3D医学图像分割模型入门指南：从数据预处理到模型训练

1次阅读

共计 2408 个字符，预计需要花费 7 分钟才能阅读完成。

医学图像分割是计算机辅助诊断系统的核心环节，其临床价值主要体现在：

精确量化器官 / 病变体积（如肿瘤生长监测）
辅助放射治疗靶区勾画
手术导航系统的基础组件

技术挑战包括：

数据标注成本高：专业医师标注单例 3D 数据需 4 - 6 小时(MICCAI 2018)
三维结构复杂性：如血管树的分支拓扑关系
模态特异性：CT/MRI 成像原理导致纹理差异显著

架构	核心创新	适用场景
3D U-Net	对称编码 - 解码结构	中等规模数据集(200-500 例)
V-Net	残差连接 + 空间金字塔	小器官分割(如前列腺)
NNUnet	自配置预处理管道	多中心异构数据

import nibabel as nib

def load_nii(path):
    """ 加载 NIfTI 格式的 3D 医学图像
    Args:
        path: 文件路径，支持.nii/.nii.gz
    Returns:
        numpy 数组 (D,H,W)
    """
    img = nib.load(path)
    return img.get_fdata().astype(np.float32)

弹性变形（仿照 [Simard 2003] 实现）

from scipy.ndimage import map_coordinates

def elastic_transform(image, alpha=1000, sigma=30):
    """应用弹性变形增强数据多样性"""
    random_state = np.random.RandomState()
    shape = image.shape
    dx = gaussian_filter((random_state.rand(*shape) * 2 - 1), 
                        sigma, mode="constant") * alpha
    # 同理计算 dy,dz...
    indices = np.reshape(np.arange(shape[0]), (-1,1,1)) + dx
    return map_coordinates(image, indices, order=1)

关键组件深度监督（参考《Deeply-Supervised Nets》）：

class DeepSupervisionBlock(nn.Module):
    def __init__(self, in_channels):
        super().__init__()
        self.conv = nn.Conv3d(in_channels, 1, kernel_size=1)
        self.up = nn.Upsample(scale_factor=2, mode='trilinear')

    def forward(self, x):
        return self.up(self.conv(x))

窗宽 (WW)/ 窗位(WL) 调整公式：

normalized = np.clip((raw - WL + 0.5*WW)/WW, 0, 1)

常用预设值：
腹部 CT: WW=400, WL=50
肺部 CT: WW=1500, WL=-600

采用广义 Dice 损失（《Generalised Dice overlap》）:

def generalized_dice(y_pred, y_true):
    """
    y_true: (B,1,D,H,W)
    y_pred: (B,C,D,H,W)
    """
    w = 1. / (torch.sum(y_true, dim=(2,3,4))**2 + 1e-6)
    numerator = torch.sum(w * torch.sum(y_pred*y_true, dim=(2,3,4)))
    denominator = torch.sum(w * torch.sum(y_pred+y_true, dim=(2,3,4)))
    return 1. - 2.*numerator/denominator

梯度累积示例（batch_size= 4 时）：

optimizer.zero_grad()
for i, (x,y) in enumerate(dataloader):
    pred = model(x.cuda())
    loss = criterion(pred, y.cuda()) / 4  # 梯度累加 4 次
    loss.backward()

    if (i+1) % 4 == 0:
        optimizer.step()
        optimizer.zero_grad()

重叠切片融合策略（避免边界伪影）：

def patch_inference(full_vol, model, patch_size=128, overlap=32):
    """滑动窗口推理"""
    output = torch.zeros_like(full_vol)
    counts = torch.zeros_like(full_vol)

    for z in range(0, full_vol.shape[2]-patch_size, patch_size-overlap):
        # 各维度滑动...
        patch = full_vol[..., z:z+patch_size]
        pred = model(patch)
        output[..., z:z+patch_size] += pred
        counts[..., z:z+patch_size] += 1

    return output / counts