简介一份面向医学图像分割任务的肾脏肿瘤语义分割数据集适合研究Unet、SwinUnet、TransUnet等分割网络的初学者与算法工程师使用。数据包含背景、肾脏、肿瘤三个类别像素级标签清晰训练集约2000张、验证集约800张已预先划分并附类别说明下载后即可直接用于模型训练与评估。包内共有2000个文件以PNG格式的图像和对应mask为主另有txt类别文件与py可视化脚本压缩包约88.6MB约175人已学习下载轻量且便于快速部署实验。可视化脚本可随机抽取一张图片将原图、GT、GT叠加到原图的蒙板效果保存到当前目录便于直观检查标签质量与分割效果。整体数据规模适中、划分规范可作为语义分割入门、论文实验或课程设计的实用数据资源Unet、SwinUnet、TransUnet改进方案可参考作者专栏便于配套模型使用。1. 肾脏肿瘤语义分割数据集2800张图背后先打赢格式和指标这两场仗第一次拿到这份约2800张的肾脏肿瘤语义分割数据集时我以为最难的是模型选型。真正动手才发现数据预处理、标签确认、评估口径每一项都能让训练进度归零。这个数据集解决的是明确的临床诉求在CT影像中自动勾画出肾脏和肿瘤边界把医生逐层手工标注的工作变成模型预测。它适合两类人一类是刚入门医学图像分割想找一份带真实标签、形态复杂的数据集练手的学生另一类是已经在做自然图像分割、想迁移到医学影像的从业者。前者照着本文能把全流程跑通后者能直接拿走参数和避坑记录。2. 先搞清楚数据长什么样格式解析与预处理流水线拿到数据的第一件事不是训练而是确认磁盘上到底是什么。约2800张数据和标签听起来数量不大但格式、HU值、spacing、标签类别任何一个没对齐后边的训练全是无效劳动。我一般会在一个干净的目录里先把文件清单完整列一遍再决定后续走哪条预处理路线。2.1 三种常见组织方式怎么在10分钟内判定肾脏肿瘤分割数据的组织方式我见过的主要是三种。第一种是NIfTI体积文件一个病例一个CT文件加一个同名的mask文件后缀是nii.gz文件里是三维数组CT和mask通过文件名一一对应。第二种是按切片导出的2D PNG目录结构通常是images和labels两个文件夹里面对应编号的切片图。第三种是单个NIfTI里包含多个标签通道用同一个文件存肾脏和肿瘤的标注。这三种方式的预处理逻辑完全不同第一步必须先判型。判断方法很简单跑一段脚本统计文件扩展名和数量再读一个样本看数组维度。如果nii.gz文件的数组是三维那就是体积数据如果是二维PNG那就是切片序列。有一个容易被忽略的细节NIfTI文件的header里写明了spacing和direction而PNG格式把这些信息全部丢掉了一旦拿到PNG版本就必须另找一份记录层厚和像素间距的表格否则后续重采样无从谈起。import os from collections import Counter data_dir ./kidney_tumor_dataset ext_counter Counter() for root, _, files in os.walk(data_dir): for f in files: ext os.path.splitext(f)[-1].lower() if ext in (.nii, .nii.gz, .png, .jpg, .jpeg): ext_counter[ext] 1 print(ext_counter) # 示例输出Counter({.nii.gz: 5600, .png: 0})运行这段脚本后如果nii.gz数量是偶数且正好是数据量约两倍说明CT和mask各占一份是第一种组织方式。如果全是PNG就要去找配套的spacing记录表。文件数量本身就等于约2800张、前后没有重复说明这份数据大概率以切片为单位每一张都是一层独立的CT断面。这一步的结论直接决定第2.2节要不要做重采样。2.2 HU值、spacing与归一化预处理参数怎么定CT影像的像素值不是RGB而是亨氏单位HU不同组织结构有不同的HU范围。空气约-1000水约0肾脏实质在增强扫描后大约在100到300之间肿瘤可能因为坏死或囊变落到0附近甚至更低。直接把原始HU值喂给网络模型会把扫描仪的品牌差异和重建参数当成特征学进去这是医学图像分割里最常见的翻车源头之一。我一般会做的预处理分三步裁窗、重采样、归一化。裁窗是把HU值截断到一个合理范围去掉骨骼和空气这些无关信息重采样是把不同病例的层厚和像素间距统一归一化是把数值缩放到0到1。三步的顺序不能乱先裁窗再重采样最后归一化。import SimpleITK as sitk import numpy as np def load_and_resample(nii_path, target_spacing(1.0, 1.0, 1.0)): # 读入NIfTI返回重采样后的三维数组 img sitk.ReadImage(nii_path) arr sitk.GetArrayFromImage(img) # shape: (Z, H, W) orig_spacing img.GetSpacing() # 注意顺序(dx, dy, dz) # 根据原生spacing计算目标尺寸 orig_size np.array(arr.shape[::-1], dtypenp.float64) # 转成 (W, H, Z) new_size np.round( orig_size * np.array(orig_spacing) / np.array(target_spacing) ).astype(int) resampler sitk.ResampleImageFilter() resampler.SetOutputSpacing(target_spacing) resampler.SetSize(new_size.tolist()) resampler.SetInterpolator(sitk.sitkLinear) # CT用线性插值 resampled resampler.Execute(img) return sitk.GetArrayFromImage(resampled) def normalize_hu(arr, lower-150, upper250): # 窗宽截断后线性归一化到 [0, 1] arr np.clip(arr, lower, upper) arr (arr - lower) / (upper - lower) return arr.astype(np.float32)这段代码里最需要留意的是spacing的轴顺序。SimpleITK的GetSpacing返回的是(dx, dy, dz)而GetArrayFromImage返回的数组shape是(Z, H, W)两者方向相反。如果直接把spacing对应到数组维度上重采样结果会整体错位。第二个关键参数是target_spacing1mm等厚重采样是兼顾细节和显存的常见选择如果原数据层厚是5mm强行重采样到1mm只会让Z轴变成插值出来的假信息这时应该用(1.0, 1.0, 2.0)之类接近原层厚的值。窗宽窗位的选择同样有讲究。上面代码里的-150到250适合增强扫描的肾脏区域如果数据是平扫或者肿瘤坏死区占比很大这个窗口可能让肿瘤和正常肾实质的对比度不足。我一般会先挑几个病例在归一化前后各保存一张切片做可视化对比肉眼确认肿瘤边界清晰再批量处理。这一步值得多花十分钟后边模型收敛速度会明显不一样。2.3 标签确认类别数、二值化与肿瘤占比很多人拿到数据就开始训练从来不统计标签的类别分布直到模型输出全黑才回头检查。肾脏肿瘤分割数据的标签常见有几种编码方式背景为0、肾脏为1、肿瘤为2有的版本只给肿瘤二分类背景0、肿瘤1。如果不确认清楚直接把三分类标签当二分类用模型会把肾脏当成肿瘤一起预测出来。mask_arr sitk.GetArrayFromImage(sitk.ReadImage(mask_path)) print(类别值:, np.unique(mask_arr)) print(各类别像素占比:, np.bincount(mask_arr.flatten()) / mask_arr.size) # 统计肿瘤层数比例 has_tumor np.any(mask_arr 2, axis(1, 2)) print(含肿瘤切片比例:, has_tumor.mean())这段脚本能同时回答两个问题标签里有哪些类别以及肿瘤在切片中出现的频率。医学图像分割里肿瘤往往只占整幅图像的1%以下如果一个batch里恰好都是不含肿瘤的切片模型会被背景梯度带着走几个epoch后Dice还是零。常见做法是先统计肿瘤层的占比训练时按“必含肿瘤”的采样策略取数而不是纯随机打乱。如果数据切片的肿瘤占比已经很低我就会改成用patch采样围绕标注区域裁剪出固定大小的块再送入网络这样能让网络真正学到肿瘤形态。2.4 按患者划分训练集防止切片级泄露的代码写法我在模拟项目X上踩过最深的坑就是随机划分数据集。同一个病例的几十层切片形态高度相似如果一部分进训练集、一部分进验证集模型相当于提前见过答案验证集Dice会虚高。等模型跑到真实场景里遇到没见过的病例指标立刻跳水。正确的做法是按patient_id分组划分保证同一个病例的所有切片要么全在训练集要么全在验证集。from sklearn.model_selection import GroupShuffleSplit import pandas as pd # 表格里至少要有三列image_path, mask_path, patient_id # patient_id 可以从文件命名中提取例如 case_001_slice_012.nii - case_001 df pd.read_csv(data_manifest.csv) df[patient_id] df[image_path].str.extract(r(case_\d)) gss GroupShuffleSplit(n_splits1, test_size0.2, random_state42) train_idx, val_idx next(gss.split(df.index, groupsdf[patient_id])) train_df df.iloc[train_idx].reset_index(dropTrue) val_df df.iloc[val_idx].reset_index(dropTrue) print(训练病例数:, train_df[patient_id].nunique()) print(验证病例数:, val_df[patient_id].nunique())GroupShuffleSplit的groups参数就是用来保证同一个patient_id不被拆散。验证集占比20%对约2800张的数据量来说是合理的如果病例数很少可以降到15%并加上分层抽样确保验证集和训练集都覆盖不同大小的肿瘤。这一步做到位后边评估指标才有参考意义。3. 分割模型训练网络选型、损失函数与数据增强预处理做完数据已经变成干净的张量这时候才到模型环节。肾脏肿瘤分割的主流方案是U-Net及其变体难点不在背网络结构而在怎么让网络在肿瘤区域占比这么低的情况下还能稳定收敛。3.1 选2D还是3D显存、层厚与标注形态的权衡2D U-Net把每一层切片当作独立图像逐层分割3D U-Net把整个体积一起送入网络能建模切片间的空间连续性。两者的选择取决于两个因素显存和层厚一致性。肾脏CT的层厚在不同机构之间差异很大常见的有2.5mm、3mm、5mm如果这份数据的层厚本身就参差不齐3D模型会把层间间距不一致当成额外噪声学进去反而拖累精度。我一般会先用2D把baseline跑出来再考虑3D微调。维度2D U-Net3D U-Net显存占用低256×256输入单卡即可高通常需要patch裁剪层间连续性不建模显式建模对层厚不一致的容忍度高低肿瘤占比较低时方便按切片采样patch采样较复杂训练时间快约为2D的2到4倍结论是预算充足、数据层厚统一时选3D否则先2D把Dice做到可接受水平后再用3D做集成或微调。肾脏肿瘤这类目标尺寸差异大、边缘不规整的任务2D baseline通常已经能到0.7以上的Dice3D的价值主要在5mm内小肿瘤的召回率上。3.2 最小可跑的2D U-Net训练配置网络结构直接用经典U-Net编码器-解码器编码器用卷积加最大池化逐层下采样解码器用转置卷积恢复分辨率中间用skip connection拼接。对肾脏肿瘤分割输入建议用单通道CT切片尺寸256×256或512×512。512能保留更多钙化和肿瘤边缘细节但显存和训练时间几乎翻倍我一般先从256开始指标不够再看细节还是分辨率的问题。import torch import torch.nn as nn import torch.nn.functional as F class DoubleConv(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.conv 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.conv(x) class UNet(nn.Module): def __init__(self, in_ch1, out_ch2): super().__init__() self.enc1 DoubleConv(in_ch, 64) self.enc2 DoubleConv(64, 128) self.enc3 DoubleConv(128, 256) self.pool nn.MaxPool2d(2) self.bottom DoubleConv(256, 512) self.up3 nn.ConvTranspose2d(512, 256, 2, stride2) self.dec3 DoubleConv(512, 256) self.up2 nn.ConvTranspose2d(256, 128, 2, stride2) self.dec2 DoubleConv(256, 128) self.up1 nn.ConvTranspose2d(128, 64, 2, stride2) self.dec1 DoubleConv(128, 64) self.out nn.Conv2d(64, out_ch, 1) def forward(self, x): e1 self.enc1(x) e2 self.enc2(self.pool(e1)) e3 self.enc3(self.pool(e2)) b self.bottom(self.pool(e3)) d3 self.dec3(torch.cat([self.up3(b), e3], dim1)) d2 self.dec2(torch.cat([self.up2(d3), e2], dim1)) d1 self.dec1(torch.cat([self.up1(d2), e1], dim1)) return self.out(d1)这段结构里需要注意skip connection的拼接解码器每层都要把上采样的特征和对应编码器特征沿通道维度拼接这是U-Net能恢复细节的关键。out_ch2表示二分类输出背景和前景forward返回的是未经过softmax的logits损失函数内部再做softmax。这个设计是为了数值稳定性CrossEntropyLoss自带logsoftmax不要在模型输出层手动加softmax否则训练早期梯度会不稳定。损失函数是另一个决定成败的组件。医学分割默认用Dice loss与交叉熵的组合Dice loss直接优化重叠率对类别不平衡不敏感交叉熵为每个像素提供独立梯度帮助训练早期稳定推进。肿瘤占比低时Dice loss权重应该调高。class DiceLoss(nn.Module): def __init__(self, smooth1.0): super().__init__() self.smooth smooth def forward(self, pred, target): pred torch.softmax(pred, dim1)[:, 1] # 前景概率 target target.float() intersection (pred * target).sum() dice (2.0 * intersection self.smooth) / (pred.sum() target.sum() self.smooth) return 1.0 - dice class CombinedLoss(nn.Module): def __init__(self, dice_weight0.8, ce_weight0.2): super().__init__() self.dice DiceLoss() self.ce nn.CrossEntropyLoss() self.dice_weight dice_weight self.ce_weight ce_weight def forward(self, pred, target): return self.dice_weight * self.dice(pred, target) self.ce_weight * self.ce(pred, target)smooth参数避免分母为零同时对梯度有一定平滑作用常见取值0.1到1.0。如果你的数据里肿瘤占比低于0.5%可以把dice_weight提到0.9。优化器我用Adam初始学习率1e-4配合ReduceLROnPlateau在验证Dice连续5个epoch不涨时把学习率降到原来的五分之一。batch size看显存256×256输入、单卡16到24都能跑显存不够就降到8同时把学习率等比缩小一般1e-4在batch 8下也能稳定收敛。3.3 数据增强翻转让肿瘤形态更多样弹性形变要克制数据增强的价值在于让网络见过更多形态的肿瘤。肾脏肿瘤的位置和形状差异很大有的贴着肾盂有的突出肾包膜翻转和旋转能有效增加位置多样性。我常用的增强组合是随机旋转、水平垂直翻转、弹性形变和亮度对比度扰动。亮度扰动模拟不同增强扫描期相的差异对泛化很有帮助。import albumentations as A from albumentations.pytorch import ToTensorV2 train_transform A.Compose([ A.RandomRotate90(p0.5), A.HorizontalFlip(p0.5), A.VerticalFlip(p0.5), A.ElasticTransform(p0.2, alpha60, sigma6), A.RandomBrightnessContrast(p0.2, brightness_limit0.1, contrast_limit0.1), A.Normalize(mean(0.5,), std(0.5,)), ToTensorV2(), ]) val_transform A.Compose([ A.Normalize(mean(0.5,), std(0.5,)), ToTensorV2(), ])参数值得说两句。ElasticTransform的alpha和sigma控制形变幅度alpha60、sigma6属于中等强度既能让网络适应肾脏随呼吸运动的形变又不会把肿瘤边界扭曲到失真。RandomBrightnessContrast的limit我压在0.1以内CT值经过了窗宽截断过大的亮度扰动会让归一化后的分布失配。Normalize的mean和std用的是0.5因为预处理阶段已经把HU值线性缩放到0到1直接用0.5均值归一化即可不需要从数据集重新统计。增强的参数没有绝对最优alpha从40试到120在验证集上对比一次Dice就明白了。但有一个原则分割任务的增强不能改变标签的语义结构。所有几何变换都要用同一种随机种子同时作用于图像和maskalbumentations会自动处理这个对齐手写管道时最容易漏的就是这个。3.4 训练预期一张卡跑多久显存不够怎么办256×256输入、batch 16、单卡2D U-Net一个epoch处理约2240张训练图大概一两分钟。训练200个epoch加上早停通常四到六小时能跑完。如果输入改成512×512时间会膨胀到两到三倍显存需求从约8GB涨到接近16GB。显存不够时的降级顺序是先降batch到8再看输入降到192×192最后才换轻量backbone。输入分辨率对分割精度的影响在256以上边际收益递减没必要为了一个百分点硬上512。4. 评估与调参Dice、IoU、HD95到底怎么用训练结束不等于任务完成。约2800张数据的价值只有在评估口径正确时才能兑现。肾脏肿瘤分割里最常见的错误是只看Dice而Dice对边缘误差和小肿瘤漏检非常不敏感必须搭配边界类指标一起看。4.1 三个指标各自回答什么问题Dice系数描述预测和标注的重叠程度是医学分割论文最常报告的主指标IoU和Dice相关性高但数值更低更严格HD95是Hausdorff距离的95分位数衡量两个边界之间的最大偏差对边缘毛刺和漏检小块极其敏感。三个指标一起看才能判断一个模型是“整体重合度高但边缘粗糙”还是“边界精细但整体偏移”。指标公式二值回答的问题对误差的敏感度Dice2TP / (2TPFPFN)预测和标注重合多少对面积偏差中等敏感IoUTP / (TPFPFN)交集占并集比例比Dice更严格HD95边界距离分布的95分位边界最大偏差多大对孤立误差极敏感一个具体例子预测结果漏掉了一个小肿瘤这个肿瘤只占整体面积的3%Dice可能只掉0.01但HD95会因为这个未检出区域产生一个很大的距离值直接把问题暴露出来。所以我的评估习惯是Dice看整体HD95找小型漏检。4.2 验证集评估代码一次算出全部指标有了各项指标定义剩下的就是实现。注意验证集要渲染成概率图后取0.5阈值不要用softmax后的概率值直接算指标。阈值虽然也可以调但0.5作为默认值足够了。import numpy as np from scipy.ndimage import distance_transform_edt def dice_coef(pred, gt, eps1e-5): pred pred 0.5 gt gt 0.5 inter (pred gt).sum() return 2 * inter / (pred.sum() gt.sum() eps) def iou_score(pred, gt, eps1e-5): pred pred 0.5 gt gt 0.5 inter (pred gt).sum() union (pred | gt).sum() return inter / (union eps) def hd95(pred, gt): pred pred 0.5 gt gt 0.5 if pred.sum() 0 or gt.sum() 0: return float(inf) dt_pred distance_transform_edt(~pred) dt_gt distance_transform_edt(~gt) # 分别是标记边界到预测边界的距离、预测边界到标记边界的距离 dists np.concatenate([dt_pred[gt], dt_gt[pred]]) return np.percentile(dists, 95) # 在验证集上汇总 dice_list, iou_list, hd_list [], [], [] for pred, gt in val_samples: dice_list.append(dice_coef(pred, gt)) iou_list.append(iou_score(pred, gt)) hd_list.append(hd95(pred, gt)) print(fDice: {np.mean(dice_list):.4f} ± {np.std(dice_list):.4f}) print(fIoU: {np.mean(iou_list):.4f} ± {np.std(iou_list):.4f}) print(fHD95: {np.mean(hd_list):.4f} mm)distance_transform_edt计算的是二值图中每个背景像素到最近前景像素的欧氏距离用标记图取反后的距离图上取值得到每个标记边界点到预测边界的距离。两个方向都算一遍再取95分位是为了保证误差不只是单向的。HD95的单位是毫米受spacing影响重采样后的评估结果才是可比的如果两个模型在不同spacing下评估HD95不能直接对比。4.3 从指标读数推断翻车位置Dice高但HD95大典型的预测是肿瘤边缘有几处细长的毛刺或者漏掉了一个孤立的子灶。毛刺虽然面积小但让边界距离分布出现了大尾。这时优先检查验证集里最小肿瘤的那一批样本往往能找到原因。IoU和Dice差值过大说明预测面积的偏差集中在特定方向常见原因是肾脏和肿瘤在CT上灰度接近模型把一部分肾实质也划进了肿瘤。这种误差Dice看不出来只有对比IoU才能发现预测范围整体比标注大了一圈。肿瘤尺寸分层统计是另一个有力工具。把验证集按肿瘤像素面积分成小、中、大三组分别报告Dice。我见过的最典型情况是整体Dice 0.82但最小一组只有0.55。这种信息如果不分层统计会被平均值掩盖而临床上最需要被自动发现的恰恰是那些小肿瘤。5. 肾脏肿瘤分割数据的避坑记录五条血泪经验这五条坑分布在预处理、训练、评估三个阶段是我在多次实验里真实踩过的。每一条都按现象、原因、解决来写遇到相同症状时可以对照排查。5.1 标签和CT尺寸对不上现象训练时报张量shape不匹配检查发现CT是512×512mask却是256×256或者两者尺寸相同但重采样后肿瘤位置整体偏移了两个像素。原因数据里的CT和mask可能来自不同的重建流程有的标签是在低分辨率图像上手工勾画的有的NIfTI header里写错了spacing值。重采样后对不上通常是mask用了和CT不同的插值方式比如mask被线性插值出了中间灰度值。解决先读两个文件的spacing和origin做对比确认坐标系一致再重采样。mask重采样时必须用最近邻插值保持标签值只能是0、1、2这些离散整数。批量处理前随机挑三个病例做可视化叠加把CT和mask叠在一起看肿瘤边界是否对齐这个习惯能挡掉大部分数据问题。5.2 肿瘤占比过低训练全程输出全零现象训练了50个epoch验证集Dice接近0预测结果全黑损失函数却还在缓慢下降。原因肿瘤像素占比低于1%模型很容易陷入“全预测为背景”的局部最优。这种解在损失函数看来并不差因为背景类的交叉熵贡献了绝大部分梯度。解决换成上面提到的Dice加CE组合Dice loss对正负样本不敏感能从第一轮就把前景区域拉出来。另一个更直接的方案是做肿瘤层采样确保每个batch至少包含一半含肿瘤的切片。我在实验里把含肿瘤切片的采样权重提到70%后Dice从0直接跳到0.6附近效果非常明显。5.3 重采样把肿瘤边缘糊没了现象2D训练指标正常3D切换后Dice下降或者小肿瘤召回率明显变差。查看预测结果发现肿瘤边界比标注圆滑很多像被高斯模糊处理过。原因预处理阶段对CT用了线性插值重采样肿瘤在CT里和周围组织对比度本来就不高线性插值会进一步削弱边缘的高频信息。小肿瘤只有几个像素的直径一次插值就可能让它的灰度接近周围肾实质。解决在插值方式上做区分CT数据用三次样条插值保留边缘mask用最近邻插值如果目标分辨率只有原分辨率的一半以下考虑先用ROI裁剪只对肾脏区域做高分辨率重采样再拼回原图。另一个折中是缩小目标spacing从1mm改成1.5mm图像细节损失明显减小。5.4 验证集指标高换新数据就崩现象训练集验证Dice 0.84内部测试集也有0.82但拿到另一家机构的数据一测只有0.6。原因最常见的是没有按patient_id划分同一个病例的切片同时出现在训练和验证集里指标虚高。其次是数据来源单一模型学到了特定扫描仪的重建参数而不是肿瘤本身的形态。解决严格按照第2.4节按患者划分保证验证集和训练集完全没有病例重叠。泛化问题的处理是在训练里加更强的几何增强和对比度扰动模拟不同扫描协议间的差异。如果泛化要求更高可以把不同机构的样本按比例分到训练和验证让验证集本身就覆盖多种采集条件下。5.5 窗宽窗位没调肿瘤和肾实质对比度不足现象预处理后的切片看起来灰蒙蒙一片肿瘤和肾脏边界肉眼都难分辨训练出来的模型只能大概框出肾脏区域肿瘤边界全错。原因窗宽窗位直接决定了保留哪些灰度信息。肾脏增强扫描常用的窗宽约300到400、窗位约30到50如果按默认的(-1024, 3071)全窗宽截断软组织对比度会被压缩到几乎不可见。解决回到第2.2节用我们给出的-150到250作为起点做可视化对比观察肿瘤坏死区、正常肾实质和肾盂的灰度分层。如果发现肿瘤中心特别亮或特别暗说明窗口没落在软组织区间逐个病例统计HU值的0.5和99.5百分位再定窗会更科学。6. 进阶技巧在同一个约2800张的数据集上把Dice再推高0.05基线模型稳定在0.8左右的Dice之后进一步提点的路径不是换更大更深的网络而是从任务结构上入手。对肾脏肿瘤分割我惯用的三个技巧是级联分割、模型集成、伪标签自训练。三者各有代价按性价比排序分别是级联、集成、伪标签。级联的核心思想是先分割肾脏再在肾脏ROI内分割肿瘤。肿瘤通常在肾脏轮廓内部或紧贴边缘直接在全图上分割肝脏、脾脏、肠道都可能成为干扰级联把任务收窄到小范围背景类别被大幅压缩。实现时用前面训练好的模型做粗分割取肾脏掩码外扩10个像素裁剪再送入第二个模型。我在某跨平台系统的实验里级联结构对Dice的提升约3到5个百分点对小肿瘤的召回率提升更明显。模型集成用同一份数据训2D和3D两个模型推理时把3D模型的预测重采样到2D切片维度概率图取平均后阈值化。这个方法能弥合两类模型的优势2D捕捉细节边界3D保证切片间的一致性。集成不需要重新训练只要有两个已经收敛的模型就能做成本几乎为零。注意两者输入尺寸必须一致如果2D用256×256而3D用patch 128×192×128需要先把预测对齐到同一坐标系再融合。伪标签自训练适合还有未标注数据的情况。用训练好的模型对无标签的CT做预测只保留预测概率高于0.95的区域当作标签混入训练集再训一轮。这类方法在肾脏分割里效果不错但阈值和混合比例需要调并且要小心把模型的错误预测固化进新标签。我个人习惯先试级联和集成伪标签放在最后因为它增加了一个完整的数据管理环节。最后说一个我保持多年的习惯每次调参都留一版不做任何花哨操作的baseline把模型、预处理、增强、损失函数的所有改动记录在实验表里新的尝试都要和上一版对比。谁在哪个阶段改了哪一步、指标变了多少一清二楚调参才不会变成玄学。祈愿这个流程能帮你在约2800张的肾脏肿瘤数据上少走弯路一步到位把成果转换到自己的项目中希望帮到你。本文还有配套的精品资源点击获取