接决定参数量与显存占用，base_ch从64提到96，Dice可能会涨0.02左右，但显存占用几乎翻倍。

ConvBlock里每个卷积层后面都跟了BatchNorm和ReLU，这是当前训练稳定性的基本配置。如果你用了大批量训练（batch size大于8），BatchNorm没问题；但如果是小批量（只有2或4），建议换成GroupNorm，否则验证集上的指标会随batch变化而抖动。

2.2 Attention Gate在哪里插入：参数、计算量与时序问题

Attention U-Net在U-Net基础上引入了注意力门控（Attention Gate，简称AG），核心思想是让解码器在融合编码器特征之前，先判断哪些空间位置真正需要被关注。传统U-Net是把所有跳跃连接的特征无差别拼接进来，但背景区域（比如CT图像里的床板、空气、脂肪）会占用大量特征通道。Attention Gate通过一个额外生成的门控信号，对跳跃连接的特征图做空间权重调制，让模型聚焦在目标器官附近。

Attention Gate的插入位置很有讲究。原始论文是在每层解码器的拼接操作之前加一个AG，但我在实践里发现，最浅层的AG（对应第一层，分辨率最高）收益最小，因为浅层特征本身就以边缘信息为主，噪声也是逐像素的，门控信号难以有效区分。我一般的做法是只对第二到第四层的跳跃连接加AG，既能减少显存占用，又能拿到和完整版本接近的效果。

Attention Gate的计算流程如下：编码器特征x（跳跃连接的特征图）与门控信号g（来自下一层解码器上采样后的输出）分别经过1x1卷积调整通道数，相加后经过ReLU和1x1卷积，再用Sigmoid生成[0,1]之间的注意力系数，最后与原特征x逐元素相乘。

下面是一个在PyTorch里实际跑通的Attention Gate模块：

class AttentionGate(nn.Module): def __init__(self, in_ch, gate_ch, inter_ch=None): super().__init__() inter_ch = inter_ch or in_ch // 2 # 对跳跃连接的特征做通道变换 self.conv_x = nn.Conv2d(in_ch, inter_ch, 1) # 对门控信号做通道变换，gate_ch来自解码器上采样层 self.conv_g = nn.Conv2d(gate_ch, inter_ch, 1) # 融合后生成注意力系数 self.psi = nn.Sequential( nn.ReLU(inplace=True), nn.Conv2d(inter_ch, 1, 1), nn.Sigmoid() ) def forward(self, x, g): x_trans = self.conv_x(x) g_trans = self.conv_g(g) # 两个特征图尺寸必须一致，否则需要插值 if x_trans.shape != g_trans.shape: g_trans = nn.functional.interpolate( g_trans, size=x_trans.shape[2:], mode='bilinear') attn = self.psi(x_trans + g_trans) return x * attn

使用这个模块时，in_ch是编码器特征图的通道数，gate_ch是解码器上采样特征图的通道数。有个容易踩坑的地方：在标准U-Net里，第n层解码器的上采样输出通道数等于第n层编码器输出通道数，但经过torch.cat拼接后，送入下一层ConvBlock的通道数会翻倍，所以Attention Gate的gate_ch应该是上一层ConvBlock的输出通道数，而不是拼接后的通道数。

Attention U-Net相对标准U-Net的参数量增加大约8%到12%，这个代价换来的收益在边界模糊的器官上非常明显。我拿胰腺分割做过对比，在完全相同的训练配置下，Attention U-Net的Dice比标准U-Net高约0.03，而肝脏这种边界清晰的器官两者几乎持平。所以如果你要分割的目标是胰腺、前列腺、肾脏内部肿瘤这类低对比度结构，我建议直接上Attention U-Net。

3. 医学图像分割数据准备：NIfTI切片、窗宽窗位与标签重编码

3.1 用SimpleITK把NIfTI和DICOM转成2D切片

医学图像分割的落地流程里，数据处理占的时间比重往往超过模型训练本身。一份典型的CT数据是NIfTI格式（.nii.gz），三维数组的shape可能是[512, 512, 300]，其中前两个维度是横断面分辨率，第三个维度是切片数。大多数分割模型是2D的，所以第一步就是把三维体数据切成2D切片。

这里有一个关键点：NIfTI文件自带方向信息（Direction矩阵），同一个病人的数据在不同设备上扫描，存储的轴向顺序可能不一样。如果不做统一处理，有的数据切出来是横断面，有的是冠状面，模型训练会严重震荡。我一般用SimpleITK读取后，先重采样到各向同性体素（比如1mm x 1mm x 1mm），再统一以轴向（Axial）方向切片。

import SimpleITK as sitk import numpy as np def load_and_resample_nifti(image_path, target_spacing=(1.0, 1.0, 1.0)): """读取NIfTI，重采样到目标体素间距，返回numpy数组""" img = sitk.ReadImage(image_path) # 获取原始体素间距 original_spacing = img.GetSpacing() original_size = img.GetSize() # 计算新尺寸：原尺寸 * 原间距 / 目标间距 new_size = [ int(round(original_size[0] * original_spacing[0] / target_spacing[0])), int(round(original_size[1] * original_spacing[1] / target_spacing[1])), int(round(original_size[2] * original_spacing[2] / target_spacing[2])) ] # Resample滤波器，默认用线性插值 resampler = sitk.ResampleImageFilter() resampler.SetSize(new_size) resampler.SetOutputSpacing(target_spacing) resampler.SetOutputDirection(img.GetDirection()) resampler.SetOutputOrigin(img.GetOrigin()) resampler.SetInterpolator(sitk.sitkLinear) img_resampled = resampler.Execute(img) return sitk.GetArrayFromImage(img_resampled), img_resampled.GetDirection() def extract_slices(volume, label, target_slice_axis=0): """沿指定轴切片。SimpleITK的GetArrayFromImage返回的数组是(z, y, x)顺序""" # 默认target_slice_axis=0表示沿z轴（轴向）切片 num_slices = volume.shape[target_slice_axis] for i in range(num_slices): if target_slice_axis == 0: img_slice = volume[i, :, :] label_slice = label[i, :, :] # 过滤掉没有标签的切片 if np.max(label_slice) > 0: yield img_slice, label_slice

这段代码里target_spacing=(1.0, 1.0, 1.0)的意思是重采样到1毫米等方性体素。为什么要做这个步骤？因为不同CT扫描仪的层厚可能是1.25mm、2.5mm甚至5mm，如果不统一，同一个器官在不同样本里的形态会被拉伸或压缩，模型学到的形状特征会互相矛盾。

切片方向的选择上，腹部和胸部CT我会优先用轴向（即z轴切片），因为CT扫描本身就是轴向采集的，层内分辨率最高，层间分辨率相对低。脑部MRI则三种方向都有，如果训练数据量不够，可以三种方向都切，天然做了数据增强。extract_slices函数里的判断np.max(label_slice) > 0是过滤空白切片，这一步能把训练数据量减少20%到40%，同时避免模型被大量背景切片带偏。

3.2 归一化、窗宽窗位与数据增强的参数怎么设

医学图像的像素值范围与自然图像完全不同。CT值单位是HU（Hounsfield Unit），理论上范围是-1024到3071，但人体软组织实际集中在-200到+200之间。如果直接做min-max归一化，大量组织在数值上会被压缩到接近0，对比度完全丢失。正确做法是先做窗宽窗位截断，再归一化。

不同器官的窗宽窗位差异很大：肝脏一般窗宽400、窗位40，肺窗窗宽1500、窗位-600，脑组织窗宽80、窗位40。我处理腹部CT时的默认配置是：

def ct_window_normalize(image, window_width=400, window_level=40): """CT窗宽窗位截断 + min-max归一化到[0,1]""" lower = window_level - window_width / 2 upper = window_level + window_width / 2 # 先截断到窗宽范围 image_clipped = np.clip(image, lower, upper) # 再线性拉伸到[0, 1] image_norm = (image_clipped - lower) / (upper - lower) return image_norm.astype(np.float32)

window_width=400, window_level=40是我做肝脏分割的默认参数，如果你用的公开数据集（比如LiTS或CHAOS）已经预处理过了，这段代码可以跳过。MRI数据没有标准的HU值范围，不同序列（T1、T2）的信号强度含义不同，我一般不做窗宽截断，直接用z-score归一化：(image - mean) / std，统计范围取每例数据自身或整个训练集的均值方差。

数据增强方面，医学图像和自然图像有三个重要的区别。第一，不能做水平翻转和垂直翻转之外的随机旋转大角度，因为器官有固定的解剖朝向；第二，弹性形变是最有效的增强方式，能模拟器官在不同病人体内的形态差异；第三，亮度对比度扰动不能太大，CT值本身有物理含义，过度扰动会破坏组织对比度。我用的是albumentations库，配置如下：

import albumentations as A train_transform = A.Compose([ A.RandomRotate90(p=0.3), A.Flip(p=0.5), A.ElasticTransform(alpha=3, sigma=50, p=0.3), A.RandomBrightnessContrast(brightness_limit=0.1, contrast_limit=0.1, p=0.3), ]) # 测试集只做最基本的预处理，不做增强 test_transform = A.Compose([ A.NoOp() ])

ElasticTransform的alpha=3, sigma=50是我调过多个数据集后比较稳的参数组合。alpha太大形变会过于剧烈，导致器官扭曲成不合理的形状；太小则没有增强效果。如果你要分割的是本身形态就很多变的器官（比如胃、小肠），alpha可以调到5-6，但要注意标签的形变与图像保持一致，albumentations在这方面处理得很好。

4. 用PyTorch从零训练：损失函数、评估指标与超参数设置

4.1 Dice Loss与多类交叉熵的组合策略

医学图像分割里最经典的损失函数是Dice Loss，它直接优化分割结果与真实标签的重叠度，公式上就是1减去Dice系数。但Dice Loss有个实际问题：在训练初期，模型输出概率分布还接近均匀，梯度信号不稳定，Loss会剧烈跳动。我在项目里通常把Dice Loss与交叉熵按比例混合，用交叉熵的稳定梯度做“引导”，用Dice Loss做“精修”。

如果是多类别分割（比如肝脏、肝肿瘤、肝静脉三类），直接计算多类Dice会导致小体积类别被大体积类别淹没。我的做法是分别计算每个类别的Dice，再按类别体积比例的倒数做加权。下面是我在实际训练中使用的组合损失函数：

class CombinedLoss(nn.Module): def __init__(self, num_classes, class_weights=None, dice_weight=0.7): super().__init__() self.num_classes = num_classes self.dice_weight = dice_weight # class_weights: 每个类别在Dice计算中的权重，默认全1 self.class_weights = class_weights or [1.0] * num_classes self.ce = nn.CrossEntropyLoss() def dice_loss(self, pred, target, eps=1e-6): # pred: [B, C, H, W] 经过softmax的概率 # target: [B, H, W] 整数标签 dice_total = 0.0 pred = torch.softmax(pred, dim=1) for c in range(self.num_classes): p = pred[:, c] t = (target == c).float() intersection = (p * t).sum() union = p.sum() + t.sum() dice = (2 * intersection + eps) / (union + eps) dice_total += (1 - dice) * self.class_weights[c] return dice_total / self.num_classes def forward(self, pred, target): dice = self.dice_loss(pred, target) ce = self.ce(pred, target) return self.dice_weight * dice + (1 - self.dice_weight) * ce

dice_weight=0.7表示Dice Loss占总损失的70%，这个比例在多个数据集上表现比较稳定。class_weights的赋值有个实用技巧：先统计训练集每个类别的像素占比，然后取倒数并归一化。比如肝脏占30%、肿瘤占2%、背景占68%，权重就设为[1.0/0.68, 1.0/0.30, 1.0/0.02]再归一化。这个做法能显著提升小目标的召回率。

还有一个需要注意的细节：在计算Dice时，预测概率与标签都用浮点数计算，不要用one-hot编码后再做矩阵乘法，那样显存占用会高出一大截。上面的写法直接通过pred[:, c]取概率通道，配合布尔比较生成目标掩膜，显存效率更高。

4.2 学习率、batch size与训练轮次：一张可抄的参数表

医学图像分割的训练配置与自然图像分类有很大不同。首先，batch size受限于显存，一般不可能用到64或128；其次，分割任务需要更多轮次才能稳定收敛，因为Dice Loss的梯度信噪比对学习率非常敏感。我用一张表给出我实际验证过的起始配置，基于单张NVIDIA RTX 3090或A5000（24GB显存）：

这里重点说学习率。医学图像分割的公理是：学习率大了必炸。我见过太多人在训练初期看到Loss降得很快，结果第30轮时验证Dice突然从0.8跌到0.2，这就是学习率过大导致模型跳出了之前的优化区域。我现在的做法是固定使用余弦退火，初始学习率1e-4，最低学习率1e-6，前10轮用线性warmup从1e-5升到1e-4。

下面是一个基于上面配置的完整训练循环骨架，包含验证指标计算和模型保存：

import torch from torch.cuda.amp import autocast, GradScaler def train_one_epoch(model, loader, optimizer, scaler, criterion): model.train() epoch_loss = 0.0 for images, labels in loader: images = images.cuda(non_blocking=True) labels = labels.cuda(non_blocking=True) optimizer.zero_grad() with autocast(): logits = model(images) loss = criterion(logits, labels) scaler.scale(loss).backward() scaler.unscale_(optimizer) torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) scaler.step(optimizer) scaler.update() epoch_loss += loss.item() return epoch_loss / len(loader) def validate(model, loader, criterion): """验证集：只计算Dice系数，返回每类Dice均值""" model.eval() dice_scores = [] for images, labels in loader: images = images.cuda(non_blocking=True) labels = labels.cuda(non_blocking=True) with torch.no_grad(): logits = model(images) pred = torch.argmax(torch.softmax(logits, dim=1), dim=1) # 逐类别计算Dice num_classes = logits.shape[1] for c in range(num_classes): p = (pred == c).float() t = (labels == c).float() inter = (p * t).sum() union = p.sum() + t.sum() dice = 2 * inter / union.clamp(min=1e-6) dice_scores.append(dice.item()) return sum(dice_scores) / len(dice_scores)

GradScaler配合autocast是PyTorch的混合精度训练，能把训练速度提升40%到60%。如果你用的是A100或更新的卡，还可以把torch.cuda.amp换成torch.autocast(device_type='cuda')，API兼容性更好。

训练过程中，我建议在验证集上同时记录Dice和IoU两个指标，如果Dice在涨但IoU在降，通常是模型输出的边界过宽或过窄，需要检查损失权重和标签质量。

5. 训练避坑记录：小目标丢失、类别不平衡与显存溢出

5.1 现象：小目标器官在预测结果里消失了

这是我做肝肿瘤分割时第一个遇到的坑。训练集Dice正常升高，验证集肝脏Dice到了0.9，但肿瘤Dice始终在0.1到0.2之间徘徊，预测结果里肿瘤区域几乎全是背景类。

原因有两层。第一，肿瘤在整张CT切片中占比极低，平均不到2%，交叉熵损失被背景像素主导，模型倾向于把所有像素都判为背景；第二，Dice Loss在训练初期对小目标的梯度不稳定，几次异常梯度就把小目标特征通道压制了。

解决方法是组合拳。首先给类别的Dice加权，肿瘤权重设为肝脏的3到5倍，让模型在优化时更重视肿瘤区域；其次把输入分辨率从256提高到288或320，小目标在更高分辨率下能提供更多有效像素参与训练；最后把训练轮次拉长，小目标通常要在第60轮之后才稳定抬头，不要提前停止。如果你用的是Attention U-Net，再加上针对目标区域的注意力监督，收敛会更快。

5.2 现象：Dice Loss在冷启动阶段Loss值异常跳动

现象是训练前几步Loss值在2.0到5.0之间剧烈震荡，甚至出现NaN。原因很明确：Dice Loss的梯度与小目标的分母强相关，当某个类别的预测概率接近于0时，分母趋近于真实目标的像素总数，梯度会异常巨大，超过数值稳定范围。

我的解决方法是三件事同时做。第一，初始化后先单独跑5轮的交叉熵损失，把模型权重拉到一个合理区域，再切换到联合损失；第二，把学习率从默认的1e-4降到3e-5作为冷启动；第三，在Dice计算中加入更大的平滑项eps，从1e-6提高到1e-4。另外，模型最后一层要确保输出不做Sigmoid而是走Logits直出，Dice Loss内部再做Softmax，这个顺序不要写反。

5.3 现象：切片方向不一致导致验证指标虚高

有一次我换了一批新数据，没有做方向统一就直接训练，结果验证Dice高达0.87，但模型在真实测试集上只有0.55。排查后发现新数据的方向矩阵与训练集不一致，导致同一器官被切成了不同视角的切片，模型在验证集上看到的形态和训练分布相近，指标自然虚高。

解决办法在数据预处理阶段就要固定：所有NIfTI文件加载后用SimpleITK的Resample统一到同一个Direction矩阵，同时把所有图像和标签按同一方向重采样，再进行切片。如果你拿到的是DICOM序列，建议先用dcm2niix转成NIfTI再走同一套流程。这个坑不报错、不闪退，隐蔽性很强，但后果是整个模型不可用。

5.4 现象：显存爆掉，batch size根本拉不起来

训练刚开始就报CUDA out of memory，最常见的原因不是batch size太大，而是输入分辨率太高或者模型通道数设得太宽。我曾经在一个3D医学图像数据集上尝试直接使用完整分辨率切片，结果24GB显存连batch size为2都跑不动。

这里给出三个可选方案，按我的优先级排序。第一，降低输入分辨率到224或256，通常Dice损失在0.01以内；第二，把base_ch从64降到48或32，参数量减少一半多，效果损失可控；第三，使用梯度累积模拟更大的batch size，在optimizer.step()之前做4到8次前向反向累积，代码层面只要修改训练循环，把梯度累积变量累加后再清零。

如果你确实需要高分辨率输入，我建议直接用patch-based训练，从512x512的切片里随机裁剪256x256的patch，既能保证足够的上下文，又能把batch size维持在8。这是目前医学图像分割训练的主流做法。

6. 把模型从验证集推到现场：滑窗推理与多模型集成

训练指标好看不等于能上线。医学图像是三维体数据，推理时不可能把整卷CT直接塞进2D模型，滑窗推理是必须实现的工程环节。我的做法是：先按训练时的切片方向把三维数据切好，逐张预测，再用重叠滑窗和权重融合减少切片边缘的不连续性。

滑窗参数上，窗口大小保持与训练输入一致（比如256x256），重叠率设为50%。每一张切片预测时覆盖两种情况：如果目标器官尺寸变化不大，直接小patch预测；如果遇到大器官（如肝脏），用窗口滑动拼接，重叠区域取两个窗口预测概率的平均值，而不是硬投票，概率平均能保留模型的置信度信息。

def sliding_window_inference(volume, model, window_size=256, overlap=0.5): """对3D体数据做滑窗推理，返回与输入同尺寸的概率图""" _, h, w = volume.shape stride = int(window_size * (1 - overlap)) # 初始化概率累积和计数矩阵 prob_map = np.zeros((num_classes, h, w)) count_map = np.zeros((h, w)) for i in range(0, h - window_size + 1, stride): for j in range(0, w - window_size + 1, stride): patch = volume[:, i:i + window_size, j:j + window_size] patch_input = torch.from_numpy(patch).unsqueeze(0).float().cuda() with torch.no_grad(): logits = model(patch_input) prob = torch.softmax(logits, dim=1)[0].cpu().numpy() # 累加预测概率 prob_map[:, i:i + window_size, j:j + window_size] += prob count_map[i:i + window_size, j:j + window_size] += 1 # 归一化 count_map = np.clip(count_map, a_min=1, a_max=None) prob_map = prob_map / count_map return prob_map

推理阶段还有一个容易忽略的点：输入图像的归一化必须与训练时完全一致。如果训练时用了窗宽窗位归一化，推理时也必须用同一套参数，不能直接用原始HU值送进模型。

最后说多模型集成。我常用的方案是训练两个模型：一个标准U-Net，一个Attention U-Net，然后在推理时对两者的Softmax概率取平均。实验数据表明，这种集成方式比单独使用Attention U-Net提升约1到2个百分点的Dice，尤其在边界区域效果显著。代价是推理时间翻倍，但如果你的场景对实时性要求不高（比如离线辅助诊断），这个代价是值得的。

把模型真正推到现场之前，一定要回看一遍训练时最差的预测样本——那些Dice垫底的验证集切片，往往藏着你没预料到的坑。我在这个环节吃过亏：模型整体指标达标，但某一种少见肿瘤形态几乎全错，后来发现是训练集里该类形态的样本太少。这个教训现在变成了我的固定习惯，每次训练结束都输出最差的10个样本让医生复核一遍。希望帮到你。

本文还有配套的精品资源，点击获取