ACDC数据集SOTA模型实战：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 1418 个字符，预计需要花费 4 分钟才能阅读完成。

ACDC 数据集是心脏 MRI 影像分割的标杆数据集，包含 100 例患者的 3D MRI 扫描数据，标注了左心室、右心室和心肌。但实现 SOTA 性能面临几个核心挑战：

数据异构性 ：不同扫描仪参数导致体素(voxel) 间距差异大（1.37-1.68mm）
标注不一致：心脏边缘模糊导致不同医生标注存在差异
小样本问题：100 例数据对于 3D 模型训练显得捉襟见肘

我们对比了两种主流架构在 ACDC 验证集上的表现：

UNet++：
优势：嵌套跳跃连接提升小目标分割效果
劣势：参数量大（~36M）导致显存不足
实测 Dice：0.891
nnUNet：
优势：自动化预处理流程适配性强
劣势：需要超参数搜索耗费算力
实测 Dice：0.903

最终选择 轻量级 UNet3+架构，因为：

引入深度可分离 3D 卷积减少 70% 参数量
全尺度跳跃连接保留多分辨率特征
实测 Dice 达到 0.912 且训练速度更快

import nibabel as nib
import numpy as np

def load_nifti(path):
    """读取 NIFTI 文件并归一化体素值"""
    img = nib.load(path).get_fdata()
    img = (img - np.mean(img)) / np.std(img)  # Z-score 归一化
    return img.astype(np.float32)

import albumentations as A

aug = A.Compose([
    A.ElasticTransform(
        alpha=120,
        sigma=8,
        alpha_affine=10,
        p=0.7
    ),
    A.RandomGamma(gamma_limit=(80,120), p=0.5)
], additional_targets={'mask': 'mask'})

# 使用示例
augmented = aug(image=img, mask=label)

在 BraTS 数据集上预训练骨干网络
冻结前 3 层卷积权重
使用余弦退火学习率调度

Patch-based 训练：将 512×512×16 的 volume 切分为 64×64×8 的小块
梯度累积：batch_size= 1 时累积 4 次梯度再更新

# 初始化时设置同步 BN
torch.nn.SyncBatchNorm.convert_sync_batchnorm(model)

# 确保 DataLoader 设置正确
loader = DataLoader(dataset, 
                   batch_size=8, 
                   sampler=DistributedSampler(dataset))

使用 Dice Loss + Focal Loss 组合
各类别权重设置为背景:1, LV:3, RV:2, MYO:2