BRATS医学图像分割实战：从数据预处理到3D U-Net模型优化

1次阅读

共计 1971 个字符，预计需要花费 5 分钟才能阅读完成。

BRATS（Brain Tumor Segmentation）是脑肿瘤分割领域的权威数据集，包含多模态 MRI 扫描（T1、T1c、T2、FLAIR）及专家标注的肿瘤子区域（如增强肿瘤 enhancing tumor、水肿 edema、坏死 necrosis）。其核心价值在于：

提供标准化的评估基准（benchmark）
涵盖胶质瘤（glioma）的完整解剖结构
支持多模态（multi-modal）特征融合研究

实际训练中需应对三大挑战：

多模态配准 ：不同序列的 MRI 扫描需空间对齐（spatial alignment），SimpleITK 的ElasticTransform 可处理各向异性（anisotropy）问题
类别不平衡：坏死区域（NECROTIC）体素（voxel）占比常不足 1%
小样本训练：BraTS 2021 仅提供 1251 例带标注数据

使用 SimpleITK 读取 NIfTI 格式数据时，需注意窗宽（window width）和窗位（window level）调整：

import SimpleITK as sitk

def load_nifti_with_window(path, ww=400, wl=40):
    """
    ww: 窗宽，控制对比度
    wl: 窗位，决定亮度中心
    """
    img = sitk.ReadImage(path)
    intensity_filter = sitk.IntensityWindowingImageFilter()
    intensity_filter.SetWindowMaximum(ww + wl)
    intensity_filter.SetWindowMinimum(wl - ww)
    return intensity_filter.Execute(img)

核心组件实现要点：

3D 卷积核：通道数建议以 32 为基数逐步翻倍
Skip Connection：在解码器（decoder）部分使用 torch.cat 进行特征拼接

import torch.nn as nn

class DoubleConv(nn.Module):
    def __init__(self, in_ch, out_ch):
        super().__init__()
        self.conv = nn.Sequential(nn.Conv3d(in_ch, out_ch, kernel_size=3, padding=1),
            nn.BatchNorm3d(out_ch),
            nn.ReLU(inplace=True),
            nn.Conv3d(out_ch, out_ch, kernel_size=3, padding=1),
            nn.BatchNorm3d(out_ch),
            nn.ReLU(inplace=True)
        )

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

针对小类别（如 EDEMA）的损失函数优化：

def dice_loss(pred, target, smooth=1e-5):
    # 计算各类别独立 Dice 系数
    intersection = (pred * target).sum(dim=(2,3,4))
    union = pred.sum(dim=(2,3,4)) + target.sum(dim=(2,3,4))
    dice = (2. * intersection + smooth) / (union + smooth)
    # 对小类别施加 3 倍权重
    class_weights = torch.tensor([1, 3, 3, 1], device=pred.device)
    return 1 - (dice * class_weights).mean()