ACDC数据集入门指南：从数据加载到模型训练的全流程解析

1次阅读

共计 3716 个字符，预计需要花费 10 分钟才能阅读完成。

ACDC（Automatic Cardiac Diagnosis Challenge）数据集是医学图像分析领域常用的心脏 MRI 数据集，包含来自不同患者的短轴心脏 MRI 序列。该数据集主要用于左心室分割和心脏功能评估任务，具有以下特点：

包含 100 例患者的心肌 MRI 数据（70 例训练 /30 例测试）
每例患者提供舒张末期（ED）和收缩末期（ES）时相的图像
标注包含左心室（LV）、右心室（RV）和心肌（Myo）三个区域
图像分辨率为 1.37×1.37mm，切片厚度 5 -8mm

下面演示如何使用 Python 加载 ACDC 数据集的基本结构：

import os
import nibabel as nib  # 用于读取医学图像格式
import numpy as np

# 假设数据集存放在以下路径
DATA_DIR = './ACDC_dataset/training/'

# 获取患者目录列表
patient_dirs = sorted([d for d in os.listdir(DATA_DIR) if d.startswith('patient')])

# 示例：加载第一个患者的 ED 时相图像和标注
def load_patient_data(patient_id):
    patient_path = os.path.join(DATA_DIR, patient_dirs[patient_id])

    # 加载图像数据（4D numpy 数组：x,y,z,time）img_path = os.path.join(patient_path, f'{patient_dirs[patient_id]}_4d.nii.gz')
    img = nib.load(img_path).get_fdata()

    # 加载标注数据（3D numpy 数组：x,y,z）label_path = os.path.join(patient_path, f'{patient_dirs[patient_id]}_gt.nii.gz')
    label = nib.load(label_path).get_fdata()

    # 提取 ED 和 ES 时相（数据集中第 0 和最后 1 个时相）ed_img = img[..., 0]
    es_img = img[..., -1]

    # 返回图像和对应的标注
    return {'ED': (ed_img, label == 1),  # 左心室
        'ES': (es_img, label == 3),  # 右心室
        'patient_id': patient_dirs[patient_id]
    }

# 示例：加载第一个患者的数据
patient_data = load_patient_data(0)
print(f"患者 ID: {patient_data['patient_id']}")
print(f"ED 图像形状: {patient_data['ED'][0].shape}")
print(f"ES 标注形状: {patient_data['ES'][1].shape}")

医学图像预处理对模型性能至关重要，以下是关键步骤：

归一化处理：
将像素值缩放到 [0,1] 或标准化（z-score）
处理不同扫描仪之间的强度差异
重采样：
将所有样本重采样到相同分辨率
使用线性插值处理图像，最近邻插值处理标注
ROI 裁剪：
根据标注框裁剪心脏区域
减少计算量并移除无关区域
数据增强：
随机旋转（-15°~15°）
随机缩放（0.9~1.1 倍）
弹性变形（模拟心脏运动）

示例预处理代码：

import torch
from skimage.transform import resize

def preprocess(data, target_size=(128, 128)):
    img, mask = data

    # 归一化（按病例为单位）img = (img - img.min()) / (img.max() - img.min())

    # 重采样
    img = resize(img, target_size, order=1, preserve_range=True)  # 线性插值
    mask = resize(mask, target_size, order=0, preserve_range=True)  # 最近邻插值

    # 转换为 PyTorch 张量并添加通道维度
    img_tensor = torch.FloatTensor(img).unsqueeze(0)  # [1, H, W]
    mask_tensor = torch.FloatTensor(mask).unsqueeze(0)  # [1, H, W]

    return img_tensor, mask_tensor

创建自定义 Dataset 类将数据集成到训练流程：

from torch.utils.data import Dataset, DataLoader

class ACDCDataset(Dataset):
    def __init__(self, patient_ids, transform=None):
        self.patient_ids = patient_ids
        self.transform = transform

    def __len__(self):
        return len(self.patient_ids) * 2  # 每个患者有 ED 和 ES 两个时相

    def __getitem__(self, idx):
        patient_idx = idx // 2
        phase = 'ED' if idx % 2 == 0 else 'ES'

        # 加载原始数据
        data = load_patient_data(patient_idx)
        img, mask = data[phase]

        # 预处理
        img, mask = preprocess((img, mask))

        # 数据增强
        if self.transform:
            img, mask = self.transform((img, mask))

        return img, mask

# 使用示例
train_dataset = ACDCDataset(patient_ids=range(60))  # 前 60 例患者
val_dataset = ACDCDataset(patient_ids=range(60, 70))  # 后 10 例患者

train_loader = DataLoader(train_dataset, batch_size=8, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=4, shuffle=False)

多进程数据加载：

DataLoader(..., num_workers=4, pin_memory=True)

预加载缓存：
将预处理后的数据缓存到内存或 SSD
使用 torch.utils.data.TensorDataset 加速后续读取

混合精度训练：

scaler = torch.cuda.amp.GradScaler()

with torch.cuda.amp.autocast():
    outputs = model(inputs)
    loss = criterion(outputs, labels)

scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()

内存不足错误：
降低批量大小
使用梯度累积（accumulate gradients）
启用 pin_memory 加速 CPU 到 GPU 传输
类别不平衡：

使用带权重的损失函数

criterion = torch.nn.BCEWithLogitsLoss(pos_weight=torch.tensor([5.0])  # 正样本权重
)

过拟合：
增加 Dropout 层
使用更激进的数据增强
添加 L2 正则化

使用 matplotlib 进行简单可视化：

import matplotlib.pyplot as plt

# 显示一个批次的数据
def show_batch(batch, n_display=4):
    images, masks = batch
    fig, axes = plt.subplots(n_display, 2, figsize=(10, n_display*3))

    for i in range(n_display):
        axes[i,0].imshow(images[i][0], cmap='gray')
        axes[i,0].set_title('MRI Slice')
        axes[i,1].imshow(masks[i][0], cmap='jet')
        axes[i,1].set_title('Segmentation')

    plt.tight_layout()
    plt.show()

# 可视化第一个批次
for batch in train_loader:
    show_batch(batch)
    break