简介这份资源面向医学图像分割方向的初学者与算法实践者提供416×416分辨率下的人脑MRI肿瘤二分割数据集前景为Tumor区域mask以1表示肿瘤、0表示背景标注清晰、背景简洁适合直接用于分割模型训练与验证。包内共2000个文件以1759个png图像与掩膜、240个jpg样本及1个Python可视化脚本为主压缩包约48.17MB按训练集与测试集划分训练集含1632张原图与1632张对应mask测试集含240张原图与240张mask目录结构规整便于按images与masks快速配对读取。配套脚本可随机抽取一张图片同时展示原始图像、GT图像以及GT在原图上的蒙板效果并保存至当前目录方便直观检查标注质量。目前已有1880人学习下载适合希望快速上手医学图像二分割任务、验证数据可用性与搭建训练流程的读者参考使用。1. 大脑肿瘤分割数据集2 分割任务到底在切什么拿到一个「大脑肿瘤分割2 分割」数据集时很多人第一反应是打开图片看几眼觉得肿瘤区域挺明显直接丢进 U-Net 就能出结果。真正跑起来才发现Dice 系数在验证集上死活上不去预测掩码要么整片糊在脑组织上要么把正常的水肿区也吞进去。问题往往不在模型而在对「2 分割」这个任务边界的理解上。所谓 2 分割指的是把每个像素分成前景肿瘤和背景非肿瘤两类输出是一张二值掩码而不是多区域的多分类结果。这和 BraTS 那种把增强肿瘤、瘤周水肿、坏死核心分开标注的四分类任务完全不同。2 分割的标签更干净、标注成本更低适合做分割流程的快速验证、模型结构对比或者作为医学图像分割入门的第一个可复现任务。它解决的核心问题是给定一张脑部 MRI 切片能不能稳定地圈出肿瘤所在的连通区域。适合谁适合刚接触医学图像分割、想跑通「数据加载—训练—评估—可视化」全链路的人也适合需要快速验证一个新损失函数或注意力模块是否有效的工程师。类别标签和可视化代码的存在意味着这个数据集不只是给你一堆图而是把「怎么读标签、怎么把预测结果画回原图」这条链路也一并交代了这才是它比裸图片集合更有价值的地方。2. 数据组织与标签格式先搞清楚目录结构和掩码编码2.1 常见的目录布局与文件命名医学图像分割数据集很少有完全统一的目录规范但 2 分割任务里最常见的组织方式是按病例或按切片分文件夹图像和掩码分开存放靠文件名对齐。典型结构长这样dataset/ ├── images/ │ ├── case_001_slice_015.png │ ├── case_001_slice_016.png │ └── ... ├── masks/ │ ├── case_001_slice_015.png │ ├── case_001_slice_016.png │ └── ... └── labels.csv图像通常是单通道灰度 PNG 或三通道伪彩色 PNG掩码是单通道 PNG像素值只有 0 和 255或 0 和 1。这里第一个坑就是掩码的像素值范围有的数据集用 0/1有的用 0/255还有的用 0/128。如果你不确认就直接归一化标签会被压成浮点数二值化阈值选错训练时损失函数会一直震荡。labels.csv一般记录每张切片对应的病例 ID、切片序号、是否有肿瘤、肿瘤面积占比等元信息。这个文件在划分训练集和验证集时非常关键因为同一病例的相邻切片高度相似如果随机按切片划分验证集里会出现训练集见过的病例指标虚高。正确做法是按病例 ID 划分保证验证集里的病例在训练阶段完全没出现过。2.2 掩码编码方式与读取代码下面这段代码演示如何读取图像和掩码并检查标签的像素值分布。这是每次拿到新数据集后我必做的第一件事花两分钟确认标签编码能省掉后面几个小时的排查。import numpy as np from PIL import Image import os img_path dataset/images/case_001_slice_015.png mask_path dataset/masks/case_001_slice_015.png img np.array(Image.open(img_path)) mask np.array(Image.open(mask_path)) print(图像形状:, img.shape, 数据类型:, img.dtype) print(掩码形状:, mask.shape, 数据类型:, mask.dtype) print(掩码唯一值:, np.unique(mask)) # 统一转成 0/1 二值掩码 if mask.max() 1: mask_bin (mask 127).astype(np.uint8) else: mask_bin mask.astype(np.uint8) print(二值化后唯一值:, np.unique(mask_bin)) print(前景像素占比: {:.4f}.format(mask_bin.mean()))逻辑说明先打印原始掩码的唯一值判断编码方式如果最大值大于 1说明用的是 0/255 或 0/128 这类编码用 127 作为阈值二值化如果最大值就是 1直接转 uint8 即可。前景像素占比这个指标很重要2 分割任务里肿瘤区域通常只占整张切片的 1% 到 10%如果算出来超过 30%大概率是掩码读错了或者图像和掩码没对齐。参数说明阈值 127 适用于 0/255 编码如果遇到 0/128 编码阈值要相应调整到 64 左右。更稳妥的做法是先看唯一值再决定不要硬编码一个阈值到处用。2.3 图像与掩码对齐检查图像和掩码必须严格一一对应尺寸、方向、切片位置都要一致。常见问题是图像做了归一化或直方图均衡化掩码没动导致两者空间位置错位。检查方法很简单把掩码叠加到图像上前景区域应该落在肿瘤位置上。import matplotlib.pyplot as plt overlay img.copy() if overlay.ndim 2: overlay np.stack([overlay]*3, axis-1) overlay[mask_bin 1] [255, 0, 0] plt.figure(figsize(12, 4)) plt.subplot(1, 3, 1); plt.imshow(img, cmapgray); plt.title(原图) plt.subplot(1, 3, 2); plt.imshow(mask_bin, cmapgray); plt.title(掩码) plt.subplot(1, 3, 3); plt.imshow(overlay); plt.title(叠加) plt.show()这段代码把掩码前景区域涂成红色叠在原图上。如果红色区域明显偏离肿瘤位置或者整张图都被涂红说明读取或对齐环节出了问题。我一般会随机抽 5 到 10 张不同病例的切片做这个检查确认没有系统性错位。3. 从零跑通 2 分割训练数据加载、模型与损失函数3.1 自定义 Dataset 与数据增强PyTorch 的 Dataset 类需要返回图像张量和掩码张量形状分别是 [C, H, W] 和 [1, H, W]。2 分割任务里图像和掩码必须做完全相同的空间变换否则标签就对不上了。下面是一个带基础增强的实现import torch from torch.utils.data import Dataset, DataLoader import torchvision.transforms.functional as TF import random class TumorSegDataset(Dataset): def __init__(self, img_dir, mask_dir, file_list, img_size256): self.img_dir img_dir self.mask_dir mask_dir self.file_list file_list self.img_size img_size def __len__(self): return len(self.file_list) def __getitem__(self, idx): fname self.file_list[idx] img Image.open(os.path.join(self.img_dir, fname)).convert(L) mask Image.open(os.path.join(self.mask_dir, fname)).convert(L) img TF.resize(img, [self.img_size, self.img_size]) mask TF.resize(mask, [self.img_size, self.img_size], interpolationTF.InterpolationMode.NEAREST) if random.random() 0.5: img TF.hflip(img) mask TF.hflip(mask) img TF.to_tensor(img) img (img - img.mean()) / (img.std() 1e-8) mask (TF.to_tensor(mask) 0.5).float() return img, mask逻辑说明图像用双线性插值缩放掩码必须用最近邻插值否则边缘会出现 0 到 1 之间的灰度值二值化后边界会偏移。水平翻转是医学图像里少数可以安全使用的增强方式垂直翻转和旋转要谨慎因为脑部结构有明确的上下方向。归一化用单张图的均值和标准差比用整个数据集的统计量更适应不同扫描仪的亮度差异。参数说明img_size设为 256 是速度和精度的折中显存不够可以降到 128但小肿瘤会丢细节。hflip概率 0.5 是常规选择如果数据量本身就少可以加到 0.7 但不要再高。3.2 U-Net 结构与输出通道设置2 分割任务的输出通道是 1最后用 Sigmoid 激活配合 BCE 损失。如果误设成 2 通道加 Softmax训练也能跑但等价于把二分类当多分类做收敛会慢一些而且推理时还要 argmax多一步没必要。import torch.nn as nn class DoubleConv(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.net nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding1), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue), nn.Conv2d(out_ch, out_ch, 3, padding1), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue), ) def forward(self, x): return self.net(x) class UNet(nn.Module): def __init__(self, in_ch1, out_ch1, base32): super().__init__() self.d1 DoubleConv(in_ch, base) self.d2 DoubleConv(base, base*2) self.d3 DoubleConv(base*2, base*4) self.pool nn.MaxPool2d(2) self.bottleneck DoubleConv(base*4, base*8) self.up3 nn.ConvTranspose2d(base*8, base*4, 2, stride2) self.u3 DoubleConv(base*8, base*4) self.up2 nn.ConvTranspose2d(base*4, base*2, 2, stride2) self.u2 DoubleConv(base*4, base*2) self.up1 nn.ConvTranspose2d(base*2, base, 2, stride2) self.u1 DoubleConv(base*2, base) self.out nn.Conv2d(base, out_ch, 1) def forward(self, x): d1 self.d1(x) d2 self.d2(self.pool(d1)) d3 self.d3(self.pool(d2)) b self.bottleneck(self.pool(d3)) u3 self.u3(torch.cat([self.up3(b), d3], dim1)) u2 self.u2(torch.cat([self.up2(u3), d2], dim1)) u1 self.u1(torch.cat([self.up1(u2), d1], dim1)) return torch.sigmoid(self.out(u1))逻辑说明编码器逐层下采样提取语义特征解码器逐层上采样恢复空间分辨率跳跃连接把编码器的细节特征直接送到解码器对应层这是 U-Net 能同时抓住全局位置和局部边界的关键。base32控制模型宽度显存 8GB 以内可以跑如果显存充足可以加到 64 提升容量。参数说明out_ch1对应 2 分割输出经过 Sigmoid 后每个像素值在 0 到 1 之间表示属于肿瘤的概率。推理时用 0.5 作为阈值二值化如果发现漏检多可以降到 0.4误检多就升到 0.6。3.3 Dice BCE 组合损失与训练循环2 分割任务里前景像素占比很低单用 BCE 会让模型倾向于全预测背景因为这样损失也很低。Dice 损失直接优化重叠度对类别不平衡更鲁棒。常见做法是两者加权相加。class DiceBCELoss(nn.Module): def __init__(self, weight0.5): super().__init__() self.weight weight self.bce nn.BCELoss() def forward(self, pred, target): bce_loss self.bce(pred, target) pred_flat pred.view(-1) target_flat target.view(-1) inter (pred_flat * target_flat).sum() dice_loss 1 - (2 * inter 1e-6) / (pred_flat.sum() target_flat.sum() 1e-6) return self.weight * bce_loss (1 - self.weight) * dice_loss model UNet().cuda() optimizer torch.optim.Adam(model.parameters(), lr1e-3) criterion DiceBCELoss(weight0.5) for epoch in range(50): model.train() for img, mask in train_loader: img, mask img.cuda(), mask.cuda() pred model(img) loss criterion(pred, mask) optimizer.zero_grad() loss.backward() optimizer.step()逻辑说明Dice 损失的分母加 1e-6 防止除零分子加 1e-6 是平滑项避免前景极小时梯度爆炸。weight0.5表示 BCE 和 Dice 各占一半如果发现边界不够准可以把 Dice 权重提高到 0.7。参数说明学习率 1e-3 配合 Adam 是常规起点训练后期如果损失不降可以降到 1e-4。批大小根据显存调整256 尺寸下 8GB 显存大概能放 16 到 32 张切片。4. 评估与可视化Dice、IoU 和预测掩码叠加4.1 逐病例计算 Dice 与 IoU评估不能只看整体像素准确率因为背景占绝大多数全预测背景也能拿到 95% 以上的准确率。2 分割任务的核心指标是 Dice 系数和 IoU而且应该逐病例计算再取平均避免大肿瘤病例主导指标。def compute_metrics(pred, target, threshold0.5): pred_bin (pred threshold).float() inter (pred_bin * target).sum() union pred_bin.sum() target.sum() - inter dice (2 * inter 1e-6) / (pred_bin.sum() target.sum() 1e-6) iou (inter 1e-6) / (union 1e-6) return dice.item(), iou.item() model.eval() case_dice {} with torch.no_grad(): for img, mask, case_id in val_loader: img, mask img.cuda(), mask.cuda() pred model(img) for i in range(img.size(0)): d, _ compute_metrics(pred[i], mask[i]) case_dice.setdefault(case_id[i], []).append(d) avg_dice np.mean([np.mean(v) for v in case_dice.values()]) print(逐病例平均 Dice: {:.4f}.format(avg_dice))逻辑说明把同一病例的所有切片 Dice 先求平均再对所有病例求平均这样每个病例权重相同。如果直接对所有切片求平均切片多的病例会主导结果。参数说明阈值 0.5 是默认值实际部署时可以根据验证集上的 Dice 曲线选最优阈值通常在 0.4 到 0.6 之间。4.2 可视化代码把预测结果画回原图可视化不只是为了好看它能直接暴露模型是「真的学会了分割」还是「在猜大致位置」。下面这段代码把原图、真实掩码、预测掩码并排显示预测区域用红色叠加。def visualize_prediction(img, mask, pred, threshold0.5): img_np img.squeeze().cpu().numpy() mask_np mask.squeeze().cpu().numpy() pred_np (pred.squeeze().cpu().numpy() threshold).astype(np.uint8) overlay np.stack([img_np]*3, axis-1) overlay (overlay - overlay.min()) / (overlay.max() - overlay.min() 1e-8) overlay[pred_np 1] [1, 0, 0] fig, axes plt.subplots(1, 4, figsize(16, 4)) axes[0].imshow(img_np, cmapgray); axes[0].set_title(原图) axes[1].imshow(mask_np, cmapgray); axes[1].set_title(真实掩码) axes[2].imshow(pred_np, cmapgray); axes[2].set_title(预测掩码) axes[3].imshow(overlay); axes[3].set_title(预测叠加) for ax in axes: ax.axis(off) plt.show()逻辑说明先把图像归一化到 0 到 1 方便叠加然后把预测前景涂成红色。重点看第三张和第四张预测掩码应该是干净的连通区域如果出现大量散点或空洞说明模型没收敛好或者后处理需要加连通域过滤。参数说明阈值同样默认 0.5可视化时可以把阈值调低到 0.3 看看模型是否「过度敏感」调高到 0.7 看看是否「过于保守」这能帮你判断模型的置信度分布。5. 避坑与排查2 分割任务里最容易翻车的 5 个地方5.1 掩码像素值没确认训练损失一直震荡现象训练前几个 epoch 损失下降之后突然反弹Dice 在 0.3 到 0.6 之间来回跳。原因掩码用的是 0/255 编码但代码里直接当 0/1 用to_tensor之后掩码值变成 0 到 1 之间的浮点数二值化阈值 0.5 把大量边界像素判成前景标签噪声极大。解决读数据前先np.unique(mask)确认编码统一转成 0/1 再进网络。5.2 按切片随机划分验证集指标虚高现象验证集 Dice 比训练集还高或者两个指标都高得离谱但可视化一看预测全是糊的。原因同一病例的相邻切片高度相似随机划分导致验证集里混入了训练集见过的病例模型只是记住了病例特征而不是学会了分割。解决按病例 ID 划分用GroupShuffleSplit或手动按病例分确保验证集病例在训练阶段完全没出现。5.3 图像和掩码增强不同步标签错位现象训练损失能降但预测掩码总是偏移几个像素边界 Dice 特别低。原因图像做了随机旋转或缩放掩码没做同样的变换或者掩码用了双线性插值导致边缘模糊。解决图像和掩码必须用同一组随机参数做空间变换掩码插值一律用最近邻。5.4 前景占比极低时 BCE 损失失效现象模型输出几乎全黑Dice 接近 0但 BCE 损失看起来不高。原因肿瘤区域只占 1% 到 5%模型全预测背景就能拿到很低的 BCE梯度被背景像素主导。解决用 Dice BCE 组合损失或者给 BCE 加pos_weight参数提高前景权重也可以改用 Focal Loss。5.5 推理时忘记切换 eval 模式BatchNorm 统计量出错现象训练时指标正常推理时同一张图每次预测结果都不一样。原因模型还在 train 模式BatchNorm 用当前批次的统计量而不是训练时累积的滑动平均单张推理时统计量偏差极大。解决推理前必须model.eval()并用torch.no_grad()包住前向过程。6. 进阶技巧用连通域后处理和阈值搜索把 Dice 再提一截模型训练完之后别急着交差。2 分割任务的预测掩码里经常出现孤立的小噪点或者肿瘤区域中间有空洞这些用简单的连通域后处理就能去掉。我一般会先做连通域分析保留面积最大的连通区域再把小于某个像素数的区域直接抹掉。from scipy import ndimage def postprocess(pred_mask, min_size50): labeled, num ndimage.label(pred_mask) if num 0: return pred_mask sizes ndimage.sum(pred_mask, labeled, range(1, num 1)) max_label np.argmax(sizes) 1 cleaned (labeled max_label).astype(np.uint8) for i in range(1, num 1): if i ! max_label and sizes[i-1] min_size: cleaned[labeled i] 0 return cleaned逻辑说明ndimage.label把二值掩码里的连通区域编号sizes统计每个区域的像素数。保留最大区域是因为 2 分割任务里通常只有一个肿瘤主体小区域大概率是噪点。min_size50是经验值256 尺寸下小于 50 像素的区域基本可以忽略。参数说明如果肿瘤本身可能多发就不要只保留最大区域改成保留所有面积大于min_size的区域。min_size根据图像分辨率调整512 尺寸下可以设到 200。阈值搜索是另一个低成本提分手段。模型输出的概率图里0.5 不一定是最优阈值。可以在验证集上从 0.3 到 0.7 以 0.05 为步长扫一遍选 Dice 最高的阈值。best_thr, best_dice 0.5, 0 for thr in np.arange(0.3, 0.75, 0.05): dice_list [] with torch.no_grad(): for img, mask in val_loader: img, mask img.cuda(), mask.cuda() pred model(img) pred_bin (pred thr).float() inter (pred_bin * mask).sum() dice (2 * inter 1e-6) / (pred_bin.sum() mask.sum() 1e-6) dice_list.append(dice.item()) avg np.mean(dice_list) if avg best_dice: best_dice, best_thr avg, thr print(最优阈值: {:.2f}, Dice: {:.4f}.format(best_thr, best_dice))逻辑说明阈值搜索要在验证集上做不能碰测试集。找到最优阈值后推理时固定用这个值。注意如果验证集和测试集分布差异大阈值可能不通用这时候还是用 0.5 更稳妥。我自己的习惯是每次训完一个分割模型先跑一遍逐病例 Dice再做连通域后处理最后扫一遍阈值三步下来通常能比裸模型提升 2 到 5 个 Dice 点。这些操作不涉及重新训练成本极低但效果立竿见影。医学图像分割这个方向模型结构固然重要数据管线和后处理的细节往往才是拉开差距的地方。希望帮到你。本文还有配套的精品资源点击获取
