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 2488 个字符，预计需要花费 7 分钟才能阅读完成。

医学图像分割是医疗 AI 领域的重要任务，但存在诸多特殊挑战。与自然图像不同，医学图像往往具有以下特点：

小目标问题：病灶区域可能只占图像的极小部分
类不平衡严重：正常组织与病变组织的像素比例悬殊
标注稀疏性：高质量的医学标注数据获取成本高昂
模态多样性：CT、MRI、超声等不同成像方式差异显著

传统 U -Net 虽然广泛应用于医学图像分割，但在处理微小病灶时表现欠佳。TransUNet 虽然引入了 Transformer 结构，但对计算资源要求较高，且在小数据集上容易过拟合。

CENet(Context Enhanced Network)通过三个核心创新点应对上述挑战：

通道注意力模块(CA-Block)
动态调整各通道特征权重
增强对小目标特征的敏感性
计算开销仅增加约 3%
多尺度上下文聚合(MSCA)
并行使用不同扩张率的空洞卷积
捕获病灶与周围组织的空间关系
有效解决类不平衡问题
轻量化解码器设计
采用渐进式上采样策略
减少特征图拼接带来的显存消耗
比 Deeplabv3+ 解码器轻量 40%

import pydicom
import torch
from torch.utils.data import Dataset

class MedicalImageDataset(Dataset):
    def __init__(self, dicom_paths, transform=None):
        self.transform = transform
        self.images = []

        for path in dicom_paths:
            ds = pydicom.dcmread(path)
            # 处理窗宽窗位
            img = self.apply_windowing(ds.pixel_array, ds.WindowCenter, ds.WindowWidth)
            self.images.append(img)

    def apply_windowing(self, pixel_array, center, width):
        min_val = center - width//2
        max_val = center + width//2
        pixel_array = np.clip(pixel_array, min_val, max_val)
        return (pixel_array - min_val) / (max_val - min_val)

import torch.nn as nn

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

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

class HybridLoss(nn.Module):
    def __init__(self, alpha=0.7):
        super().__init__()
        self.alpha = alpha  # Dice 系数权重
        self.bce = nn.BCEWithLogitsLoss()

    def forward(self, pred, target):
        # Dice 损失
        smooth = 1.0
        pred = torch.sigmoid(pred)
        intersection = (pred * target).sum()
        dice = (2. * intersection + smooth) / (pred.sum() + target.sum() + smooth)
        dice_loss = 1 - dice

        # BCE 损失
        bce_loss = self.bce(pred, target)

        # 指数衰减调整权重
        current_alpha = self.alpha * (0.9 ** (epoch / total_epochs))
        return current_alpha * dice_loss + (1 - current_alpha) * bce_loss

使用 ComBat 算法进行强度归一化
在训练时加入随机强度扰动
采用领域适应 (Domain Adaptation) 技术

相邻切片一致性检查
体积过滤（去除小连通区域）
形态学闭运算填补空洞

# ONNX 导出
model.eval()
dummy_input = torch.randn(1, 1, 256, 256)
torch.onnx.export(
    model, 
    dummy_input,
    "cenet.onnx",
    input_names=["input"],
    output_names=["output"],
    dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}}
)

# TensorRT 优化
trtexec --onnx=cenet.onnx --saveEngine=cenet.trt --fp16

在 BraTS2020 数据集上的测试结果：