共计 1447 个字符，预计需要花费 4 分钟才能阅读完成。
1. 背景与痛点
医学图像分割任务中，高质量标注数据往往稀缺且获取成本高。以公开数据集 BraTS 为例，每年新增病例仅数百例，而深度学习模型通常需要数千甚至上万样本才能达到理想效果。数据增强通过对有限样本进行合理变换，能有效提升模型泛化能力，但新手常陷入两个极端：
- 增强不足：仅使用翻转、旋转等基础变换，模型容易过拟合训练集特定视角
- 过度增强：弹性变形强度过大（如
max_deform=0.3）会导致关键解剖结构扭曲，如下图左侧心室壁异常增厚
2. 技术选型：nnUNet 内置 VS 自定义
2.1 内置增强方法
nnUNet 默认启用以下 2D 增强组合（见nnunet/training/data_augmentation/data_augmentation_moreDA.py）：
- 空间变换
- 随机旋转（-30°~30°）
- 随机缩放（0.7~1.4 倍）
- 弹性变形（σ=3, max_deform=0.2）
- 强度变换
- 高斯噪声（σ=0.1）
- 亮度调整（-0.2~0.2）
- 对比度增强（0.5~1.5）
2.2 自定义增强场景
当遇到以下情况时需要扩展默认配置：
- 特殊模态数据（如 DWI 存在 Gibbs 伪影）
- 小器官分割（需针对性增强）
- 域适应任务（需模拟目标域特性）
3. 核心实现：修改 plans 文件
关键参数集中在 plans.json 的data_augmentation部分。以下是修改示例：
# 在 nnUNet_plan_and_preprocess.py 中调整
plans = {
"data_augmentation": {"rotation": (-45, 45), # 扩大旋转范围
"scaling": (0.5, 1.6), # 增强尺度多样性
"elastic_deform": {
"sigma": 4, # 增大变形平滑度
"max_deform": 0.15 # 减小最大形变量
},
"additive_noise": {"std_dev": 0.05 # 降低噪声强度}
}
}参数调优建议：
- 优先调整空间变换参数，再优化强度变换
- 每次只修改 1 - 2 个参数并观察验证集 Dice 变化
- 对 MRI 数据建议关闭 gamma 增强（可能破坏组织对比度）
4. 性能考量与优化
4.1 增强组合耗时对比（基于 RTX 3090）
| 增强类型 | 单样本耗时(ms) | 显存增幅 |
|---|---|---|
| 基础变换 | 15 | +5% |
| 弹性变形 | 85 | +15% |
| 完整增强 | 120 | +25% |
4.2 低资源配置建议
- 显存不足时：
- 关闭弹性变形（对性能影响 <2%）
- 减小
batch_size而非降低增强强度 - 训练速度慢时：
- 使用
num_threads=4加速数据加载 - 开启
pin_memory减少 CPU-GPU 传输延迟
5. 避坑指南
5.1 案例：心脏 CT 分割出现心室粘连
- 错误配置：
elastic_deform.max_deform=0.3 - 现象：二尖瓣结构模糊
- 修复方案：降至 0.1 并增加旋转范围
5.2 案例：肝脏分割边界锯齿
- 错误原因 ：同时启用
mirror和rotation导致重采样累积误差 - 解决方案：关闭镜像翻转或降低旋转角度
5.3 案例：T2WI 增强后出现伪影
- 错误配置 ：
gamma=(0.5,2)破坏 MR 信号分布 - 正确做法：改用
brightness_multiplier=(0.8,1.2)
6. 延伸思考
对于小器官（如视神经）分割，可以考虑：
- 局部 ROI 增强：仅在器官周围施加弹性变形
- 概率调整：对关键器官提高增强概率
- 混合增强：组合仿射变换与局部形变
欢迎在 nnUNet 官方论坛 分享你的增强策略！
附：完整参数说明见
nnunet/training/data_augmentation/default_data_augmentation.py
正文完
