企业官网建设流程全解析

简介：一套基于MATLAB与UNet的肺结节检测实战资源，面向医学图像处理、深度学习方向的在校生与工程师，旨在帮助读者从零跑通语义分割任务，理解编码器-解码器结构以及肺部CT影像的预处理、训练与预测流程。资源共2000个文件，其中1995张png格式的肺部CT切片与标注图构成完整训练/测试样本集，另含4个m脚本分别实现主程序、UNet网络定义、测试和结果保存，1个txt文件用于辅助说明，整体约195MB，便于下载、离线复现与二次修改。包体组成清晰，目录结构简洁，便于按脚本功能快速定位。已有227人学习下载，不少学习者将其用于课程设计、毕业设计或算法验证。通过运行代码，可直接获得肺结节分割结果与可视化输出，既能帮助快速掌握UNet原理，也能在此基础上调整网络结构与超参数，迁移到其他医学影像分割场景，是一份兼顾教学与实战的参考资料。

1. 为什么在 MATLAB 里做 UNet 肺结节检测

把 UNet 用在肺结节检测上，本质是把「找到疑似病灶」转成「对 CT 切片做像素级分割」。拿到一张肺部 CT 的横断面切片，模型要为每一个像素输出一个标签：是结节还是背景。与目标检测画边界框不同，分割能保留结节的轮廓信息，方便后续算体积、看形态，这对临床随访和良恶性判断都有直接价值。MATLAB 做这件事的路径比想象中顺——Deep Learning Toolbox 里提供了完整的层定义、训练选项和推理函数，配合 Image Processing Toolbox，预处理、增强和后处理能在一个环境里闭环，不需要把数据导到 Python 再导回来。这篇我按自己实际跑通的路子，把 UNet 的结构拆解、数据准备、模型搭建、训练调参与落地验证一次讲透。适合刚接触医学图像分割的工程师，也适合手里有 CT 数据但不想切语言栈的研究人员。

2. UNet 结构在肺结节分割里的角色，以及 MATLAB 里的两种搭法

2.1 为什么编码器-解码器结构适合「找小结节」

肺结节在 CT 切片里通常表现为小范围的、与周围组织灰度接近的类圆形区域。有些结节直径只有几毫米，对比度又低，普通分类网络很难定位；如果只做目标检测，MS COCO 那套 Anchor 机制在医学影像上也不好调。UNet 的设计恰好解决这两个痛点。

UNet 的编码器通过逐层下采样缩小特征图的空间尺寸，同时增加通道数。这一步让网络在越来越大的感受野里提取语义信息——大结节靠上下文，小结节靠浅层纹理。解码器再逐步上采样恢复空间分辨率，把编码器各层学到的特征图放大回去。关键是跳跃连接（Skip Connection）：解码器每个 stage 都会拼接编码器同层输出的特征图，让网络在恢复细节时直接引用浅层的高分辨率特征。这样最终输出的分割图边缘更锐利，小目标的召回率也更高。

在 MATLAB 里实现 UNet 有两条路：一条是用unetLayers直接拿预置函数，另一条是用layerGraph手动拼。unetLayers适合快速验证，改不了内部模块；手工搭虽然代码量大，但能控制每个卷积的卷积核个数、是否带 BatchNorm、Dropout 加在哪，也更方便后续做改进实验。我下面用 layerGraph 搭一个适合 512x512 CT 切片的 UNet，输入单通道，输出二分类（前景/背景）。

2.2 用 layerGraph 手工搭建 UNet 的完整步骤

搭建思路是：用convolution2dLayer和maxPooling2dLayer搭编码器，用transposedConv2dLayer或dltranspconv做上采样，用depthConcatenationLayer做跳跃连接。注意 MATLAB 的transposedConv2dLayer在 R2021a 之后可用，老版本用convolution2dLayer配合resize2dLayer也可以，但效果和效率都不如转置卷积。

inputSize = [512 512 1]; numClasses = 2; layers = [ imageInputLayer(inputSize, 'Name', 'input', 'Normalization', 'none') % 编码器 Stage 1 convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'enc1_conv1') batchNormalizationLayer('Name', 'enc1_bn1') reluLayer('Name', 'enc1_relu1') convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'enc1_conv2') batchNormalizationLayer('Name', 'enc1_bn2') reluLayer('Name', 'enc1_relu2') maxPooling2dLayer(2, 'Stride', 2, 'Name', 'enc1_pool') % 编码器 Stage 2 convolution2dLayer(3, 128, 'Padding', 'same', 'Name', 'enc2_conv1') batchNormalizationLayer('Name', 'enc2_bn1') reluLayer('Name', 'enc2_relu1') convolution2dLayer(3, 128, 'Padding', 'same', 'Name', 'enc2_conv2') batchNormalizationLayer('Name', 'enc2_bn2') reluLayer('Name', 'enc2_relu2') maxPooling2dLayer(2, 'Stride', 2, 'Name', 'enc2_pool') % 编码器 Stage 3 convolution2dLayer(3, 256, 'Padding', 'same', 'Name', 'enc3_conv1') batchNormalizationLayer('Name', 'enc3_bn1') reluLayer('Name', 'enc3_relu1') convolution2dLayer(3, 256, 'Padding', 'same', 'Name', 'enc3_conv2') batchNormalizationLayer('Name', 'enc3_bn2') reluLayer('Name', 'enc3_relu2') maxPooling2dLayer(2, 'Stride', 2, 'Name', 'enc3_pool') % 编码器 Stage 4 convolution2dLayer(3, 512, 'Padding', 'same', 'Name', 'enc4_conv1') batchNormalizationLayer('Name', 'enc4_bn1') reluLayer('Name', 'enc4_relu1') convolution2dLayer(3, 512, 'Padding', 'same', 'Name', 'enc4_conv2') batchNormalizationLayer('Name', 'enc4_bn2') reluLayer('Name', 'enc4_relu2') ]; lgraph = layerGraph(layers);

这里把编码器前四层搭好。注意每个卷积后都接了 BatchNorm 和 ReLU，原因是医学影像的灰度分布在不同设备间差异很大，BatchNorm 可以缓解协变量偏移，让训练更稳定。Padding='same'保证特征图尺寸在卷积后不变，避免边缘信息过早丢失。

接着补解码器和跳跃连接，用addLayers和connectLayers把图拼完整。跳跃连接的本质是把编码器同一 stage 的输出接到解码器对应 stage 的输入上，这一步在 MATLAB 里通过给层定义不同 Name 来实现连接关系。

% 解码器 Stage 4 -> 上采样到 Stage 3 尺寸 dec4_up = transposedConv2dLayer(2, 256, 'Stride', 2, 'Name', 'dec4_up'); dec4_conv1 = convolution2dLayer(3, 256, 'Padding', 'same', 'Name', 'dec4_conv1'); dec4_bn1 = batchNormalizationLayer('Name', 'dec4_bn1'); dec4_relu1 = reluLayer('Name', 'dec4_relu1'); dec4_conv2 = convolution2dLayer(3, 256, 'Padding', 'same', 'Name', 'dec4_conv2'); dec4_bn2 = batchNormalizationLayer('Name', 'dec4_bn2'); dec4_relu2 = reluLayer('Name', 'dec4_relu2'); % 解码器 Stage 3 -> 上采样到 Stage 2 尺寸 dec3_up = transposedConv2dLayer(2, 128, 'Stride', 2, 'Name', 'dec3_up'); dec3_conv1 = convolution2dLayer(3, 128, 'Padding', 'same', 'Name', 'dec3_conv1'); dec3_bn1 = batchNormalizationLayer('Name', 'dec3_bn1'); dec3_relu1 = reluLayer('Name', 'dec3_relu1'); dec3_conv2 = convolution2dLayer(3, 128, 'Padding', 'same', 'Name', 'dec3_conv2'); dec3_bn2 = batchNormalizationLayer('Name', 'dec3_bn2'); dec3_relu2 = reluLayer('Name', 'dec3_relu2'); % 解码器 Stage 2 -> 上采样到输入尺寸 dec2_up = transposedConv2dLayer(2, 64, 'Stride', 2, 'Name', 'dec2_up'); dec2_conv1 = convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'dec2_conv1'); dec2_bn1 = batchNormalizationLayer('Name', 'dec2_bn1'); dec2_relu1 = reluLayer('Name', 'dec2_relu1'); dec2_conv2 = convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'dec2_conv2'); dec2_bn2 = batchNormalizationLayer('Name', 'dec2_bn2'); dec2_relu2 = reluLayer('Name', 'dec2_relu2'); % 输出层 final_conv = convolution2dLayer(1, numClasses, 'Name', 'final_conv'); softmax = softmaxLayer('Name', 'softmax'); pixelClass = dicePixelClassificationLayer('Name', 'output'); dec_layers = [ dec4_up dec4_conv1, dec4_bn1, dec4_relu1, dec4_conv2, dec4_bn2, dec4_relu2 dec3_up dec3_conv1, dec3_bn1, dec3_relu1, dec3_conv2, dec3_bn2, dec3_relu2 dec2_up dec2_conv1, dec2_bn1, dec2_relu1, dec2_conv2, dec2_bn2, dec2_relu2 final_conv softmax pixelClass ]; lgraph = addLayers(lgraph, dec_layers);

解码器的通道数比原版 UNet 少一半，是刻意压的。512 输入下如果每层都用 1024 通道，显存会直接爆掉。实际训练时我先把编码器 Stage 1 从 64 改成 32 试过，精度掉得不多，但显存占用少了约 40%。如果跑 256x256 输入，通道数可以保持 64 起步。

连接跳跃连接时，注意 MATLAB 的connectLayers第一个参数是源层名，第二个是目标层名。这里要把编码器每个池化之前的输出接到解码器对应 stage 的输入上。如果名字写错，analyzeNetwork会直接报图不连通，这也是新手最容易卡住的地方。

lgraph = connectLayers(lgraph, 'enc1_relu2', 'dec2_up/in'); lgraph = connectLayers(lgraph, 'enc2_relu2', 'dec3_up/in'); lgraph = connectLayers(lgraph, 'enc3_relu2', 'dec4_up/in');

为什么是dec2_up/in？因为 transposedConv2dLayer 的输入端口默认就叫'in'。如果不写端口名，直接连到层名也可以。接完以后用analyzeNetwork(lgraph)检查一遍，MATLAB 会画出网络结构图，并标出哪一层尺寸不匹配。这一步必须做，肉眼排查 20 层网络太容易漏。

2.3 损失函数的选择：Dice Loss 比交叉熵稳

肺结节分割里，背景像素远多于前景像素，典型场景下结节只占整张切片的 1% 到 5%。如果直接用交叉熵损失，模型会把所有像素预测成背景，因为这样 loss 也很低。dicePixelClassificationLayer计算的是 Dice 系数损失，公式为：

Loss = 1 - (2 * |X ∩ Y|) / (|X| + |Y|)

X 是预测的前景区域，Y 是标注的真实区域。这个损失不关心像素总数，只关心重叠程度，天然对类别不平衡不敏感。MATLAB 里直接指定这个层做输出层就行，不需要自己写损失函数。

如果数据里结节特别小，或者一张切片里同时有大结节和微小结节，Dice 损失训练时会比较震荡。我一般会在训练初期把学习率调低一点，或者先用交叉熵预训练 20 个 epoch，再用 Dice 微调。MATLAB 里交叉熵对应pixelClassificationLayer，切换成本很低。

3. MATLAB 里的数据准备：从原始 CT 到可训练的 imageDatastore

3.1 数据格式与预处理管线

肺结节公开数据集通常提供两种格式：DICOM 系列文件和已提取的 PNG 切片加标注掩膜。DICOM 文件需要用dicominfo和dicomread读取，但整批读很慢，我一般先把 DICOM 批量转成 PNG 缓存到本地，训练时直接读 PNG。转格式时可以顺手做三件事：裁剪到固定尺寸、归一化、保存掩膜。

常用的公开数据集中，结节掩膜是黑白图，白色像素是结节区域。要注意有些数据集标注的是整个肺结节，有些标注的是结节的核心区域，这对训练标签影响很大。拿到数据后先抽几张图，把掩膜以半透明方式叠在原图上检查一遍，确认标注风格再开始训练。

function [img, mask] = loadNodulePair(imgPath, maskPath) img = imread(imgPath); mask = imread(maskPath); % 转灰度 if size(img, 3) == 3 img = rgb2gray(img); end if size(mask, 3) == 3 mask = rgb2gray(mask); end % 归一化到 [0 1] img = double(img) / 255; mask = double(mask > 128); % 二值化 % 缩放到 512x512，双线性插值 img = imresize(img, [512 512], 'bilinear'); mask = imresize(mask, [512 512], 'nearest'); % 掩膜用最近邻 end

掩膜的缩放必须用nearest，不能用双线性插值。双线性会在结节边界产生介于 0 和 1 之间的过渡值，导致训练时标签出现第三类像素，影响分割精度。这是分割任务里最常见也最隐蔽的错误。

3.2 用 imageDatastore 和 pixelLabelDatastore 管理数据

MATLAB 的imageDatastore负责读图像，pixelLabelDatastore负责读像素级标签。两类数据要用同一个随机种子做 shuffle，保证图像和掩膜一一对应。可以用shuffle前先rng(0)固定随机种子，或者干脆把图像和掩膜文件按相同命名规则放在两个目录里，靠文件名匹配保证对应。

imgDir = fullfile(dataRoot, 'images'); maskDir = fullfile(dataRoot, 'masks'); imds = imageDatastore(imgDir, 'FileExtensions', '.png'); pxds = pixelLabelDatastore(maskDir, ["background", "nodule"], [0 1]); % 划分训练/验证 rng(42); numFiles = numel(imds.Files); idx = randperm(numFiles); trainIdx = idx(1:round(numFiles*0.8)); valIdx = idx(round(numFiles*0.8)+1:end); imdsTrain = subset(imds, trainIdx); pxdsTrain = subset(pxds, trainIdx); imdsVal = subset(imds, valIdx); pxdsVal = subset(pxds, valIdx);

pixelLabelDatastore的第二个参数是类别名，第三个是类别对应的像素值。这里 0 是背景，1 是结节。训练前用preview看一下 mask 读取是否正确，再统计一下结节像素在所有像素中的占比。

3.3 数据增强：randomPatchExtractionDatastore与imageDataAugmenter

医学图像数据量通常不大，几百张切片训练 UNet 很容易过拟合。MATLAB 提供了imageDataAugmenter做在线增强：随机旋转、缩放、平移、翻转，这些操作在每次 epoch 读取数据时实时执行，不额外占用磁盘空间。

augmenter = imageDataAugmenter(... 'RandRotation', [-10 10], ... 'RandScale', [0.9 1.1], ... 'RandXTranslation', [-10 10], ... 'RandYTranslation', [-10 10], ... 'RandXReflection', true);

注意不要用RandXReflection做水平翻转以外的强增强，比如随机裁剪到很小区域，可能会把小结节裁掉一半，反而降低标注质量。对分割任务来说，增强后的标签和图像必须同步变换，MATLAB 的imageDataAugmenter和randomPatchExtractionDatastore会自动处理这层对应关系，这也是我选择用内置 datastore 而不是自己写数据加载函数的主要原因。

4. 训练配置与调参：从能跑到跑好的关键参数

4.1 训练选项怎么设：初始学习率、MiniBatchSize 和验证频率

UNet 训练和分类网络不一样，学习率一般要更小。Adam 优化器下，初始学习率 1e-4 到 3e-4 比较稳；SGD 的话用 1e-3 配 Momentum 0.9。我建议直接上 Adam，省去手动调 Momentum 和 L2 正则的麻烦。

options = trainingOptions('adam', ... 'InitialLearnRate', 2e-4, ... 'MaxEpochs', 50, ... 'MiniBatchSize', 4, ... 'ValidationData', {imdsVal, pxdsVal}, ... 'ValidationFrequency', 10, ... 'Shuffle', 'every-epoch', ... 'Plots', 'training-progress', ... 'Verbose', true, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropPeriod', 20, ... 'LearnRateDropFactor', 0.5, ... 'L2Regularization', 1e-5);

MiniBatchSize 是显存的直接决定因素。512x512 输入、编码器第一层 64 通道的 UNet，在 11G 显存（如 RTX 2080Ti）上 MiniBatchSize 最多设 4 到 6。如果你显存不够，优先把输入尺寸降到 512 以下，比如 384 或 256，而不是缩小 batch size 到 1，因为 BatchNorm 在 batch 太小的时候统计量不稳定，训练会抖动。

4.2 训练过程监控：看准确率没意义，看 Dice

MATLAB 的 training-progress 图会实时显示 loss 和验证准确率。对分割任务来说，准确率 99% 以上根本不能说明问题——因为背景占了绝大多数像素。要验证模型真的学到了结节特征，在训练选项里添加自定义评估函数，或者在训练结束后单独用验证集算 Dice 系数和 IoU。

% 训练结束后在验证集上评估 net = trainedNet; pxdsResults = semanticseg(imdsVal, net, 'MiniBatchSize', 2); metrics = evaluateSemanticSegmentation(pxdsResults, pxdsVal); disp(metrics.ClassMetrics);

evaluateSemanticSegmentation会输出每个类别的 IoU、Dice、BF 分数。重点看 nodule 类的 Dice 是否在 0.6 以上。如果只有 0.3，说明模型没有真正学到结节特征，需要回头看数据预处理、损失函数或者模型容量。

4.3 显存不足时的降级方案：梯度累积与 patch 训练

512x512 输入直接训练对显存压力很大。常见做法是裁剪成 256x256 的 patch 来训练，但这会丢失结节的上下文信息——大结节可能横跨多个 patch，小 patch 看不到完整轮廓。用randomPatchExtractionDatastore可以解决一部分问题，它会在每张图上随机取 patch，同时保证 patch 内至少包含一个前景像素，这样既能控制显存，又能确保训练时看到正样本。

patchds = randomPatchExtractionDatastore(imdsTrain, pxdsTrain, [256 256], ... 'PatchesPerImage', 8, ... 'DataAugmentation', augmenter);

PatchesPerImage设为 8，相当于一张 512 原图产生 8 个 256 patch，变相扩大了数据集。训练时 MiniBatchSize 可以提高到 8 到 12，显存占用反而比直接跑 512 更小。代价是 patch 之间没有重叠，模型看不到结节全貌，推理时需要用滑动窗口预测并拼接结果，这会在第 5 章详细讲。

5. 推理、后处理与部署：把分割结果变成临床可用的输出

5.1 滑动窗口推理与拼接策略

如果训练用了 patch，推理时不能把整张 512 图直接 feed 进网络，需要做滑动窗口。窗口大小与训练 patch 一致，步长设置为窗口大小的三分之一到二分之一，保证相邻窗口有重叠，拼接时用加权平均消除边界效应。

function probMap = predictWithSlidingWindow(net, img, patchSize, stride) [h, w, ~] = size(img); probMap = zeros(h, w, 'single'); countMap = zeros(h, w, 'single'); for y = 1:stride:h-patchSize+1 for x = 1:stride:w-patchSize+1 patch = img(y:y+patchSize-1, x:x+patchSize-1, :); patch = dlarray(single(patch), 'SSCB'); prob = predict(net, patch); prob = extractdata(prob); probMap(y:y+patchSize-1, x:x+patchSize-1) = ... probMap(y:y+patchSize-1, x:x+patchSize-1) + prob(:, :, 2, 1); countMap(y:y+patchSize-1, x:x+patchSize-1) = ... countMap(y:y+patchSize-1, x:x+patchSize-1) + 1; end end probMap = probMap ./ max(countMap, eps); end

注意 MATLAB 的predict函数在 R2021a 之后直接接受普通数组，不需要手动dlarray。上面保留dlarray是为了兼容 R2020b 及更早版本。拼接后把概率大于 0.5 的像素标为前景，再用medfilt2或形态学开运算去掉孤立的假阳性点。

5.2 后处理：连通域分析与体积估算

给每个检测到的结节标记独立编号，用bwconncomp找连通域，过滤掉面积过小的区域。肺结节的最小临床意义直径通常在 3mm 左右，按 CT 像素间距换算成像素面积后设阈值。

cc = bwconncomp(maskBinary); stats = regionprops(cc, 'Area', 'Centroid', 'BoundingBox'); minArea = 20; % 小于 20 像素的区域直接删除 validIdx = [stats.Area] > minArea; numNodules = sum(validIdx);

如果 DICOM 里有像素间距信息（PixelSpacing），算结节直径就有临床价值。面积乘以像素间距的平方，再换算成等效直径。这个阶段可以顺手把每个结节的中心坐标、边界框、面积、等效直径写进 CSV，输出成结构化报告。

5.3 导出与部署：ONNX 与代码生成

MATLAB 训练好的网络可以用exportONNXNetwork导出到 ONNX 格式，放到 ONNX Runtime 里做推理，也可以在 MATLAB 里用codegen生成 CUDA 代码部署到边缘设备。R2023a 以后的版本还支持直接加载 ONNX 模型做迁移学习，前置模型来自 PyTorch 的话也能在 MATLAB 里继续训练。这个互操作性让 MATLAB 在原型验证阶段很有优势——先用 MATLAB 快速跑通 pipeline，后面要上生产再换语言栈，分割模型本身不绑定平台。

6. 多类别扩展、注意力机制与模型瘦身

6.1 从二分类到多分类：肺结节、血管、胸膜增厚

临床数据里标注往往不止结节一类，可能还有血管、胸膜增厚、钙化灶等。把pixelLabelDatastore的类别列表改一下，把numClasses改成语义类别数，网络输出层不用动，损失函数会自动兼容多分类。要注意的是，多分类时如果类别数超过 4，建议每类单独建一个 datastore，或者用combine手动管理，避免 MATLAB 在内存里一次加载全部类别的标注。

6.2 给 UNet 加注意力模块：用 MATLAB 自定义层

MATLAB 自 R2021a 起支持layer基类来写自定义层，可以插入 attention block 到跳跃连接处。这个操作不复杂，定义一个继承自nnet.layer.Layer的类，实现predict方法就行。常见做法是加 scSE（Concurrent Spatial and Channel Squeeze & Excitation）模块，提升结节区域的特征响应。在 MATLAB 里写这类自定义层要注意：自定义层的predict方法要避免使用for循环，尽量用向量化操作，否则训练会慢 5 到 10 倍。

6.3 模型轻量化与显存优化

如果要在低显存设备上推理，把编码器的通道数从 64/128/256/512 减半，解码器同步减少。另一个更有效的优化是使用深度可分离卷积替换标准卷积，参数减少 6 到 8 倍，精度下降通常在 1% 到 3% 以内。MATLAB 没有内置深度可分离卷积层，需要用groupedConvolution2dLayer配合逐点卷积手动搭建。在推理阶段，把网络转换成dlnetwork后调用resetState可以减少计算图中的中间变量缓存，显存占用能进一步下降。实测 512 输入下，推理时的峰值显存可以压到 2GB 以内，这个量级已经可以在部分嵌入式设备上跑通。

最后提醒一点：不管是用预置unetLayers还是手工 layerGraph，验证模型是否有效，永远要看结节区域的 Dice 和 IoU，而不是整图的准确率。跑完训练后，抽几张带有不同大小结节（5mm 以下、5-10mm、10mm 以上）的验证图，把预测掩膜叠加在原图上保存成 PNG 检查一遍，这个小步骤能帮你避开绝大多数模型实际不可用的问题。

本文还有配套的精品资源，点击获取