Brats医学图像分割实战：从数据预处理到模型训练的全流程指南

1次阅读

没有评论

共计 2379 个字符，预计需要花费 6 分钟才能阅读完成。

Brats 数据集是脑肿瘤分割领域最具挑战性的基准之一，其特性给初学者带来三大典型难题：

多模态数据融合：包含 T1、T1c、T2、FLAIR 四种 MRI 序列，各模态成像原理不同导致数值分布差异显著（如 T2 的 CSF 信号强度可达 T1 的 10 倍）
精细标注要求 ：每个体素需区分增强肿瘤(ET)、肿瘤核心(TC)、全肿瘤(WT) 三个子区域，但 ET 区域可能仅占全图的 0.1%
硬件资源限制：单样本的 3D 体积通常达 240×240×155，全尺寸加载需要超过 8GB 显存

面对 Brats 的立体数据特性，主流方案有两种技术路线：

2D 切片处理
优点：显存占用低（单切片约 512×512），可直接使用 ResNet 等成熟架构
缺点：丢失层间上下文信息，在 TC 区域分割上 Dice 系数通常比 3D 方法低 15%
3D 体积处理
优点：保留空间关联性，对肿瘤边界识别更准确
缺点：需定制显存优化策略（如动态 patch 提取）

我们选择基于 nnUNet 框架的 3D 方案，因其具备两大独特优势：

自动适配数据特性的超参优化（如自动计算最优 patch_size）
内置模态标准化（per-case z-score）和重采样流程

Brats 数据需经过两个关键预处理步骤：

N4 偏置场校正（消除 MRI 扫描仪带来的亮度不均匀）：

import SimpleITK as sitk

def n4_correction(image):
    input_image = sitk.GetImageFromArray(image)
    mask_image = sitk.OtsuThreshold(input_image, 0, 1, 200)
    corrector = sitk.N4BiasFieldCorrectionImageFilter()
    corrected = corrector.Execute(input_image, mask_image)
    return sitk.GetArrayFromImage(corrected)

跨模态标准化（解决不同 MRI 序列量纲差异）：

import torch

def normalize_modality(data):
    # data 形状：[C, D, H, W]
    for c in range(data.shape[0]):
        modality = data[c]
        non_zero = modality[modality > 0]
        mean, std = non_zero.mean(), non_zero.std()
        data[c] = (modality - mean) / (std + 1e-8)
    return data

针对类别不平衡问题，采用加权 Dice+CE 组合损失：

class HybridLoss(nn.Module):
    def __init__(self, class_weights):
        super().__init__()
        self.dice = DiceLoss(mode='multiclass')
        self.ce = CrossEntropyLoss(weight=torch.tensor(class_weights))

    def forward(self, pred, target):
        return 0.5*self.dice(pred, target) + 0.5*self.ce(pred, target)

# 权重计算示例（ET:TC:WT ≈ 1:3:0.5）class_weights = 1.0 / np.array([0.1, 0.3, 0.05])  # 逆频率加权

nnUNet 的默认配置经过大量实验验证，推荐参数：

输入 patch 大小：128×128×128（平衡细节与显存）
网络深度：5 层（感受野覆盖约 80mm³脑区）
初始卷积核：32 个（每下采样层×2）

使用 PyTorch AMP 加速训练并减少显存占用：

scaler = torch.cuda.amp.GradScaler()

with torch.cuda.amp.autocast():
    output = model(input)
    loss = criterion(output, target)

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

使用 torchio 实现动态 patch 加载：

import torchio as tio

subjects = [tio.Subject(mri=tio.ScalarImage(path)) for path in data_paths]

patch_size = 128
sampler = tio.data.UniformSampler(patch_size)

# 创建队列式 loader
patches_queue = tio.Queue(subjects_dataset=tio.SubjectsDataset(subjects),
    max_length=40,
    samples_per_volume=8,
    sampler=sampler,
    num_workers=4
)

避免单一依赖 Dice 系数：