简介本资源面向医学图像分割方向的开发者与研究者提供一套完整的人体颈椎CT骨骼分割数据集覆盖横断面、冠状面与矢状面三个维度的2D切片适合用于深度学习分割模型的训练、验证与算法对比实验。数据集按x、y、z轴切面组织x轴为512×512分辨率共3734张图像及对应masky轴为512×196分辨率共4252张z轴为512×196分辨率共2426张mask灰度值采用0、1、2阈值标注不同颈椎结构图像与标签均为png格式。压缩包共约2000个文件以1998个png图像与掩膜为主另附1个txt说明和1个show.py可视化脚本整体约348.63MB便于快速查看mask叠加效果。目前已有212人学习下载。读者可据此搭建颈椎分割训练流程结合可视化代码直观核对标注质量并参考作者在医学图像分割与分割专题的系列文章快速理解数据组织方式与实验思路。1. 颈椎CT骨骼分割数据横端面、冠状面、矢状面2D切片怎么用起来拿到一份标注好的颈椎CT骨骼分割数据里面同时包含横端面、冠状面、矢状面三个方向的2D切片和可视化代码这件事的价值在于你不需要从零标注也不需要自己写三视图渲染逻辑可以直接把精力放在模型训练和临床验证上。颈椎骨骼分割的难点在于椎体、椎弓根、棘突、横突这些结构在单一视角下经常粘连或遮挡横端面能看清椎管和椎弓根的对称性矢状面适合追踪椎体序列和生理曲度冠状面则对侧块和钩突的边界更友好。三个面一起用本质上是把3D分割问题拆成三个2D视角的集成学习既降低了显存门槛又保留了空间一致性。这份数据适合做医学影像分割的算法工程师、放射科AI辅助诊断的开发者以及需要快速验证颈椎手术导航方案的研究人员。低剂量CT图像在临床中越来越普遍噪声和伪影会直接影响骨骼边界所以拿到数据后第一件事不是急着训模型而是先搞清楚三个面的切片是怎么对齐的、可视化代码怎么帮你快速定位标注质量。2. 三视图2D切片的数据组织与坐标对齐2.1 横端面、冠状面、矢状面的切片生成逻辑颈椎CT的原始体数据是一个三维数组维度通常是X, Y, Z对应左右、前后、头脚方向。横端面切片是沿着Z轴逐层切每张图是X-Y平面冠状面沿着Y轴切每张图是X-Z平面矢状面沿着X轴切每张图是Y-Z平面。听起来简单但实际翻车点在于不同厂商的CT设备对轴方向的定义不一样有的把Z轴朝头有的朝脚如果你直接按数组索引切得到的矢状面可能是左右翻转的。常见做法是先读DICOM头里的ImageOrientationPatient和ImagePositionPatient把体数据重采样到标准解剖坐标系再统一切片。这份数据既然已经提供了三个面的2D切片说明作者已经做过这一步但你还是要在可视化代码里确认一下方向标签。我一般会先用可视化代码加载一个病例把三个面的同一层号并排显示看椎体在横端面上是否左右对称、在矢状面上是否连续。如果矢状面的椎体序列出现跳跃说明层间距不均匀或者切片顺序错了。这一步花十分钟能省掉后面几天的排查时间。2.2 数据目录结构与标签对应关系一份规范的颈椎CT骨骼分割2D数据目录通常长这样dataset/ ├── patient_001/ │ ├── axial/ # 横端面切片 │ │ ├── slice_000.png │ │ ├── slice_001.png │ │ └── ... │ ├── coronal/ # 冠状面切片 │ ├── sagittal/ # 矢状面切片 │ └── masks/ │ ├── axial/ │ ├── coronal/ │ └── sagittal/ ├── patient_002/ └── visualize.py # 可视化代码图像和掩码的文件名必须一一对应否则训练时会出现图像和标签错位。我见过有人把axial的掩码误放到coronal目录下模型训到一半loss突然爆炸查了半天才发现是路径映射写错了。可视化代码里通常会有一个load_case函数你重点看它怎么拼接图像和掩码的路径如果用的是glob通配符要确认排序方式是否和切片顺序一致。默认的字符串排序在切片编号超过999时会出现slice_1000排在slice_999前面的问题稳妥做法是用natsort或者自己写一个按数字提取的排序键。2.3 用可视化代码快速检查标注质量可视化代码的核心作用不是好看而是让你在训练前发现标注问题。我通常会在代码里加三个检查项第一把图像和掩码以半透明叠加显示看骨骼边界是否贴合第二统计每个病例三个面的掩码像素占比如果某个面的占比突然接近0或接近1说明标注可能漏了或者多标了第三把同一病例的横端面、冠状面、矢状面掩码分别投影到3D空间看三个面的分割结果是否在空间上一致。如果横端面显示椎体是完整的但矢状面同一位置缺了一块那大概率是某个面的标注出了问题。import numpy as np import matplotlib.pyplot as plt from pathlib import Path def check_mask_consistency(case_dir): 检查三个面掩码的像素占比和空间一致性 ratios {} for plane in [axial, coronal, sagittal]: mask_dir Path(case_dir) / masks / plane masks sorted(mask_dir.glob(*.png)) total_pixels 0 bone_pixels 0 for m in masks: arr plt.imread(m) total_pixels arr.size bone_pixels np.sum(arr 0.5) ratios[plane] bone_pixels / total_pixels print(f{plane}: bone ratio {ratios[plane]:.4f}) # 如果某个面的占比偏离其他面超过3倍标记为可疑 mean_ratio np.mean(list(ratios.values())) for plane, r in ratios.items(): if r mean_ratio * 3 or r mean_ratio / 3: print(f [警告] {plane} 面掩码占比异常建议人工复核) return ratios这段代码的逻辑很直接遍历三个面的掩码目录统计骨骼像素占总像素的比例。参数上arr 0.5是二值化阈值如果你的掩码是0/255的PNG这个阈值没问题如果是灰度概率图需要根据实际分布调整。mean_ratio * 3这个倍数是我踩坑后定的经验值颈椎骨骼在三个面的投影面积本来就有差异矢状面通常占比最小但差异不会超过3倍。超过这个范围要么是标注错误要么是切片方向搞反了。3. 从2D切片到3D分割训练策略与模型选型3.1 为什么用2D分割网络而不是直接上3D颈椎CT体数据的分辨率通常是512×512×200左右直接上3D U-Net显存占用轻松超过24GB而且颈椎骨骼在Z轴上的层间距可能是0.5mm到1mm各向异性明显3D卷积核在Z轴上学到的特征未必比2D逐层处理更好。用2D分割网络分别处理三个面的切片再把三个面的预测结果融合回3D空间是更务实的做法。常见做法是选nnU-Net的2D配置或者自己搭一个U-Net骨干网络用ResNet-34或EfficientNet-B0输入尺寸统一到512×512batch size根据显存调到8到16。选2D还有一个好处你可以用ImageNet预训练权重做迁移学习。颈椎CT骨骼分割的标注数据通常只有几十个病例从头训3D网络很容易过拟合而2D网络加上预训练权重在几百张切片上就能收敛到一个可用的水平。我一般会先在横端面上训一个基线模型因为横端面的椎管和椎弓根边界最清晰然后把横端面学到的特征迁移到冠状面和矢状面用较小的学习率微调。3.2 三个面分别训练还是联合训练两种策略我都试过各有适用场景。分别训练是三个面各训一个模型推理时把三个面的预测结果通过投票或平均融合成3D掩码。联合训练是把三个面的切片混在一起让模型自己学视角不变的特征。分别训练的好处是每个模型可以针对该面的解剖特点调参比如矢状面需要更大的感受野来追踪椎体序列横端面则需要更关注局部边界。联合训练的好处是模型见过的样本更多泛化性可能更好但需要你在数据加载时给每个样本加上视角标签否则模型会混淆。我的血泪经验是如果三个面的切片数量差异很大比如矢状面只有几十张横端面有几百张联合训练会让模型偏向切片多的视角。这时候要么对每个面的采样权重做平衡要么干脆分别训练。分别训练的融合策略我常用的是在3D空间做多数投票对于体数据中的每个体素看三个面的预测中有几个认为是骨骼超过2个就判为骨骼。这种硬投票对边界噪声不敏感但会损失一些细节软投票是把三个面的概率图平均边界更平滑但需要三个模型的输出概率校准到同一尺度。3.3 数据增强与低剂量CT噪声模拟低剂量CT图像的噪声分布和常规剂量不一样主要表现为量子噪声增加和条纹伪影。如果你拿常规剂量的数据训模型直接用到低剂量图像上性能会掉得很明显。常见做法是在训练时加入噪声模拟增强对输入图像加泊松噪声再加重建滤波模拟低剂量效果。具体参数上泊松噪声的尺度因子可以设为图像最大值的0.1到0.3倍滤波用高斯核sigma取1.0到2.0。这样训出来的模型对低剂量图像更鲁棒。import numpy as np import cv2 def simulate_low_dose(image, dose_factor0.2, gaussian_sigma1.5): 模拟低剂量CT噪声 image: 输入图像范围0-255 dose_factor: 剂量因子越小噪声越强 gaussian_sigma: 高斯滤波sigma # 归一化到0-1 img_norm image.astype(np.float32) / 255.0 # 泊松噪声光子数越少噪声越强 scaled img_norm / dose_factor noisy np.random.poisson(scaled).astype(np.float32) * dose_factor # 高斯滤波模拟重建平滑 noisy cv2.GaussianBlur(noisy, (0, 0), gaussian_sigma) # 裁剪回0-1并转回0-255 noisy np.clip(noisy, 0, 1) return (noisy * 255).astype(np.uint8)这段代码的关键参数是dose_factor它控制模拟的剂量水平。0.2对应大约20%的常规剂量噪声已经比较明显了如果你要模拟极低剂量可以降到0.05但要注意图像可能退化到骨骼边界都看不清。gaussian_sigma控制重建滤波的平滑程度实际CT重建用的滤波核更复杂但高斯核在大多数场景下够用。增强时不要对所有训练样本都加噪声我一般按30%的概率随机施加避免模型过度适应噪声而损失对正常图像的精度。4. 可视化代码的二次开发与结果验证4.1 把预测掩码叠加回CT图像可视化代码通常只提供了加载和显示功能你需要自己加一个叠加预测结果的函数。核心逻辑是把模型输出的概率图二值化后用红色半透明覆盖在原始CT上骨骼区域用高亮显示。这样你一眼就能看出模型在哪些地方过分割或欠分割。我一般会同时显示三个面的叠加图横端面看椎管是否被误判为骨骼矢状面看椎体上下缘是否连续冠状面看侧块是否完整。def overlay_prediction(image, mask, alpha0.4): 将预测掩码叠加到CT图像上 image: 灰度CT图像shape (H, W) mask: 二值掩码shape (H, W)值为0或1 alpha: 叠加透明度 # 转RGB rgb cv2.cvtColor(image, cv2.COLOR_GRAY2RGB) # 创建红色掩码层 red_layer np.zeros_like(rgb) red_layer[:, :, 0] 255 # 红色通道 # 只在mask为1的地方叠加 mask_3d np.stack([mask]*3, axis-1) overlay np.where(mask_3d 0, (1-alpha)*rgb alpha*red_layer, rgb) return overlay.astype(np.uint8)参数alpha控制红色的透明度0.4是我常用的值既能看清骨骼边界又不会完全遮住CT纹理。如果你的掩码是概率图先把mask 0.5转成二值再传入。这个函数对三个面通用只要把对应面的图像和掩码传进去就行。4.2 用Dice和HD95做定量验证可视化只能看个大概真正判断模型好坏要靠定量指标。颈椎骨骼分割最常用的两个指标是Dice相似系数和95%豪斯多夫距离HD95。Dice衡量重叠度HD95衡量边界误差。我一般会在三个面上分别算这两个指标然后取平均。注意HD95对离群点很敏感如果某个切片上模型多分了一个小区域HD95会突然变大这时候要回去看可视化结果确认是不是伪影导致的。指标横端面典型值矢状面典型值冠状面典型值说明Dice0.92-0.950.90-0.930.91-0.94越高越好低于0.85需要排查HD95 (mm)1.5-2.52.0-3.51.8-3.0越低越好超过5mm说明边界偏差大骨骼像素占比0.08-0.150.05-0.100.06-0.12偏离范围说明标注或预测异常这张表里的数值是我在多个颈椎CT数据集上跑出来的经验范围具体值会随数据分辨率和标注标准浮动。如果你的Dice在0.85以下先检查图像和掩码是否对齐、切片顺序是否一致再考虑调模型。HD95偏大但Dice正常通常是边界处的细小误差对临床影响不大但如果HD95超过5mm就要看是不是某个椎体整体偏移了。4.3 把三个面融合成3D掩码并导出三个面分别预测完后需要融合回3D空间。假设原始体数据是(X, Y, Z)横端面预测对应(X, Y)平面冠状面对应(X, Z)矢状面对应(Y, Z)。融合时创建一个空的3D数组把三个面的预测按对应平面填入然后做多数投票。注意三个面的切片数量和原始体数据的维度要对应上如果切片有裁剪或缩放要先还原到原始尺寸。def fuse_predictions(axial_preds, coronal_preds, sagittal_preds, volume_shape): 将三个面的2D预测融合成3D掩码 axial_preds: list of 2D arrays, 每个是横端面预测 coronal_preds: list of 2D arrays sagittal_preds: list of 2D arrays volume_shape: (X, Y, Z) 原始体数据维度 X, Y, Z volume_shape votes np.zeros((X, Y, Z), dtypenp.float32) count np.zeros((X, Y, Z), dtypenp.float32) # 横端面每个切片是(X, Y)沿Z轴填入 for z, pred in enumerate(axial_preds): if z Z: votes[:, :, z] pred count[:, :, z] 1 # 冠状面每个切片是(X, Z)沿Y轴填入 for y, pred in enumerate(coronal_preds): if y Y: votes[:, y, :] pred count[:, y, :] 1 # 矢状面每个切片是(Y, Z)沿X轴填入 for x, pred in enumerate(sagittal_preds): if x X: votes[x, :, :] pred count[x, :, :] 1 # 多数投票超过一半的视角认为是骨骼 mask_3d (votes count / 2).astype(np.uint8) return mask_3d这段代码的核心是votes和count两个数组分别记录每个体素被判定为骨骼的次数和总投票次数。votes count / 2是多数投票条件如果你希望更保守减少假阳性可以改成votes count * 0.6如果希望更敏感减少漏检改成votes count * 0.4。导出时用nib.save存成NIfTI格式方便和原始CT配准。5. 避坑与排查颈椎CT骨骼分割的5个常见翻车点5.1 现象矢状面椎体序列出现断裂Dice正常但HD95异常大原因矢状面切片顺序错了或者层间距不均匀导致重采样时插值错误。颈椎在矢状面上是连续的如果切片顺序颠倒模型学到的椎体序列就是乱的。解决用可视化代码加载矢状面切片按文件名排序后逐张显示看椎体是否从上到下连续。如果断裂检查文件名排序是否用了自然排序以及DICOM头里的SliceLocation是否单调。重采样时用线性插值不要用最近邻否则层间距变化会导致阶梯状伪影。5.2 现象横端面椎管被误判为骨骼假阳性集中在椎管中心原因低剂量CT图像中椎管内的脑脊液和脊髓密度接近骨骼尤其是噪声大的时候模型容易混淆。另外如果训练数据中椎管标注不精确模型会学到错误的边界。解决在损失函数里给椎管区域加权重或者后处理时用形态学操作去掉椎管内的孤立小区域。我一般会在横端面预测后加一个孔洞填充把椎管内部的假阳性填掉。如果训练数据本身椎管标注有问题先用可视化代码逐例检查把标注质量差的病例剔除或重新标注。5.3 现象三个面融合后3D掩码出现棋盘状伪影原因三个面的预测在空间上不一致多数投票时边界体素的投票结果在2和1之间跳变。常见于三个面分别训练且模型性能差异较大的情况。解决融合前先对每个面的概率图做高斯平滑sigma取1.0左右让边界过渡更自然。或者改用软投票把三个面的概率平均后再二值化。如果某个面的Dice明显低于其他面先单独优化那个面的模型不要急着融合。5.4 现象训练loss正常下降但验证集Dice不涨甚至下降原因过拟合。颈椎CT骨骼分割的标注数据通常只有几十个病例2D网络虽然比3D网络省数据但仍然容易过拟合。另外如果训练集和验证集的病例来自不同设备或不同扫描协议域偏移会导致验证性能差。解决加数据增强尤其是弹性形变和随机旋转模拟不同患者的解剖差异。用早停策略验证集Dice连续5个epoch不涨就停。如果域偏移明显考虑用对抗训练或者简单的直方图匹配把验证集图像风格对齐到训练集。5.5 现象可视化代码显示正常但导出NIfTI后和原始CT配准错位原因导出时没有把预测掩码的仿射矩阵affine设置成和原始CT一致。2D切片在融合成3D数组时空间方向可能已经变了如果直接存成NIfTI默认的仿射矩阵是单位阵和原始CT的物理坐标对不上。解决导出前从原始DICOM或NIfTI读取仿射矩阵赋给预测掩码。如果原始数据是DICOM序列用nib.Nifti1Image创建时传入正确的affine。配准错位在临床应用中很致命导航系统会定位到错误的位置所以这一步必须用可视化工具如ITK-SNAP确认配准结果。6. 进阶技巧用三视图一致性做半监督学习标注颈椎CT骨骼分割数据很费时间一个病例三个面全标完熟练的放射科医生也要一两个小时。如果你手头只有少量标注病例和大量未标注病例可以用三视图一致性做半监督学习。核心思路是同一个3D体数据三个面的2D切片应该给出一致的3D分割结果。对未标注数据让模型分别预测三个面然后检查三个面的预测在3D空间是否一致。如果不一致说明模型对这个病例不确定可以把不一致的区域作为伪标签的置信度低区域在训练时降低权重或者直接忽略。具体实现上我一般会先用标注数据训一个基线模型然后用这个模型对未标注数据做预测计算三个面融合后的3D掩码和每个面单独预测的3D掩码之间的Dice。如果某个面的Dice低于0.8说明该面的预测和融合结果差异大这个病例的伪标签就不可靠。把可靠的伪标签加入训练集重新训模型迭代两到三轮通常能把Dice提升2到5个百分点。def consistency_check(axial_pred, coronal_pred, sagittal_pred, volume_shape, threshold0.8): 检查三个面预测的一致性返回每个面的一致性分数 # 分别把每个面的预测转成3D掩码 mask_axial fuse_single_plane(axial_pred, volume_shape, axial) mask_coronal fuse_single_plane(coronal_pred, volume_shape, coronal) mask_sagittal fuse_single_plane(sagittal_pred, volume_shape, sagittal) # 融合三个面得到参考掩码 mask_fused fuse_predictions(axial_pred, coronal_pred, sagittal_pred, volume_shape) # 计算每个面和融合结果的Dice scores {} for name, mask in [(axial, mask_axial), (coronal, mask_coronal), (sagittal, mask_sagittal)]: intersection np.sum(mask * mask_fused) dice 2 * intersection / (np.sum(mask) np.sum(mask_fused) 1e-6) scores[name] dice if dice threshold: print(f{name} 面一致性低: Dice{dice:.4f}建议人工复核) return scores这个函数的参数threshold设0.8是我试出来的经验值低于0.8的病例伪标签质量通常不够。fuse_single_plane需要你自己实现逻辑和前面的融合函数类似只是只填一个面的预测。半监督学习的效果取决于未标注数据的分布和标注数据的相似度如果未标注数据来自不同设备一致性检查可能会把很多正常病例误判为低质量这时候要先做域适应。我自己做颈椎CT分割这几年最大的教训是不要一上来就追求SOTA模型先把数据对齐、可视化检查、融合逻辑这三件事做扎实。很多翻车不是模型不行而是切片顺序错了、掩码路径映射错了、仿射矩阵没设对。每次拿到新数据我都会花半天时间用可视化代码逐例过一遍确认三个面的解剖结构对得上再开始训模型。这个习惯帮我省下了至少两周的无效调参时间。希望帮到你。本文还有配套的精品资源点击获取
