CENet医学图像分割实战：从数据预处理到模型部署全流程指南

1次阅读

没有评论

共计 2372 个字符，预计需要花费 6 分钟才能阅读完成。

医学图像分割和普通图像分割有很大不同，主要是因为它有几个独特的挑战：

小目标问题 ：很多病灶区域可能只有几个像素大小，比如早期肿瘤
类别严重不平衡 ：正常组织可能占图像的 90% 以上，病灶区域只有不到 5%
标注数据稀缺 ：专业医生标注成本高，一个病例可能需要数小时
图像质量差异大 ：不同设备、不同医院的扫描参数差异明显

传统方法如 U -Net 虽然表现不错，但在处理小目标时容易丢失细节；TransUNet 等基于 Transformer 的方法计算量太大，不适合临床实时应用。

CENet(Context Enhanced Network) 针对医学图像的特点做了三个关键设计：

通道注意力模块 ：自动学习哪些通道特征对当前任务更重要，显著提升小目标检测能力
多尺度上下文聚合 ：同时捕捉局部细节和全局上下文信息
轻量化解码器 ：在保持精度的同时减少计算量，更适合部署

相比 Deeplabv3+，CENet 在计算量减少 30% 的情况下，在小目标分割任务上 Dice 系数能提升 2 - 3 个百分点。

医学图像通常是 DICOM 格式，需要特殊处理：

import pydicom

def load_dicom(path):
    ds = pydicom.dcmread(path)
    img = ds.pixel_array
    # 处理窗宽窗位
    center = ds.WindowCenter if hasattr(ds, 'WindowCenter') else 40
    width = ds.WindowWidth if hasattr(ds, 'WindowWidth') else 400
    img = np.clip((img - (center - width/2))/width, 0, 1)
    return img

对于不同模态要采用不同归一化策略：

CT 图像：使用固定阈值 (-1000 到 3000HU)
MRI 图像：采用各病例单独的均值和标准差归一化

医学图像增强需要特别注意：

弹性变形比旋转缩放更有效
亮度调整幅度要小 (±10%)
避免破坏解剖结构的变换

核心的通道注意力模块实现：

class ChannelAttention(nn.Module):
    def __init__(self, in_channels):
        super().__init__()
        self.gap = nn.AdaptiveAvgPool2d(1)
        self.fc = nn.Sequential(nn.Linear(in_channels, in_channels//8),
            nn.ReLU(),
            nn.Linear(in_channels//8, in_channels),
            nn.Sigmoid())

    def forward(self, x):
        b, c, _, _ = x.size()
        y = self.gap(x).view(b, c)
        y = self.fc(y).view(b, c, 1, 1)
        return x * y.expand_as(x)

使用混合损失解决类别不平衡：

class HybridLoss(nn.Module):
    def __init__(self, alpha=0.7):
        super().__init__()
        self.alpha = alpha  # 控制 Dice 和 CE 的权重
        self.ce = nn.CrossEntropyLoss()

    def dice_loss(self, pred, target):
        smooth = 1.
        pred = pred.contiguous()
        target = target.contiguous()
        intersection = (pred * target).sum()
        return 1 - (2. * intersection + smooth) / 
               (pred.sum() + target.sum() + smooth)

    def forward(self, pred, target):
        ce_loss = self.ce(pred, target)
        dice_loss = self.dice_loss(F.softmax(pred, dim=1)[:,1], target.float())
        return self.alpha*dice_loss + (1-self.alpha)*ce_loss

不同医院的数据分布差异很大，建议：

对各中心数据分别统计均值和标准差
在训练时加入梯度反转层 (GRL)
使用小批量实例归一化代替批量归一化

针对 CT/MRI 的切片间不一致性：

训练时随机打乱切片顺序
预测时使用滑动窗口重叠 50%
对 3D 预测结果进行连通域分析，去除小噪声

实际部署时的显存优化方案：

使用混合精度训练
将大图像拆分成小块预测
用 TensorRT 优化模型

# ONNX 导出示例
model.eval()
dummy_input = torch.randn(1, 1, 256, 256, device='cuda')
torch.onnx.export(model, dummy_input, "cenet.onnx", 
                 input_names=["input"], 
                 output_names=["output"])

在 BraTS2020 数据集上的结果：