企业官网建设流程全解析

简介：这是一份基于Unet的LITS肝肿瘤分割项目资源包，面向医学图像分割方向的开发者与研究者。内容涵盖完整数据集、Python训练/测试代码与已训练10个epochs的结果文件，网络在全局像素准确度达0.988、miou为0.838，若加大训练轮数性能还可进一步提升。压缩包共2000个文件，约680.5MB，主体为1983张PNG格式的轴位面切片及mask图像，另有8个py源码、xml配置、txt标签与README说明，结构清晰便于直接复现与改造。代码支持多尺度随机缩放训练，utils中的compute_gray函数会自动读取mask灰度值并写入txt，同时自动设定Unet输出通道数，适用于多分割目标扩展。训练阶段采用余弦衰减学习率，run_results内保存了损失与iou曲线、训练日志及最优权重，可查看每类iou、recall、precision等指标。目前已有302人学习下载，适合希望快速上手肝肿瘤分割或基于Unet做多类别分割实验的读者。

1. 基于Unet的肝肿瘤分割项目：LITS切片分割，跑起来并没有想象中难

之前有位朋友让我帮忙估一个医学影像分割Demo能不能快速落地，我拿到手就是这份基于Unet对肝肿瘤分割（LITS）切片的分割项目。第一反应是又要配环境、装各种软件，打开代码包才发现：数据集、完整代码、训练好的结果文件都齐了，只要Python环境能跑，几乎不需要额外插件。这份资源要解决的事很具体：把LITS的CT体数据按轴向切成二维切片，配对对应标签，交给Unet模型分割出肝脏和肿瘤区域。适合两类人：手里有LITS或类似CT数据、想快速验证Unet分割效果的开发者，以及想把整套分割流程从数据到训练完整走通的新手。下面按我实际复现的顺序展开，坑都写在对应章节里。

2. LITS数据集预处理：从三维体数据到能喂给Unet的切片对

2.1 为什么LITS体数据不能直接塞进Unet

LITS（肝肿瘤分割挑战赛数据集）的原始数据是一百多例CT体数据，每个样本是一个三维的nii文件，里面的数值是医学图像的CT值，单位是HU（Hounsfield Unit）。但Unet一般处理的是二维图像，如果直接把三维数据压缩成一张二维图，深度方向上肝组织和肿瘤信息会互相叠加，分割精度几乎无法保证。所以拿到资源的第一个动作就是切片：沿CT的轴状面切成一张张二维图，每张图配一个二维标签图，后续训练、验证都以切片对为单位进行。

切片之后还要处理数值范围。人体CT值范围大约在-1000到3000之间，但腹部扫描里肝脏和肿瘤主要落在-100到250这个区间。直接把原始数值丢给网络，模型会拿大量参数去拟合骨骼、空气这些无关变化，收敛速度肉眼可见地慢。常见做法是先做窗宽窗位截断，再归一化。窗宽取[-200, 200]附近，在保留肝实质与肿瘤灰度差异的同时，把背景极值压掉。这套资源自带的预处理脚本就是按这个思路写的，建议新手不要跳过这步直接训练，跳过之后你会看到loss下降像爬坡。

处理过程不需要装什么大型软件，SimpleITK这个库就够用。资源里给出的预处理脚本会把每个病例切完的切片保存成npz文件，图像和标签放同一个文件里，这样后面写Dataset类时对齐起来非常省事。整个数据准备阶段的核心是两件事：保证体数据和标签的层数一致，保证归一化后数值范围稳定。

2.2 切片与保存脚本：把nii切成npz

import SimpleITK as sitk import numpy as np import os def window_ct(volume, low=-200, high=200): # 截断到肝脏/肿瘤常用窗宽范围，去掉空气和骨骼极值 volume = np.clip(volume, low, high) # 线性归一化到 [0, 1]，方便网络输入 volume = (volume - low) / (high - low) return volume def process_case(volume_path, label_path, save_dir, case_id): vol = sitk.ReadImage(volume_path) lab = sitk.ReadImage(label_path) vol_np = sitk.GetArrayFromImage(vol) # 输出形状 (num_slices, H, W) lab_np = sitk.GetArrayFromImage(lab) print(f"[{case_id}] volume: {vol_np.shape}, label: {lab_np.shape}") assert vol_np.shape == lab_np.shape, "体数据和标签层数不一致，需检查文件是否配对" vol_np = window_ct(vol_np) os.makedirs(f"{save_dir}/{case_id}", exist_ok=True) for i in range(vol_np.shape[0]): slice_img = vol_np[i].astype(np.float32) slice_lab = lab_np[i].astype(np.uint8) np.savez_compressed( f"{save_dir}/{case_id}/slice_{i:03d}.npz", image=slice_img, label=slice_lab)

逻辑说明：先读取体数据和标签，通过assert检查两者的shape是否完全一致，这一步能拦截掉文件配对错误。window_ct函数里先用np.clip把超出[-200,200]的数值截断，再做最小值-最大值线性映射，将数值压到0到1。最后按case_id分目录，把每个切片的图像和标签封装进同一个npz文件。

参数说明：low=-200、high=200是按腹部CT肝区像素分布选的。如果数据里有动脉期增强扫描，肝实质灰度整体抬升，可以把上限放宽到250；如果全部是平扫序列，维持200更稳定。归一化到0到1而不是-1到1，是因为后面Unet的ReLU输出和BCE损失天然适配0到1区间。

2.3 Dataset类与数据增强：保证训练时图像和标签永远同步

import torch from torch.utils.data import Dataset import numpy as np import os import random class LiverSliceDataset(Dataset): def __init__(self, data_root, augment=False): self.files = [] for case_id in os.listdir(data_root): case_dir = os.path.join(data_root, case_id) for fname in os.listdir(case_dir): if fname.endswith('.npz'): self.files.append(os.path.join(case_dir, fname)) self.augment = augment def __len__(self): return len(self.files) def __getitem__(self, idx): data = np.load(self.files[idx]) img = data['image'] # 形状 (H, W) lab = data['label'] # 形状 (H, W) if self.augment: # 随机水平翻转，图像和标签施加完全相同的变换 if random.random() > 0.5: img = img[:, ::-1] lab = lab[:, ::-1] # 随机旋转一定角度，同样要保证标签同步旋转 angle = random.uniform(-10, 10) # 实际项目中这里用 scipy.ndimage.rotate，保持 order=1 # 并设置 reshape=False，避免旋转后尺寸改变 img_t = torch.from_numpy(img.copy()).unsqueeze(0).float() lab_t = torch.from_numpy(lab.copy()).long() return img_t, lab_t

逻辑说明：Dataset按文件路径逐个加载npz，每次返回一个切片的图像和对应标签。增强只在训练时开启，验证阶段必须关闭，否则评估指标会被翻转和旋转干扰。增强的核心原则是：图像做了什么变换，标签就必须做完全相同的变换，一旦某一帧翻转而标签不翻转，模型看到的就是错位样本。

参数说明：图像用unsqueeze(0)加上单通道维度，符合后面Conv2d的输入要求；标签保持long型，配合CrossEntropyLoss使用。随机旋转部分如果引入scipy.ndimage.rotate，注意reshape=False，否则旋转后尺寸变化会导致图像和标签错位。这份代码对应资源里的dataloader部分，跑通之后训练集和验证集就是标准的“图像-标签”对。

预处理做完，数据集这块算是稳了。接下来就是模型部分，Unet在这个任务里的优势值得展开说明。

3. Unet结构与训练参数：把分割网络理论落到可训练状态

3.1 Unet为什么适合肝肿瘤切片分割

Unet结构最早就是为医学图像分割设计的，它的核心特点是编码器-解码器对称结构加跳跃连接。编码器部分通过四次下采样逐步提取高维特征，从边缘纹理到器官语义；解码器部分通过上采样恢复空间分辨率；跳跃连接把编码器每一层的细节特征直接拼到解码器对应层，弥补下采样丢失的边缘信息。医学图像分割任务里，肿瘤边界往往模糊，而且目标区域占整幅图像的比例很小，Unet这种“既要语义准、又要细节全”的设计恰好对症。

在处理LITS切片时有一个很现实的点：切片尺寸。原始切片大约512x512，如果直接输入网络，显存压力很大。这份资源里统一缩放到256x256输入，因为肿瘤在切片里通常不会小到看不见，256分辨率下边界信息损失可控，训练速度和显存占用都友好不少。如果想追求更高精度再上512输入，但显存不够时优先考虑随机裁剪而不是等比缩放。

模型层面还有一个选择理由：参数量适中。经典Unet在64初始通道下参数量大约3100万，比目前各种Transformer分割模型小一个数量级，在普通单卡上就能训练。LITS切片的数据量不算大，医生标注的边界本身也存在主观差异，模型容量太大反而容易把标注噪声背下来，Unet的容量对这个任务是够用且不易过拟合的。

3.2 Unet模型定义与损失函数实现

import torch import torch.nn as nn class ConvBlock(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.conv1 = nn.Conv2d(in_ch, out_ch, 3, padding=1) self.conv2 = nn.Conv2d(out_ch, out_ch, 3, padding=1) self.relu = nn.ReLU(inplace=True) def forward(self, x): x = self.relu(self.conv1(x)) x = self.relu(self.conv2(x)) return x class UNet(nn.Module): def __init__(self, in_channels=1, num_classes=2, init_feat=64): super().__init__() self.enc1 = ConvBlock(in_channels, init_feat) self.enc2 = ConvBlock(init_feat, init_feat * 2) self.enc3 = ConvBlock(init_feat * 2, init_feat * 4) self.enc4 = ConvBlock(init_feat * 4, init_feat * 8) self.pool = nn.MaxPool2d(2) self.center = ConvBlock(init_feat * 8, init_feat * 16) self.up4 = nn.ConvTranspose2d(init_feat * 16, init_feat * 8, 2, stride=2) self.dec4 = ConvBlock(init_feat * 16, init_feat * 8) self.up3 = nn.ConvTranspose2d(init_feat * 8, init_feat * 4, 2, stride=2) self.dec3 = ConvBlock(init_feat * 8, init_feat * 4) self.up2 = nn.ConvTranspose2d(init_feat * 4, init_feat * 2, 2, stride=2) self.dec2 = ConvBlock(init_feat * 4, init_feat * 2) self.up1 = nn.ConvTranspose2d(init_feat * 2, init_feat, 2, stride=2) self.dec1 = ConvBlock(init_feat * 2, init_feat) self.out = nn.Conv2d(init_feat, num_classes, 1) def forward(self, x): e1 = self.enc1(x) e2 = self.enc2(self.pool(e1)) e3 = self.enc3(self.pool(e2)) e4 = self.enc4(self.pool(e3)) center = self.center(self.pool(e4)) d4 = self.up4(center) d4 = torch.cat([d4, e4], dim=1) d4 = self.dec4(d4) d3 = self.up3(d4) d3 = torch.cat([d3, e3], dim=1) d3 = self.dec3(d3) d2 = self.up2(d3) d2 = torch.cat([d2, e2], dim=1) d2 = self.dec2(d2) d1 = self.up1(d2) d1 = torch.cat([d1, e1], dim=1) d1 = self.dec1(d1) return self.out(d1)

逻辑说明：编码器四个ConvBlock逐层提取特征，下采样用MaxPool2d完成。中心层用16倍初始通道数做最抽象的语义提取。解码器通过ConvTranspose2d上采样后，在通道维上拼接对应编码器输出，再经过ConvBlock融合。最后的1x1卷积把特征图映射到类别数。

参数说明：init_feat=64是经典设置，显存有压力时降到32，参数量大约缩到四分之一，精度会略有下降。num_classes=2代表背景和前景二分类；如果想把肝脏和肿瘤分开计算，可以改成3类。输入通道in_channels=1，对应预处理得到的单通道灰度切片。

损失函数这块，直接用CrossEntropyLoss在肿瘤占比很小的切片上效果一般。我建议用Dice Loss和BCE的组合，资源里给出的训练脚本正是这个思路：

def dice_loss(pred, target, smooth=1.0): # pred 是 sigmoid 之后的概率图，target 是 0/1 标签 pred = pred.reshape(pred.size(0), -1) target = target.reshape(target.size(0), -1) intersection = (pred * target).sum(dim=1) union = pred.sum(dim=1) + target.sum(dim=1) dice = (2.0 * intersection + smooth) / (union + smooth) return 1.0 - dice.mean()

逻辑说明：把概率图和标签拉成二维，按batch内每个样本独立计算Dice系数，再对batch取平均。加平滑系数避免前景目标为空时除零。Dice Loss直接优化分割任务关心的交并指标，对小目标比逐像素交叉熵更友好。实际训练时常见的做法是把Dice Loss和BCE按1:1加权，既保留像素级梯度，又让模型关注区域重叠度。

3.3 训练参数速查表与调整方法

参数说明里值得强调两个点。batch_size不要为了追求稳定而开太大，LITS切片里肿瘤区域小，大batch会让少数含肿瘤的切片被大量背景切片稀释，梯度方向偏向背景；我一般用8到16，配合normalization效果更稳。学习率用AdamW配cosine衰减是现在的主流组合，前20轮保持较高学习率让模型快速看到肝脏轮廓，后面逐渐降低让边界精细收敛。如果发现loss曲线中期开始震荡，优先检查学习率是否过高而不是盲目调模型结构。

训练时的显存管理可以提一下：如果单卡显存只有8G，把batch_size降到4，同时把输入尺寸缩到224。如果还是溢出，在Dataset里加入随机裁剪到192，而不是用全局缩放，这样能保留更多局部细节。

4. LITS分割训练与验证中的常见问题排查：五个实际翻车点

训练这套模型过程中最容易翻车的不是模型本身，而是数据配准和评估方式。下面这几个问题我都在实际运行里踩过，每一条都按现象、原因、解决写清楚。

4.1 切片后图像和标签错位，loss卡住不动

现象：训练loss从初始值下降到0.6左右就再也不动，验证集Dice始终在0.1上下徘徊，预测结果几乎全是背景，偶尔输出一些无意义的散点。

原因：预处理时读取体数据和标签分别用了两个文件列表，其中一个按文件名排序时混入了其他病例，导致某几个case的volume切片对应的是另一份label。神经网络对错位样本的拟合能力有限，模型最终学到的是“不管输入是什么都输出背景”。

解决：强制在读取阶段打印每个病例的shape并做assert。我当时在process_case里加了一行断言，shape不一致直接报错退出，同时把volume和label放进同一个case目录，杜绝跨目录配对。另一个做法是读完后随机抽三层做可视化叠加，肉眼确认边界位置重合再进入训练。从那以后我每次换数据集都会先跑这个检查。

4.2 数据增强导致标签平移错位

现象：训练loss能下降，但验证集Dice出现周期性的暴跌，每训练十几轮就掉一次，然后恢复，看起来像“抽风”。

原因：增强模块里使用了随机平移和旋转，但写成先变换图像再变换标签，两次变换的随机参数不是同一组，标签并没有跟着图像移动。模型时而看到正确样本时而看到错位样本，表现就是验证指标周期性波动。

解决：把所有增强函数封装成一个类，图像和标签在同一个随机状态context下变换。最简单的办法是先生成旋转矩阵或平移量，再对图像和标签分别调用相同的变换参数。做不到统一参数就只保留水平翻转这种天然对齐的增强，宁少勿错。

4.3 Dice Loss训练震荡，小目标切片上梯度不稳

现象：验证loss曲线像锯齿，每个epoch差异很大，但最终平均Dice尚可。训练到后期，含肿瘤面积很小的切片预测结果频繁在“全背景”和“小碎块”之间切换。

原因：Dice Loss在小目标上梯度变化剧烈。肿瘤只占切片不到5%像素时，预测概率稍有波动，Dice值就会大幅变化，梯度幅度不稳定。叠加BCE能缓解，但对占比极小的目标仍然敏感。

解决：改用Focal Loss和Dice Loss的组合，Focal Loss通过调制因子降低易分样本的梯度权重，让模型把注意力放在难分的小肿瘤区域。另一个可行做法是过滤掉完全没有肿瘤的纯背景切片，让训练集里含肿瘤切片占比保持在30%以上，避免模型被背景淹没。我当时过滤后训练稳定性明显提升。

4.4 按切片划分训练验证集，导致Dice虚高

现象：训练完模型验证集Dice高达0.93，部署到新CT数据上却只有0.75，差距大到没法解释。

原因：同一病例的相邻切片极其相似，相邻层之间只有细微解剖变化，如果随机划分把同一病例的切片同时放进训练集和验证集，模型等于见过验证样本的“邻居”，Dice虚高是典型的过度乐观评估。

解决：按病例划分而不是按切片划分，即一个case的所有切片要么全在训练集、要么全在验证集。资源里的数据划分脚本默认就是这个逻辑，但如果你自己重写了划分逻辑，务必保留按case划分。评估时按病例分别报告Dice，最终取均值，这样得到的是可上线的真实指标。

4.5 输出阈值固定0.5，小病灶被切碎

现象：预测结果里肿瘤区域有大量空洞，肉眼看到的是密密麻麻的碎点，边缘锯齿感很强，形态学上看起来不像真实病灶。

原因：模型的概率图在边界处是模糊过渡带，简单用0.5一刀切会把一些低置信度的边界区域丢掉；同时LITS原图里的肿瘤常伴随坏死区域，内部灰度不均导致预测概率出现空洞。

解决：先用验证集做阈值扫描，分别计算0.4到0.6之间的Dice，选最优阈值。然后在预测图上做形态学后处理：先用最大连通域保留主病灶，再用闭运算填补内部空洞。这个操作不是造假，而是把模型输出整理成符合临床标注习惯的结果，资源里训练结果文件的预测后处理部分就是这么干的。

这四个坑本质都是“数据没对齐、评估太乐观、小目标难收敛”。遇到验证指标和直觉不符时，先怀疑数据划分和配准，再怀疑模型结构。Unet本身很成熟，问题通常不在网络结构上。

5. 用训练结果文件验证分割效果：Dice统计与可视化双确认

代码包里的训练结果文件就是best_model.pth。加载它跑一遍验证集，我习惯同时输出两个东西：按病例统计的Dice表格和预测可视化叠加图，只有两者都对上，我才敢说模型真的训出来了。

import torch import numpy as np import matplotlib.pyplot as plt from torch.utils.data import DataLoader device = torch.device('cuda') model = UNet().to(device) model.load_state_dict(torch.load('best_model.pth')) dataset = LiverSliceDataset('./data/slices', augment=False) loader = DataLoader(dataset, batch_size=8, shuffle=False) all_dice = [] for img, lab in loader: with torch.no_grad(): pred = torch.sigmoid(model(img.to(device))).cpu() pred_bin = (pred > 0.45).float() inter = (pred_bin * lab.float()).sum(dim=(1, 2)) union = pred_bin.sum(dim=(1, 2)) + lab.float().sum(dim=(1, 2)) dice = (2 * inter + 1e-6) / (union + 1e-6) all_dice.extend(dice.numpy()) print(f"mean Dice: {np.mean(all_dice):.3f}")

逻辑说明：从最优训练结果文件加载模型权重，关闭梯度做推理，用0.45作为分割阈值。Dice计算直接按像素交并集统计，最后打印全局平均。这个数字单独看没有意义，配合下面可视化才有说服力。

def visualize_case(img, lab, pred_bin, idx): plt.figure(figsize=(12, 4)) plt.subplot(1, 3, 1) plt.imshow(img.squeeze(), cmap='gray') plt.title('CT Slice') plt.subplot(1, 3, 2) plt.imshow(lab.squeeze(), cmap='jet') plt.title('Ground Truth') plt.subplot(1, 3, 3) plt.imshow(pred_bin.squeeze(), cmap='jet') plt.title('Prediction') plt.savefig(f'result_{idx}.png', dpi=150)

逻辑说明：把原始切片、标注、预测图并排输出，每张图单独命名保存。看可视化时重点关注三件事：预测边缘是否贴着肝脏外轮廓、肿瘤内部是否有大面积空洞、小病灶层是否漏检。如果Dice均值高但可视化里大病灶形态明显不对，说明模型是“碰运气”高的，需要回查数据泄漏或后处理问题。

最后一招是形态学后处理。用scipy.ndimage的binary_opening去掉碎点，再binary_closing填补肿瘤内部空洞，然后重新计算Dice。通常这一步能提升一到两个百分点的Dice，更重要的是让分割结果更接近标注风格，后续如果要接三维重建或者体积计算，这一步不能省。

这套验证流程走完，我基本敢确定模型是真的会分割了。不过第一次拿到训练结果文件时，我直接跑了个平均Dice就以为万事大吉，后来部署到新数据才知道虚高有多坑。从那以后我每次训完分割模型，都强制走一遍“按病例统计Dice + 可视化抽样”的流程，眼睛确认过的边，比数字更能说明问题。希望这份拆解能帮你把这套资源跑得顺畅，少在数据配准和评估上走弯路。

本文还有配套的精品资源，点击获取