2D医学图像分割入门指南：从数据预处理到模型训练全流程解析

1次阅读

没有评论

共计 1786 个字符，预计需要花费 5 分钟才能阅读完成。

医学图像分割在疾病诊断（如肿瘤区域标记）、手术规划等领域有重要应用。但新手常遇到以下问题：

数据稀缺性 ：标注需专业医师参与，公开数据集样本量有限
类别不平衡 ：病灶区域可能只占图像的 1%~5%，导致模型偏向背景预测
模态差异 ：CT/MRI/ 超声等不同成像设备的像素分布差异大

优势：
医学图像分割标杆模型，小样本表现优异
对称编码器 - 解码器结构 +skip-connection 保留空间信息
劣势：
对超大图像（如全切片病理图）显存消耗高

优势：
空洞卷积保持感受野的同时不牺牲分辨率
适合边缘复杂的器官分割（如肺部支气管）
劣势：
需要更多训练数据

选型建议 ：从 U -Net 开始快速验证，数据充足时尝试 DeepLabv3+

import torch
from torchvision import transforms

# 医学图像专用预处理
med_transform = transforms.Compose([transforms.ToTensor(),
    # 窗宽窗位调整（CT 图像关键步骤）lambda x: torch.clamp((x - window_center + 0.5*window_width)/window_width, 0, 1),
    # 器官特定归一化（如肝脏 CT 值范围 [-100,200]）transforms.Normalize(mean=[0.5], std=[0.25])
])

class DoubleConv(nn.Module):
    """(卷积 => BN => ReLU) * 2"""
    def __init__(self, in_ch, out_ch):
        super().__init__()
        self.double_conv = nn.Sequential(nn.Conv2d(in_ch, out_ch, 3, padding=1),
            nn.BatchNorm2d(out_ch),
            nn.ReLU(inplace=True),
            # 第二层卷积保持通道数不变
            nn.Conv2d(out_ch, out_ch, 3, padding=1),
            nn.BatchNorm2d(out_ch),
            nn.ReLU(inplace=True)
        )

class UNet(nn.Module):
    def __init__(self):
        # 下采样路径（编码器）self.inc = DoubleConv(1, 64)
        self.down1 = Down(64, 128)
        # 上采样路径（解码器）+ skip-connection
        self.up1 = Up(256, 128)  # 输入通道 =128+128

# 医学分割常用损失组合
def criterion(pred, target):
    bce_loss = nn.BCEWithLogitsLoss()
    dice_loss = 1 - dice_coeff(pred, target)
    return bce_loss + 0.5*dice_loss  # 可调权重

# 学习率动态调整
scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='max', factor=0.1, patience=5)