BRATS2020数据集实战指南：从数据预处理到模型训练的全流程解析

1次阅读

共计 1921 个字符，预计需要花费 5 分钟才能阅读完成。

BRATS2020 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）和专家标注的肿瘤子区域（坏死 / 非增强、水肿、增强肿瘤）。数据集特点包括：

来自不同医疗机构的 365 例胶质瘤患者数据
每个病例包含 4 种模态的 3D NIfTI 格式图像（240×240×155 分辨率）
标注包含 3 类肿瘤子区域的体素级 mask

使用 nibabel 库加载数据时需注意：

import nibabel as nib

# 加载单个模态数据
def load_nii(filepath):
    img = nib.load(filepath)
    data = img.get_fdata()
    return np.asarray(data)

# 处理缺失模态（用零矩阵替代）def load_modalities(case_path):
    modalities = ['t1', 't1ce', 't2', 'flair']
    data = []
    for mod in modalities:
        try:
            vol = load_nii(f"{case_path}/{mod}.nii.gz")
            data.append(vol)
        except:
            data.append(np.zeros((240,240,155)))
    return np.stack(data, axis=-1)  # 形状 (H,W,D,C)

强度归一化 ：

def normalize(volume):
    non_zero = volume[volume > 0]
    mean, std = non_zero.mean(), non_zero.std()
    return (volume - mean) / (std + 1e-8)

脑部区域裁剪 ：

def crop_brain_region(volume, margin=5):
    non_zero_coords = np.where(volume > 0)
    min_coords = np.maximum(np.array([np.min(c) for c in non_zero_coords]) - margin, 0)
    max_coords = np.minimum(np.array([np.max(c) for c in non_zero_coords]) + margin, volume.shape)
    return volume[min_coords[0]:max_coords[0], 
                  min_coords[1]:max_coords[1],
                  min_coords[2]:max_coords[2]]

数据增强 （3D 版本）：

import torchio as tio

transforms = tio.Compose([tio.RandomFlip(axes=(0,1,2)),
    tio.RandomAffine(scales=(0.9,1.1), degrees=10),
    tio.RandomBlur(std=(0,1))
])

关键组件实现要点：

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)

# 完整 UNet 结构包含下采样和上采样路径
# 输入形状：(batch_size, 4, D, H, W)
# 输出形状：(batch_size, 3, D, H, W)