企业官网建设流程全解析

简介：本资源面向医学影像处理方向的深度学习学习者与研究人员，提供一套基于FCN全卷积神经网络的腹部脊椎自动分割完整方案，可用于医学图像分割入门实践与算法复现。压缩包共981个文件，约453.83MB，以jpg与png图像数据为主，另含py训练脚本、pth模型权重、xml标注文件及readme说明，覆盖数据、代码与结果全流程。在epoch 10时，全局准确率达0.9953，平均IoU为0.8486，脊椎类召回率0.9703，指标表现稳定可靠。已有86人学习下载。读者可直接获得可运行的数据集、网络实现与训练权重，对照指标复现分割效果，并在此基础上调整网络结构或迁移至其他医学图像分割任务，适合作为课程设计、科研入门与算法对比的参考素材。

1. 腹部脊椎分割为什么值得用 FCN 从头做一遍

腹部 CT 的脊椎分割，是影像科和手术导航里绕不开的一环。椎体、椎管、棘突这些结构在轴位上挨得极近，软组织对比度又低，手工勾画一层要几十秒，一套全腹序列几百层，医生根本耗不起。FCN（全卷积神经网络）把分类网络的全连接层换成卷积层，输入任意尺寸图像、输出同分辨率的分割掩膜，正好对上「逐像素判定是不是脊椎」这个需求。相比 U-Net 那类编码解码结构，FCN 更朴素，参数量小、训练快，适合拿来把语义分割的完整链路——数据准备、标签处理、损失选择、指标评估——从头跑通一遍。这篇面向想自己复现腹部脊椎分割的工程师和医工方向学生，从数据集组织讲到推理后处理，把能抄的代码和会翻车的地方都摆出来。

2. 数据集准备与标签处理：从 DICOM 到可训练掩膜

2.1 腹部脊椎分割数据集长什么样

公开的腹部脊椎分割数据，常见形态是腹部 CT 体数据配一份逐层标注。标注有两种粒度：一种是只标椎体（vertebrae），另一种把椎体、椎管、椎间盘分开标。做 FCN 二分类分割时，通常把所有脊椎相关结构合并成一个前景类，背景是其余所有组织。这样标签就是 0/1 掩膜，训练目标简单，评估也直观。

数据到手后先别急着写模型，花十分钟把数据摸清楚：层厚是多少、像素间距是否各向同性、标注是每层都有还是隔层标、有没有缺失层。腹部 CT 常见层厚 1～5 mm，轴位像素间距 0.6～1.0 mm，各向异性明显。如果直接按原始分辨率训练，脊椎在 Z 方向会被拉长或压扁，影响分割边界。常见做法是重采样到各向同性，比如统一到 1×1×1 mm，代价是显存占用上升，需要配合裁剪。

提示：先确认标注坐标系和图像坐标系一致。有些数据集标注存的是世界坐标，直接当像素索引用会整体偏移，这是最隐蔽的坑之一。

2.2 用 Python 读取 DICOM 并生成掩膜

下面这段代码做三件事：读一个序列的 DICOM、按层厚排序、把标注转成和图像同形状的 0/1 掩膜。依赖 pydicom、numpy、SimpleITK。

import pydicom import numpy as np import SimpleITK as sitk from pathlib import Path def load_series(series_dir): # 读取目录下所有 DICOM，按 InstanceNumber 或 SliceLocation 排序 slices = [pydicom.dcmread(str(p)) for p in Path(series_dir).glob("*.dcm")] slices.sort(key=lambda s: float(s.ImagePositionPatient[2])) # 体数据堆叠成 (Z, H, W) volume = np.stack([s.pixel_array.astype(np.float32) for s in slices], axis=0) # 用 RescaleSlope/Intercept 转成 HU slope = float(slices[0].RescaleSlope) intercept = float(slices[0].RescaleIntercept) volume = volume * slope + intercept spacing = (float(slices[0].SliceThickness), float(slices[0].PixelSpacing[0]), float(slices[0].PixelSpacing[1])) return volume, spacing def build_mask(label_volume, vertebra_ids): # label_volume 是整型标注体，vertebra_ids 是脊椎类别的 id 列表 mask = np.isin(label_volume, vertebra_ids).astype(np.uint8) return mask

逻辑说明：load_series里排序键用ImagePositionPatient[2]而不是文件名，因为文件名顺序不可靠。HU 转换必须做，否则不同机器的像素值范围不一致，归一化会失效。build_mask用np.isin一次性把多个椎体类别合并，比循环快很多。

参数说明：vertebra_ids要按你数据集的标注协议填，比如椎体是 1～7、椎管是 8，那就传list(range(1,9))。spacing三个值分别是 Z、Y、X 方向，后面重采样要用。

2.3 重采样与窗宽窗位归一化

腹部 CT 的 HU 范围很宽，骨头能到 1000 以上，空气是 -1000。脊椎分割关心骨性结构，常见做法是截断到 [-200, 1000] 再归一化到 [0,1]，这样既保留骨皮质又压掉大部分软组织噪声。

def preprocess(volume, spacing, target_spacing=(1.0, 1.0, 1.0)): # 用 SimpleITK 做各向同性重采样 img = sitk.GetImageFromArray(volume) img.SetSpacing(spacing[::-1]) # SITK 顺序是 X,Y,Z resampler = sitk.ResampleImageFilter() resampler.SetOutputSpacing(target_spacing[::-1]) new_size = [int(round(sz * sp / tsp)) for sz, sp, tsp in zip(img.GetSize(), img.GetSpacing(), target_spacing[::-1])] resampler.SetSize(new_size) resampler.SetInterpolator(sitk.sitkLinear) out = sitk.GetArrayFromImage(resampler.Execute(img)) # 窗宽窗位截断 + 归一化 out = np.clip(out, -200, 1000) out = (out + 200) / 1200.0 return out.astype(np.float32)

逻辑说明：重采样用线性插值，标签要用最近邻，两者必须分开处理，否则标签会被插出 0.5 这种非法值。窗宽窗位截断放在重采样之后，避免插值把边界值拉出范围。

参数说明：target_spacing设 (1,1,1) 是通用起点。如果显存吃紧，Z 方向可以放宽到 2 mm，但脊椎上下端边界会变糊，评估时注意区分。

2.4 切片采样与类别不平衡处理

腹部 CT 里脊椎像素占比通常不到 5%，正负样本极度不平衡。直接训练模型会倾向于全预测背景，Dice 看着还行但实际什么都没分出来。常见做法是切片采样时保证每批里含脊椎的切片占一定比例，比如 70% 含前景、30% 随机背景切片。

def sample_slices(mask_volume, batch_size=8, fg_ratio=0.7): # 统计每层是否含前景 has_fg = [i for i in range(mask_volume.shape[0]) if mask_volume[i].sum() > 0] no_fg = [i for i in range(mask_volume.shape[0]) if mask_volume[i].sum() == 0] n_fg = int(batch_size * fg_ratio) idx = np.random.choice(has_fg, n_fg, replace=len(has_fg) < n_fg).tolist() idx += np.random.choice(no_fg, batch_size - n_fg, replace=len(no_fg) < batch_size - n_fg).tolist() np.random.shuffle(idx) return idx

逻辑说明：replace参数处理前景切片不足的情况，避免np.random.choice报错。采样只决定取哪些层，真正的裁剪和增强在 Dataset 里做。

参数说明：fg_ratio从 0.5 到 0.8 都有人用，0.7 是折中。如果验证集 Dice 上不去，先调这个再看损失函数。

3. FCN 网络结构与训练配置：把分割头搭对

3.1 为什么选 FCN 而不是直接上 U-Net

FCN 的核心思想是用卷积替代全连接，让网络输出空间热图。经典 FCN-8s 用 VGG16 做骨干，把 pool4 和 pool5 的特征上采样后融合，兼顾语义和位置。放到腹部脊椎分割上，脊椎是大块连续结构，不需要 U-Net 那种密集跳连来抠细小边界，FCN 的粗融合够用，而且结构简单、调试成本低。

选骨干时，VGG16 参数量大、显存吃紧，实际项目里更常用 ResNet34 或 MobileNetV2 做编码器。MobileNetV2 的深度可分离卷积把参数量压到几百万，适合单卡 8G 显存跑 3D 或 2.5D。这里给一个基于 ResNet34 的 FCN 分割头，输入 2D 切片，输出同尺寸 logits。

3.2 FCN 分割头的 PyTorch 实现

import torch import torch.nn as nn import torchvision.models as models class FCNHead(nn.Module): def __init__(self, in_channels=512, num_classes=2): super().__init__() # 1x1 卷积把骨干特征压到类别数 self.score = nn.Conv2d(in_channels, num_classes, kernel_size=1) # 8 倍上采样回到输入分辨率 self.upsample = nn.Upsample(scale_factor=8, mode='bilinear', align_corners=False) def forward(self, x): x = self.score(x) x = self.upsample(x) return x class FCNResNet34(nn.Module): def __init__(self, num_classes=2, pretrained=True): super().__init__() backbone = models.resnet34(pretrained=pretrained) # 去掉最后两层，保留到 layer4，输出 stride=32 self.stem = nn.Sequential(*list(backbone.children())[:-2]) self.head = FCNHead(512, num_classes) def forward(self, x): feat = self.stem(x) # (B, 512, H/32, W/32) out = self.head(feat) # (B, 2, H, W) return out

逻辑说明：list(backbone.children())[:-2]去掉 avgpool 和 fc，保留卷积部分。ResNet34 的 layer4 输出 stride 是 32，所以上采样倍数设 8 只能回到 H/4，这里为了代码简洁用 8 倍示意，实际要对齐输入尺寸需要按input_size // feat_size动态算，或者改成 FCN-16s 融合 layer3 特征。

参数说明：pretrained=True用 ImageNet 预训练权重，医学数据少的时候能明显加速收敛。num_classes=2是前景背景二分类，多类分割改这个值即可。

注意：上采样倍数和骨干 stride 必须匹配。stride 32 配 8 倍上采样，输出会比输入小 4 倍，训练时 loss 形状对不上会直接报错。稳妥做法是用nn.functional.interpolate指定size=input.shape[-2:]。

3.3 损失函数：Dice 与 BCE 怎么配

脊椎分割正负不平衡，单用 BCE 会被背景主导。常见组合是 BCE 加 Dice，BCE 管像素级稳定梯度，Dice 直接优化重叠度。

class DiceBCELoss(nn.Module): def __init__(self, bce_weight=0.5): super().__init__() self.bce = nn.BCEWithLogitsLoss() self.bce_weight = bce_weight def forward(self, logits, targets): # logits: (B, 2, H, W) targets: (B, H, W) 取值 0/1 bce_loss = self.bce(logits[:, 1], targets.float()) probs = torch.softmax(logits, dim=1)[:, 1] intersection = (probs * targets).sum() dice_loss = 1 - (2 * intersection + 1e-6) / (probs.sum() + targets.sum() + 1e-6) return self.bce_weight * bce_loss + (1 - self.bce_weight) * dice_loss

逻辑说明：BCE 只取前景通道的 logits，避免背景通道干扰。Dice 用 softmax 后的概率算，加 1e-6 防止除零。两项加权求和，权重可调。

参数说明：bce_weight从 0.3 到 0.7 都试过，0.5 是起点。如果验证集 Dice 波动大，把 Dice 权重调高到 0.7 试试。

3.4 训练循环与关键超参

def train_one_epoch(model, loader, optimizer, criterion, device): model.train() total_loss = 0 for imgs, masks in loader: imgs = imgs.to(device).float() masks = masks.to(device).long() optimizer.zero_grad() logits = model(imgs) loss = criterion(logits, masks) loss.backward() optimizer.step() total_loss += loss.item() return total_loss / len(loader)

逻辑说明：标准训练循环，注意masks转 long 给 BCE 用，如果损失里直接算 Dice 要转 float。logits不经过 sigmoid，因为 BCEWithLogitsLoss 内部做了。

参数说明：优化器用 Adam，学习率 1e-4 起步，weight decay 1e-5。batch size 单卡 8～16。训练轮数看数据量，几百例数据一般 50～100 epoch，早停看验证集 Dice。

4. 推理、后处理与评估：让分割结果能用

4.1 滑窗推理处理大体积

全腹 CT 重采样后体数据很大，整卷塞进显存不现实。常见做法是沿 Z 轴滑窗，每次推理若干层，窗口间留重叠，最后拼接。

def sliding_window_inference(model, volume, window=16, overlap=4, device='cuda'): model.eval() depth = volume.shape[0] pred = np.zeros((depth, volume.shape[1], volume.shape[2]), dtype=np.float32) count = np.zeros_like(pred) step = window - overlap with torch.no_grad(): for start in range(0, depth, step): end = min(start + window, depth) chunk = volume[start:end] if chunk.shape[0] < window: pad = window - chunk.shape[0] chunk = np.pad(chunk, ((0, pad), (0, 0), (0, 0)), mode='edge') tensor = torch.from_numpy(chunk).unsqueeze(1).to(device).float() out = torch.softmax(model(tensor), dim=1)[:, 1].cpu().numpy() out = out[:end - start] pred[start:end] += out count[start:end] += 1 return pred / np.maximum(count, 1)

逻辑说明：重叠区域累加后除以计数，得到平均概率，减少窗口边界伪影。末尾不足一个窗口时用 edge 填充，推理后裁掉。

参数说明：window和overlap要按显存调，16 层窗口配 4 层重叠是常见配置。重叠太小边界会有接缝，太大推理变慢。

4.2 连通域后处理去小碎块

FCN 输出常有孤立小碎块，尤其在肠道气体附近。用连通域分析去掉小于阈值的块，能明显提升视觉效果。

from scipy import ndimage def remove_small_components(mask, min_size=500): labeled, num = ndimage.label(mask) for i in range(1, num + 1): if (labeled == i).sum() < min_size: mask[labeled == i] = 0 return mask

逻辑说明：ndimage.label做 3D 连通域标记，遍历每个块判断大小。min_size按体素算，重采样到 1mm 后 500 体素约等于 0.5 立方厘米。

参数说明：min_size设太小去不掉碎块，设太大会把椎体边缘削掉。建议在验证集上试 200、500、1000 三档。

4.3 评估指标：Dice、IoU 和 HD95

分割评估不能只看 Dice。Dice 对内部填充敏感，对边界不敏感。脊椎分割关心边界贴合度，要加 HD95（95% 豪斯多夫距离）。

def dice_score(pred, target): intersection = (pred * target).sum() return (2 * intersection + 1e-6) / (pred.sum() + target.sum() + 1e-6)

逻辑说明：Dice 计算简单，注意加平滑项。HD95 用 medpy 或 SimpleITK 的 HausdorffDistanceImageFilter 算，需要先转成二值。

参数说明：评估时 pred 要二值化，阈值一般取 0.5。阈值调到 0.4 或 0.6 会改变 Precision/Recall 平衡，按临床需求定。

5. 避坑与排查：腹部脊椎分割的 5 个血泪教训

5.1 现象：训练 loss 下降但 Dice 一直是 0

原因：标签和图像没对齐，或者标签值不是 0/1 而是 1/2。模型学到的前景和评估时的前景定义不一致。

解决：训练前打印np.unique(mask)确认标签值。如果是 1/2，先减 1 或重新映射。再检查图像和标签的 shape 是否完全一致，重采样时两者必须用同一套 spacing 和 size。

5.2 现象：验证集 Dice 高但推理结果全是背景

原因：验证集采样时前景切片比例过高，模型在验证集上表现好，但实际推理时背景切片占多数，模型倾向预测背景。

解决：验证集要按真实分布采样，不能只挑含前景的层。评估时分别统计含前景层和背景层的指标，背景层全预测背景是正常的，含前景层才是关键。

5.3 现象：不同机器上推理结果差异大

原因：预处理时 HU 截断范围不一致，或者归一化用了各自的均值和方差。

解决：把预处理参数固定下来，截断范围、归一化系数写进配置文件，推理时严格按训练时的参数来。不要用推理数据的统计量做归一化。

5.4 现象：脊椎上下端边界分割模糊

原因：Z 方向层厚大，重采样到各向同性后插值模糊，或者滑窗推理时窗口边界正好落在椎体上。

解决：Z 方向重采样尽量到 1mm，如果原始层厚 5mm，插值后边界会糊，评估时对上下端单独看。滑窗重叠加大到窗口的 1/3，减少边界伪影。

5.5 现象：显存溢出，batch size 降到 1 还报错

原因：3D 体数据直接输入，或者 2D 切片分辨率太高没裁剪。

解决：训练时随机裁剪到 256×256 或 512×512，不要整层输入。如果用 3D 网络，窗口深度控制在 16～32 层。混合精度训练（AMP）能省 30% 显存，PyTorch 里用torch.cuda.amp几行就能开。

6. 把 FCN 脊椎分割推到可用的几个进阶技巧

模型跑通只是起点，要让分割结果真的能进流程，还得在几个地方下功夫。第一个是测试时增强（TTA）：对输入做水平翻转、小角度旋转，推理后把多份概率平均，Dice 通常能涨 1～2 个点。代价是推理时间翻几倍，适合离线批处理，不适合实时场景。

def tta_inference(model, image, device='cuda'): model.eval() probs = [] with torch.no_grad(): # 原始 probs.append(torch.softmax(model(image), dim=1)[:, 1]) # 水平翻转 flipped = torch.flip(image, dims=[-1]) out = torch.softmax(model(flipped), dim=1)[:, 1] probs.append(torch.flip(out, dims=[-1])) return torch.stack(probs).mean(dim=0)

逻辑说明：翻转后的输出要翻回来再平均，否则空间对不上。可以继续加垂直翻转和 90 度旋转，但收益递减。

参数说明：TTA 只建议在最终评估或离线生成结果时用，训练时不用。

第二个是难例挖掘。训练几轮后，把验证集里 Dice 低的样本挑出来，看看是哪个椎体、哪个层面分不好。常见难例是胸腰交界处和骶椎，这些地方形态变化大。针对难例可以过采样，或者单独微调几轮。

第三个是后处理里的椎体编号。如果下游任务需要区分 L1、L2 这些具体椎体，二分类分割不够，要在分割基础上做实例分离或直接上多类分割。多类分割把num_classes改成椎体数加背景，损失函数换成多类 Dice 或 CE，评估时按类算 Dice。

我自己做这类项目，习惯是先把二分类跑通、Dice 稳定在 0.90 以上，再考虑加多类和编号。一上来就搞多类，标注里椎体边界不清的地方会直接把模型带偏，回头查错比重做还费时间。数据预处理那一步千万别省，我见过太多人模型换了好几个，最后发现是 HU 没转、标签没对齐。希望帮到你。

本文还有配套的精品资源，点击获取