nnUNet实战：2D医学影像数据增强策略与性能优化

1次阅读

共计 1939 个字符，预计需要花费 5 分钟才能阅读完成。

医学影像数据标注成本高、样本量有限是普遍难题。在肝脏 CT 分割任务中，我们常遇到只有 200-300 张标注切片的情况。这种小样本训练时，nnUNet 极易记住训练集细节（如特定扫描仪伪影），导致测试集 Dice 系数骤降 15% 以上。数据增强通过人工扩充样本多样性，是解决过拟合最经济的方案。

nnUNet 原生采用 SimpleITK 进行空间变换，其优势是完美兼容 DICOM 元数据（如保持 CT 的窗宽窗位），但存在两个明显缺陷：

增强种类较少（仅旋转 / 缩放 / 翻转）
不支持 GPU 加速

第三方库对比：

Albumentations：提供 80+ 种增强，支持医学影像特定操作（如 GridDistortion），但需要手动处理元数据
TorchVision：GPU 加速友好，但缺乏弹性形变等医学关键变换

实际测试发现，混合方案效果最佳：使用 SimpleITK 处理空间变换，用 Albumentations 做灰度扰动。

基础刚性变换（代码示例）：

import SimpleITK as sitk

def apply_rigid_transform(image, mask, angle=15, flip_prob=0.5):
    """
    image: [H,W] numpy 数组
    angle: 最大旋转角度 (医学影像建议±15°内)
    """
    # 转换为 SimpleITK 对象
    sitk_image = sitk.GetImageFromArray(image)

    # 随机旋转
    transform = sitk.AffineTransform(2)
    transform.Rotate(0, 1, np.random.uniform(-angle, angle))

    # 随机翻转
    if np.random.rand() < flip_prob:
        transform.Scale((-1, 1))  # 水平翻转

    # 执行变换（保持 CT 值线性关系）resampler = sitk.ResampleImageFilter()
    resampler.SetTransform(transform)
    resampler.SetInterpolator(sitk.sitkLinear)

    return sitk.GetArrayFromImage(resampler.Execute(sitk_image))

弹性形变增强（关键参数）：
控制点间距：建议 8 -12mm（MRI 可更小）
最大位移量：3-5mm（避免器官结构破坏）

CT/MRI 需要不同的处理：

import albumentations as A

# CT 专用增强链（保持 HU 单位）ct_aug = A.Compose([A.RandomGamma(gamma_limit=(0.7, 1.3), p=0.5),  # 模拟扫描剂量变化
    A.GaussNoise(var_limit=(0, 0.001), p=0.3),     # 添加量子噪声
    A.RandomBrightnessContrast(contrast_limit=0.1) # 微小对比度调整
])

# MRI 专用增强链
mri_aug = A.Compose([A.MultiplicativeNoise(multiplier=(0.9, 1.1)),
    A.RandomBrightnessContrast(brightness_limit=0.2)
])

测试发现，当启用弹性形变时，CPU 可能成为瓶颈。解决方案：

使用 num_workers=4-8（根据 CPU 核心数调整）
预生成部分增强样本到 RAM 磁盘

在 DataLoader 中设置 pin_memory=True
对大于 512×512 的图像，建议先 resize 再增强

CT 值范围保护：增强后必须执行 np.clip(img, -1000, 3000)
旋转角度限制：
腹部 CT：±15°
胸部 X 光：±10°
形变强度：网格扭曲 alpha 系数建议 0 -50

可视化对比方法：

import matplotlib.pyplot as plt

plt.figure(figsize=(12,6))
plt.subplot(121)
plt.imshow(original_img, cmap='gray')
plt.subplot(122)
plt.imshow(augmented_img, cmap='gray')
plt.show()

推荐 5 折交叉验证，评估指标应包括：