企业官网建设流程全解析

医学图像分割全流程讲透：从 DICOM 预处理到评估指标（万字长文 + 代码）

写给已经会写一点 PyTorch、但一上手医学图像就懵的人。从拿到一堆.dcm文件开始，到你能说清楚"我的模型到底哪里不行"，把这条链路一次走完。

医学图像分割是个看起来很美好、做起来很折磨的方向。美好在于目标清晰——输入一张影像，输出每个像素/体素的类别；折磨在于，你几乎在每一个环节都能踩到坑，而且很多坑不会报错，只会让你的指标悄悄变差。

这篇文章按真实工程顺序组织：数据格式 → 预处理 → 数据增强 → 网络结构 → 损失函数 → 训练技巧 → 评估指标 → 后处理与部署 → 实战清单。每一节都有能跑的代码。读完你不一定能立马刷榜，但至少不会在"坐标系搞反了"这种问题上浪费一周。

先说一个可能不太受欢迎的判断：医学图像分割，70% 的功夫在数据和预处理，30% 在网络。你换一个最新的 Transformer 结构，收益往往不如老老实实把 spacings 对齐、把窗宽窗位调对、把背景采样比例改一下。下面这套流程，就是围绕这个判断展开的。

目录

1. 为什么医学图像分割这么难
2. 数据格式：DICOM / NIfTI / Nrrd 到底是怎么回事
3. 预处理：把原始数据变成模型能吃的样子
4. 数据增强：小样本下的救命稻草
5. 网络结构：从 CNN 到 U-Net 再到 Transformer
6. 损失函数：类别不平衡下怎么选
7. 训练技巧：让模型真的收敛到好结果
8. 评估指标：别被一个 Dice 骗了
9. 后处理与部署
10. 实战清单、常见坑与学习路线
11. 实操：从零跑通一个 2D U-Net（完整代码）

1. 为什么医学图像分割这么难

如果你做过自然图像分割（Cityscapes、COCO），转到医学图像会有一种"怎么全都反过来"的感觉。难点主要来自这几处：

• 数据量小、标注贵。自然图像动辄百万级，医学数据一个公开数据集可能就几十到几百例。标注更贵——一张 CT 的器官勾画，放射科医生要花几十分钟到几小时，而且不同医生的勾画还不一致（观察者间差异有时比模型误差还大）。
• 类别极度不平衡。一个 512×512 的切片里，肿瘤可能只占几百个像素，背景占了 99.9%。模型什么都不学、直接全预测背景，准确率就能到 99.9%——但毫无意义。这也是为什么医学分割不能只看 Accuracy。
• 边界模糊、目标定义不唯一。肿瘤的边界在影像上本身就是渐变的，"哪里算肿瘤"连专家都有分歧。这直接决定了 Dice 这种边界敏感的指标会有天花板。
• 影像格式复杂、带物理信息。DICOM 不只是像素，还带着像素间距、层厚、坐标系方向、CT 值含义。你忽略任何一个，都可能让预处理出大错。
• 3D 数据、各向异性。CT/MRI 是体数据，但层内分辨率（如 0.7mm）通常远高于层厚（如 3mm，甚至 5mm）。这种各向异性会让 3D 卷积很难受。
• 一个病例是一个整体。切片之间不独立，不能随便对 slice 做随机划分就当成独立样本。

所以医学图像分割本质上是一个数据工程问题，只是恰好用深度学习来解决。下面每一节，你都会看到"数据"二字反复出现。

2. 数据格式：DICOM / NIfTI / Nrrd 到底是怎么回事

2.1 为什么不是 PNG / JPG

PNG/JPG 只存"像素值"，不存物理含义。而医学影像里，一个像素值1024到底代表骨、血还是空气，取决于元数据。你把 DICOM 直接转成 JPG，等于把"地图"变成了"照片"——能看，但没法定位。

常见的几种格式：

科研/训练里最主流的是NIfTI，因为它一个文件装一整个 volume，读起来方便，还带坐标信息。但从医院拿到的原始数据几乎都是DICOM，所以第一步通常是 DICOM → NIfTI。

2.2 DICOM 拆解

DICOM 文件由一个个Tag（数据元素）组成，每个 tag 有组号、元素号、VR（数据类型）和值。你不需要记住所有 tag，但下面这几个必须清楚：

最容易被忽略的一步：原始 DICOM 的像素值不是 HU（Hounsfield Unit），要经过一次线性变换才是：

importpydicomimportnumpyasnpdefread_ct_hu(dcm_path):ds=pydicom.dcmread(dcm_path)arr=ds.pixel_array.astype(np.float32)slope=float(getattr(ds,"RescaleSlope",1)or1)intercept=float(getattr(ds,"RescaleIntercept",0)or0)hu=arr*slope+intercept# 这才是 CT 值returnhu,ds

很多人直接把ds.pixel_array当成 HU 用，结果窗宽窗位全设错——数据看起来"也能跑"，但模型学到的东西是错的。

2.3 把 DICOM 序列拼成 3D 体数据

一个序列就是一堆 slice 文件。千万不要按文件名排序，文件名顺序和真实空间顺序经常不一致。正确做法是按空间位置排序：

importglobimportnumpyasnpimportpydicomdefload_series(folder):slices=[pydicom.dcmread(p)forpinglob.glob(f"{folder}/*.dcm")]iop=np.array(slices[0].ImageOrientationPatient,dtype=float)normal=np.cross(iop[:3],iop[3:])# 层法向slices.sort(key=lambdas:float(np.dot(np.array(s.ImagePositionPatient,dtype=float),normal)))volume=np.stack([s.pixel_arrayforsinslices]).astype(np.float32)returnvolume,slices

用方向余弦投影到法向来排序，能稳健处理任意体位，比只比较某一个坐标轴靠谱。

2.4 NIfTI 与坐标系统

NIfTI 的核心是affine——一个 4×4 矩阵，把"体素坐标"映射到"世界坐标"（mm）。通过它你才能知道一个体素在患者体内真实的位置。

importnibabelasnib img=nib.load("case.nii.gz")data=img.get_fdata()# float64，shape 通常为 (X, Y, Z) 或 (X, Y, Z, T)spacing=img.header.get_zooms()# (sx, sy, sz)，单位 mmaffine=img.affine# 4x4 世界坐标变换

坐标系的坑：医学影像有两套常用坐标——LPS（Left-Posterior-Superior，DICOM 默认）和RAS（Right-Anterior-Superior，NIfTI/神经影像常用）。轴方向还分正向、反向。

一个实用习惯：把所有数据统一到 RAS 方向再送进模型。判别"左肺还是右肺"“肿瘤在左侧还是右侧”，靠的就是这个。用 MONAI 一行就能搞定（后面预处理会看到Orientationd(axcodes="RAS")）。

2.5 格式转换工具

常用库各有所长：

• pydicom：读 DICOM 原始数据，处理元数据灵活。
• nibabel：读写 NIfTI，科研标配。
• SimpleITK：通用医学图像处理，重采样/配准很强，支持 DICOM 序列读取。
• dicom2nifti/dcm2niix：批量 DICOM→NIfTI 转换，dcm2niix是 C++ 工具，速度最快。

一个最小 DICOM→NIfTI 转换（用 SimpleITK，自动处理几何信息）：

importSimpleITKassitkdefdcm_series_to_nifti(dcm_dir,out_path):reader=sitk.ImageSeriesReader()series_ids=reader.GetGDCMSeriesIDs(dcm_dir)# 一个目录可能有多个序列files=reader.GetGDCMSeriesFileNames(dcm_dir,series_ids[0])reader.SetFileNames(files)image=reader.Execute()sitk.WriteImage(image,out_path,useCompression=True)returnimage

注意GetGDCMSeriesIDs：一个被试目录里可能混着多个序列（平扫、增强、定位像），得先按SeriesInstanceUID归组，别一股脑全读进来。

2.6 成像模态：先搞懂像素从哪来，再谈分割

不同模态的像素值含义完全不同，预处理方式也就完全不同。用错模态的归一化方式，是新手最常见的翻车点之一。

• CT（计算机断层）：像素值是 HU，有绝对物理意义。骨、水、气各有固定区间。适合做固定区间窗化归一化。缺点是软组织对比度一般（所以 CT 上分肝脏、胰腺这类器官比 MRI 难）。
• MRI（磁共振）：信号强度是相对的——同一个组织在不同机器、不同序列（T1/T2/DWI/FLAIR）上数值天差地别。所以必须做样本级归一化（Z-score / 百分位），而且同一模型最好只用同一序列或固定的多模态组合。MRI 软组织对比好，是脑、前列腺、心脏分割的主力。
• 超声（US）：噪声大、有斑点噪声（speckle）、视野扇形且取决于探头位置，标注一致性最差。乳房、甲状腺、心脏超声的分割难度普遍高于 CT/MRI。
• 病理（WSI）：整张切片可达十万×十万像素级别，通常存成金字塔多分辨率格式（.svs/.tiff），必须切 tile 处理。染色（H&E）的色彩差异需要用染色归一化（如 Macenko、Vahadane）来消除不同实验室的色偏。
• PET / SPECT：功能性成像，分辨率低、信噪比低，常和 CT 做融合（PET-CT）来提供解剖参考。

一句话总结：**CT 看物理量，MRI 看相对对比，超声看操作，病理看分辨率。**预处理策略要跟着模态走，别一视同仁。

3. 预处理：把原始数据变成模型能吃的样子

这一节是全文最长的，也是最重要的。预处理做得好，模型训练会顺很多。

3.1 灰度与通道

医学影像绝大多数是单通道灰度。即便某些多模态（如 BraTS 的 T1/T1ce/T2/FLAIR 四模态），也应该把它们当成多个通道而不是三通道 RGB。转灰度时要小心：如果PhotometricInterpretation是MONOCHROME1，像素值越小越亮，需要反相。

3.2 HU 与窗宽窗位（Windowing）

CT 值范围大约 -1024 到 3071 HU。不同组织的 HU 区间大致是：

• 空气：-1000 左右
• 脂肪：-100 ~ -50
• 水：0
• 软组织 / 血：30 ~ 70
• 骨：300 ~ 1500+

显示器只有 256 级灰度，没法直接显示 4000 多个 HU 范围。窗宽窗位（Window Width / Window Level）就是选一个感兴趣区间映射到显示范围：

• 窗位 WL（Window Level）：区间中心
• 窗宽 WW（Window Width）：区间跨度

常用窗口：

• 肺窗：WW=1500, WL=-600，看肺实质、结节
• 纵隔窗：WW=350, WL=40，看心脏、血管、淋巴结
• 骨窗：WW=2000, WL=400，看骨折、骨质

实现很简单：

defapply_window(hu,wc,ww,out_range=(0,255)):lo,hi=wc-ww/2,wc+ww/2img=np.clip(hu,lo,hi)img=(img-lo)/(hi-lo)# 归一化到 [0,1]img=img*(out_range[1]-out_range[0])+out_range[0]returnimg.astype(np.uint8)lung_window=apply_window(hu,wc=-600,ww=1500)

窗宽窗位的意义不止于"看得清"：它其实是一种手工的特征选择。你把肺窗和骨窗分别送进网络，等于告诉模型"分别关注这两个 HU 区间"。多窗融合（多通道输入）在肺结节、骨折等任务上经常有效。

3.3 归一化：CT 和 MRI 完全不是一回事

归一化做错，是训练不收敛的头号原因之一。要分模态讨论：

• CT：物理量是绝对值（HU），不要用 Z-score，因为它依赖每个样本的均值和方差，会破坏 HU 的物理意义。正确做法是固定区间裁剪 + 线性映射，比如腹部 CT 常用[-175, 250]或[-1000, 1000]映射到[0, 1]。
• MRI：没有绝对物理量（信号强度是相对的），必须用样本级归一化——Z-score 或百分位裁剪，否则同一组织在不同扫描仪上数值完全不同。

defnorm_ct(x,lo=-1000,hi=1000):x=np.clip(x,lo,hi)return(x-lo)/(hi-lo)defnorm_zscore(x,eps=1e-8):return(x-x.mean())/(x.std()+eps)defnorm_percentile(x,pl=1.0,ph=99.0):lo,hi=np.percentile(x,[pl,ph])x=np.clip(x,lo,hi)return(x-lo)/(hi-lo+1e-8)

为什么推荐百分位裁剪而不是直接 Min-Max？因为医学图像里常有离群的高值（金属伪影、标记物）。直接用 min/max，一个异常亮点就能把整张图压扁到很窄的范围，对比度全没了。用 1%~99% 分位数裁剪再归一化，鲁棒得多。

3.4 重采样：统一 spacing

不同机器的层内间距和层厚都不一样：可能是 0.6×0.6×5.0 mm，也可能是 0.98×0.98×1.0 mm。如果不统一，网络被迫去学"尺度无关"的特征，很难。

标准做法是把所有数据重采样到统一 spacing（如 1×1×1 mm）。注意：图像用线性插值，mask 必须用最近邻插值，否则标签会被插值破坏。

importSimpleITKassitkdefresample_to_spacing(image,new_spacing=(1.0,1.0,1.0),is_label=False):old_spacing=image.GetSpacing()old_size=image.GetSize()new_size=[int(round(o*s/n))foro,s,ninzip(old_size,old_spacing,new_spacing)]interp=sitk.sitkNearestNeighborifis_labelelsesitk.sitkLinearreturnsitk.Resample(image,new_size,sitk.Transform(),interp,image.GetOrigin(),new_spacing,image.GetDirection(),0.0,image.GetPixelID())

各向异性的特殊处理：如果层厚（5mm）远大于层内间距（0.7mm），强行重采样到 1×1×1 会把体积插值放大好几倍，既费显存又引入虚假细节。这时更实用的策略是：

• 层内和层间用不同的 spacing（如 0.7×0.7×3.0），或者在层间方向做插值前先确认任务是否需要层间连续性。
• 干脆按 2D 处理，把每个 slice 当成独立样本（很多肺结节、视网膜、病理任务就是 2D 做的）。

3.5 方向统一与空间对齐

• 方向统一：把所有 volume 转到同一方向（如 RAS），保证"左右、前后、上下"一致。
• 空间对齐（配准）：同一患者的多模态（CT/MRI/PET）或时序数据，需要配准到同一空间才能融合。配准是个大话题，工程上常用 SimpleITK 的刚性/仿射配准，深度学习配准（VoxelMorph 等）也越来越成熟。绝大多数单模态任务不做精细配准，但至少要保证mask 和 image 严格共享同一 geometry。

3.6 Patch、裁剪与前景采样

医学 3D 数据太大（512×512×300 的 CT 直接塞不进显存），必须切 patch。

• 整图 2D：适合层内分辨率高的 2D 任务，简单，但丢上下文。
• Patch 训练：随机切 3D/2D 小块，省显存，还能通过重叠增加样本量。
• 滑窗推理：大图分成带重叠的窗口分别预测，再加权拼接（边缘权重低、中心权重高），避免边界伪影。

关键技巧是前景平衡采样：如果纯随机切 patch，大部分 patch 是纯背景，模型学不到前景。要保证一定比例的 patch 落在前景上：

defrandom_foreground_patch(img,mask,size=128,p_fg=0.7,rng=None):rng=rngornp.random.default_rng(0)H,W=img.shape[1:3]fg=np.argwhere(mask[0]>0)iflen(fg)>0andrng.random()<p_fg:cy,cx=fg[rng.integers(len(fg))]else:cy,cx=rng.integers(H),rng.integers(W