简介这套医学图像分割数据集面向腹部14器官分割任务基于BTCV公开数据生成包含轴位面、冠状面、矢状面三个切面的2D切片图像及对应标签。切片时剔除了ROI不足3%的样本原始CT图像通过windowing做对比度拉伸并统一缩放到512×512可直接用于训练医学分割网络。数据包共包含约2000个文件压缩后大小854.92MB其中1998张PNG图片存储原始切片与mask另有1个Python脚本提供可视化功能1个JSON文件记录类别编号与名称背景为0另含脾脏、左右肾、胆囊、食道、肝脏、胃、主动脉、下腔静脉、门静脉和脾静脉、胰腺、左右肾上腺等13类器官方便二次开发与标准数据格式转换。按切面划分x轴有1141张、y轴有5691张、z轴有6811张合计覆盖上述14个器官类别。该数据集适合医学图像处理初学者及科研人员作为标准切片数据用于开展分割算法对比、数据增强研究或课程设计。目前已有1290人学习下载压缩包和代码结构清晰便于快速上手实践。1. 腹部14器官BTCV数据不是拿来就能用的切面、方向、标签对齐三步能劝退八成新手提到医学图像分割很多人的第一个数据集不是BraTS就是BTCV。BTCV全称Beyond the Cranial Vault来自MICCAI 2015年的腹部多器官分割挑战赛一张CT里要分出14个器官是继肝脏、胰腺等单器官任务之后最早把“多器官、多类别、全腹部”摆上台面的公开数据集之一。标题里的“3个切面的切片数据”指的是把三维CT分别沿轴状面、冠状面、矢状面切成的2D切片配合标签文件和可视化代码确实能让一个入门项目在两三天内跑起来。但不少人解压完数据就卡住了NIfTI文件怎么读、标签值为什么从0到13、切出来的轴状面为什么是倒的、叠加可视化为什么对不齐。这篇就把从原始NIfTI到三切面切片、到可视化、再到训练集划分的完整路径走一遍适合理清数据组织的从业者也适合想自查数据pipeline里哪个环节是黑匣子的人。2. 认识BTCV数据集的真实结构NIfTI体积、14个器官标签、三个切面的切片数量怎么算2.1 BTCV是什么、里面有哪些文件、每个文件是什么格式BTCV的官方训练数据是20例腹部CT每例包含一个原始CT体积和一个对应的标签体积均为NIfTI格式后缀通常是.nii.gz。原始CT是三维数组shape一般接近(512, 512, 200~400)第三个维度是Z轴方向层数因扫描范围而异。标签文件与原始CT一一对应每个体素的值是0到13的整数0代表背景1到13分别代表脾脏、右肾、左肾、胆囊、食管、肝脏、胃、主动脉、下腔静脉、胰腺、右肾上腺、左肾上腺、十二指肠、膀胱。这个数据组织方式在医学图像分割里很典型不是一张一张2D图而是整卷3D数据加同尺寸的3D标注。很多第一次接触的人会误以为“切片数据”是现成2D图解压后才发现要自己切。实际上官方并没有直接发布三个切面的2D切片标题里说的“3个切面的切片数据”通常是社区或第三方脚本整理的产物也可能是标题作者自己切好的一份增强数据。所以拿到手后第一件事是确认这份切片数据是从哪个切面切、图片尺寸是多少、是否还保留原始间距信息。常见文件清单如下表文件格式内容img0001.nii.gzNIfTI原始腹部CT值域为HU亨斯菲尔德单位范围常为-1024到3000label0001.nii.gzNIfTI与CT同shape的逐体素类别标注值域0-13某个可视化脚本.pyPython通常用SimpleITK/Matplotlib读取并叠加显示不少从百度盘或GitHub Release下载的BTCV压缩包里还会带一份dataset.json或info.txt记录spacing和器官名称列表。这一步别跳过先读一遍标签值和spacing能省掉后面好几个排查时间。2.2 体素、origin、spacing、affine读切片前必须先搞清楚四个概念用nibabel读NIfTI时你会得到一个三维数组但数组的索引顺序并不直接等于解剖方向。数组的shape是(512, 512, 200)只能说明第一个维度有512个体素、第二个维度有512个体素不能说明第一个维度是左右还是前后方向。真正决定方向的是header里的affine矩阵。affine是4x4矩阵作用是把体素索引坐标(i, j, k)映射到病人坐标系下的世界坐标(x, y, z)单位是毫米。origin是第一个体素中心的世界坐标spacing是每个体素的大小通常用header.get_zooms()获取。这三个字段共同决定“在体素空间里沿某个轴切一刀切出来的面是轴状面、冠状面还是矢状面”。判断方向的标准做法是看affine方向余弦在nibabel里一行代码就能拿到import nibabel as nib nii nib.load(img/img0001.nii.gz) codes nib.aff2axcodes(nii.affine) print(codes) # 例如 (R, A, S)aff2axcodes返回三个字母分别对应数组的axis0、axis1、axis2在病人坐标系中的方向。(R, A, S)表示axis0沿左右方向、axis1沿前后方向、axis2沿上下方向。方向字母和切面的对应关系是固定的垂直于上下的切面是轴状面axial垂直于前后的切面是冠状面coronal垂直于左右的切面是矢状面sagittal。如果不做这一步直接按数字轴切翻车概率极高。2.3 三切面切片总量估算一例能切出多少张图切片数量等于体积在对应维度上的层数。假设一例CT的shape是(512, 512, 250)那么沿axis2通常是S/I方向切得到250张轴状面切片每张是512×512沿axis0切得到512张矢状面切片每张是512×250沿axis1切得到512张冠状面切片每张是512×250。三切面加起来大约1274张一例数据能生产这个数量级的2D切片。20例带标签的数据全部切完通常在2万到4万张之间取决于每例Z轴层数。这个量对2D U-Net或DeepLabV3这类模型来说已经足够做预训练和fine-tune。要提醒的是三切面切片不能简单堆在一起当独立样本用因为同一张CT切出来的轴状面切片在空间上彼此相邻如果train/val不分病例模型会在相邻切片之间“作弊”验证指标虚高这个放到第4章细说。3. 用Python读取原始CT和标签文件方向对齐、三切面切片与可视化代码3.1 环境准备与文件载入处理NIfTI最常用的三个库是nibabel、SimpleITK和numpy。nibabel轻量适合快速读数组和affineSimpleITK功能全适合做重采样和方向校正可视化用matplotlib加scipy就够了。安装命令一行搞定pip install nibabel simpleitk numpy scipy matplotlib读入并检查shape、spacing、方向import nibabel as nib import numpy as np img_nii nib.load(img/img0001.nii.gz) lab_nii nib.load(label/label0001.nii.gz) img img_nii.get_fdata().astype(np.float32) lab lab_nii.get_fdata().astype(np.uint8) print(img shape:, img.shape, spacing:, img_nii.header.get_zooms()) print(lab shape:, lab.shape, label values:, np.unique(lab)) print(affine codes:, nib.aff2axcodes(img_nii.affine))这里的img_nii.affine是原始CT的坐标映射矩阵label通常与img共用同一个坐标系所以affine可以直接复用。打印出来的label values如果是[0, 1, 2, ..., 13]说明标签文件完整如果只有[0, 1]说明这份标签被二值化过14器官任务做不了需要重新下载原始标签。3.2 判断图像方向、按解剖轴切三切面有了方向码就可以写一个函数让切面不依赖数组轴序号而是依赖解剖方向。这样即使换一个病例、方向码变成(S, A, L)之类代码依然正确def get_plane_axis(codes): 把方向码映射到具体解剖切面返回每个axis对应的切面名 plane_map { R: sagittal, L: sagittal, A: coronal, P: coronal, S: axial, I: axial } return [plane_map[c] for c in codes] codes nib.aff2axcodes(img_nii.affine) axis_to_plane get_plane_axis(codes) print(axis_to_plane) # 例如 [sagittal, coronal, axial]这段代码是切三切面的前置条件。它把affine方向码翻译成直观的切面名之后要切哪个面先找出对应axis再沿该轴索引切片。很多现成脚本直接写“沿axis2切”在别的数据集上往往当场出错原因就是没做这一层翻译。切片提取函数如下import os import numpy as np def extract_slices(img_vol, lab_vol, axis, save_dir, subject_id, plane_name): 沿指定axis切分3D体积保存每个切片的img和label为npy os.makedirs(f{save_dir}/{plane_name}/img, exist_okTrue) os.makedirs(f{save_dir}/{plane_name}/label, exist_okTrue) n_slices img_vol.shape[axis] for idx in range(n_slices): # 按axis切取2D切片 if axis 0: img_slice img_vol[idx, :, :] lab_slice lab_vol[idx, :, :] elif axis 1: img_slice img_vol[:, idx, :] lab_slice lab_vol[:, idx, :] else: img_slice img_vol[:, :, idx] lab_slice lab_vol[:, :, idx] np.save(f{save_dir}/{plane_name}/img/{subject_id}_{plane_name}_{idx:04d}.npy, img_slice) np.save(f{save_dir}/{plane_name}/label/{subject_id}_{plane_name}_{idx:04d}.npy, lab_slice)参数说明axis是沿第几维切由前面的axis_to_plane查表得到subject_id建议用img0001这样的原始文件前缀保持和源数据对应idx补零到四位方便字典序排序时切片顺序不乱。npy格式读取快代价是文件体积比nii.gz略大但对2D训练已经够用。如果磁盘紧张可以改用np.savez_compressed打包但训练时要多一步解包IO会变慢。3.3 窗宽窗位显示与标签轮廓叠加的可视化代码CT原图是HU值范围接近-1024到3000直接imshow只能看到一片黑或一片白。腹部CT的常规窗宽窗位是窗位40、窗宽350到400也就是把-135到215 HU之间的组织映射到0到255。可视化前先做windowing这一步是医学图像分割里最常见的“看图”前处理。import matplotlib.pyplot as plt from scipy import ndimage def windowing(img_slice, wc40, ww350): CT窗宽窗位把[wc-ww/2, wcww/2]映射到[0,1] lower wc - ww / 2.0 upper wc ww / 2.0 img_slice np.clip(img_slice, lower, upper) return (img_slice - lower) / (upper - lower) def show_overlay(img_slice, lab_slice, organ_id6): 显示CT切片并用红色轮廓标出指定器官默认6肝脏 img_disp windowing(img_slice) # 用sobel梯度找label边界得到轮廓mask organ_mask (lab_slice organ_id).astype(np.float32) edge ndimage.sobel(organ_mask) ! 0 plt.figure(figsize(8, 8)) plt.imshow(img_disp, cmapgray, originlower) if edge.any(): plt.contour(organ_mask, levels[0.5], colorsr, linewidths0.8) plt.axis(off) plt.title(forgan_id{organ_id}) plt.show()windowingt函数的wc和ww参数是核心wc是窗位表示显示范围的中间值ww是窗宽表示显示范围的总宽度。腹部CT看肝脏40/350是起步值如果看骨骼窗位可以拉到400、窗宽1500以上。visualization代码里originlower非常重要NIfTI的S/I轴在matplotlib里需要根据affine方向决定是否翻转否则会出现上下颠倒的图。更稳健的做法是先做一次方向标准化把图像重采样到RAS方向这样所有切片的显示方向就完全统一了第5章避坑部分会展开讲。3.4 把切片存盘一个能直接喂给训练脚本的目录结构三切面切片全部导出后推荐目录结构如下btcv_slices/ ├── axial/ │ ├── img/ │ └── label/ ├── coronal/ │ ├── img/ │ └── label/ └── sagittal/ ├── img/ └── label/每个plane下面分img和label两个目录文件名保持一致前缀训练时通过replace(img, label)或共同前缀找到对应标签省去额外维护映射表。切完先随机抽20张图看一眼重点确认器官轮廓是否对齐、方向是否一致、小器官如胆囊和十二指肠是否有出现。这一步不检查直接开训练是后面一切“模型不收敛”的源头。4. 把BTCV三切面切片整理成训练集命名规则、归一化与按病例划分4.1 目录和命名规则让后续训练脚本少写三个if三切面切片如果只按org目录放训练时要么写一堆路径判断要么全部混在一个文件夹里。更省心的做法是把切面信息写进文件名训练脚本用前缀过滤即可。# 推荐命名规则subjectId_plane_index.npy # 例如img0001_axial_0001.npy、img0001_coronal_0100.npy一个实际可用的整理脚本片段#!/bin/bash # 把导出的npy按 train/val/test 复制到统一目录 # 这里只用bash做文件布局划分逻辑见4.3 for plane in axial coronal sagittal; do for split in train val test; do mkdir -p data/$split/images data/$split/labels done done整理成这个结构后一个PyTorch Dataset类只需要按文件名前缀识别切面三行代码就能完成三个切面的加载和混合。文件名里带subjectId是硬性要求第4.3节会说明为什么不能把切片当成独立样本打乱。4.2 CT数值处理窗宽窗位、Clip、Z-Score怎么选NIfTI里的CT数值是真实的HU值直接除以255或整体做min-max归一化都是错误做法。常见且可靠的处理流程分两步先做离群值裁剪再做归一化。def process_ct_slice(img_slice, modeminmax, wc40, ww350): CT切片预处理windowing后用minmax或zscore归一化 # 第一步裁剪到窗宽窗位范围腹部软组织起始点 lower wc - ww / 2.0 upper wc ww / 2.0 img_slice np.clip(img_slice, lower, upper) if mode minmax: # 线性缩放到[0,1]保留相对对比度 return (img_slice - lower) / (upper - lower) elif mode zscore: # 先裁剪到[-200, 400]再z-score用全局统计量避免单切片统计偏移 img_slice np.clip(img_slice, -200, 400) mean img_slice.mean() std img_slice.std() 1e-6 return (img_slice - mean) / stdmode参数选择会直接影响训练效果。minmax适合2D模型简单且稳定缺点是所有切片都被拉伸到同一对比度原图像间的HU差异被抹平。zscore适合3D模型或跨数据集迁移因为它保留了每个case内部的数值分布特征。我的习惯是单数据集2D训练用minmax多数据集合并或3D网络用zscore。clip的上下界根据任务器官调整腹部软组织一般用-200到400如果包含骨骼和钙化区上界要放到1000以上。4.3 划分数据集一个病人同一时间只能出现在一个集合里三切面切出来的切片不是独立样本。同一例CT的相邻切片之间高度相似同一个器官在连续10张切片里几乎同样形状只是位置平滑移动。如果按“所有切片随机打乱”划分train和val同一个病例的同一器官切片会同时出现在训练集和验证集模型记住形状就能拿高分验证指标完全失去意义。正确的做法是严格按subject划分import os import random from collections import defaultdict # 从文件名解析subject_id例如 img0001_axial_0000.npy - img0001 all_files sorted(os.listdir(btcv_slices/axial/img)) subject_map defaultdict(list) for f in all_files: subject_id f.split(_)[0] subject_map[subject_id].append(f) subjects list(subject_map.keys()) random.seed(42) random.shuffle(subjects) n_train int(len(subjects) * 0.8) n_val int(len(subjects) * 0.1) train_subjects set(subjects[:n_train]) val_subjects set(subjects[n_train:n_train n_val]) test_subjects set(subjects[n_train n_val:])划分完成后遍历每个subject的切片文件按subject归属移动到train/val/test对应的目录。20例数据的常见比例是16例训练、2例验证、2例测试。如果项目对泛化性要求高可以改成14/3/3。还有更严格的做法是保证三个切面同时进入同一个split比如“img0001的axial、coronal、sagittal全部进train”而不是“axial进traincoronal进val”。后者虽然按subject无泄漏但cross-plane验证往往比cross-subject更严格能暴露模型对切面方向过拟合的问题。5. BTCV避坑记录方向翻转、标签错位、切面混淆五个踩过的坑5.1 坑1图像和标签叠加后器官轮廓错位现象用matplotlib把CT切片和label轮廓叠加显示肝脏边缘和CT里的实际肝脏边界差了十几个像素看起来像“有一层描边没贴住”。原因最常见是两处。一是导出的label和img来自不同版本的文件比如img是预处理后的resampled版本label还是原始spacing两者的shape或affine不一致二是同一份数据里label的affine头信息丢了导致读取时被nibabel自动当成单位矩阵坐标系全部错位。解决加载后第一时间对比img和label的shape与affine。如果shape不一致把label用SimpleITK重采样到img的spacing。重采样的方法在医学图像分割里是标准操作import SimpleITK as sitk img_sitk sitk.ReadImage(img/img0001.nii.gz) lab_sitk sitk.ReadImage(label/label0001.nii.gz) # Resample标签到图像空间 resampler sitk.ResampleImageFilter() resampler.SetReferenceImage(img_sitk) resampler.SetInterpolator(sitk.sitkNearestNeighbor) # 标签必须用最近邻 lab_resampled resampler.Execute(lab_sitk) sitk.WriteImage(lab_resampled, label/img0001_resampled.nii.gz)唯一需要盯死的是interpolator必须用sitkNearestNeighbor。标签是离散类别用线性插值会出现12.5这种数值直接污染类别分布。这一点是血泪经验很多人栽在这里。5.2 坑2切片导出来是镜像的横着的肝脏变成竖着的现象轴状面切片显示出来病人脊柱在图像右侧临床上本应在左侧或者肝脏的左右叶位置对调。原因NIfTI的affine方向码不是固定的。有些病例是(R, A, S)有些可能做过方向归一化变成(L, A, S)。直接按数组索引取切片再用matplotlib的默认origin显示图像上下或左右就可能是反的。解决不依赖肉眼判断统一在读取后做方向归一化。neuroimaging社区有成熟做法用nibabel的as_closest_canonical把图像重排到RAS坐标系import nibabel as nib img_nii nib.load(img/img0001.nii.gz) img_nii nib.as_closest_canonical(img_nii) # 重排到RAS方向 img img_nii.get_fdata().astype(np.float32)重排之后axis0的方向码统一为Raxis1统一为Aaxis2统一为S所有病例的切片显示方向完全一致。代价是多一次数组转置对训练影响很小。习惯上我建议所有NIfTI数据进来第一步就做canonical重排后续代码就不用处理各种方向特例能省掉一大批玄学bug。5.3 坑3以为自己切的是轴状面实际是冠状面现象切完保存了300多张“轴状面”切片打开一看每张是竖长的图能看到冠状面的特征解剖结构怎么看怎么别扭。原因代码直接沿axis2切默认axis2一定是S/I方向。但NIfTI的spatial dimensions顺序并不固定shape可能是(512, 512, 250)axis2恰好是S/I如果遇到一个(512, 250, 512)的病例axis2就不是上下方向了。解决用第3章的get_plane_axis函数或者至少在切片前打印aff2axcodes结果。推荐做法是写一个switch语句按方向码而不是轴序号切plane_axis { axial: codes.index(S) if S in codes else codes.index(I), coronal: codes.index(A) if A in codes else codes.index(P), sagittal: codes.index(R) if R in codes else codes.index(L), }这个字典的含义是要切轴状面先找到方向码为S或I的轴沿那个轴切。这样写虽然多几行代码但换数据集、换病例都不会再出现“切面搞混”的问题。遇到方向码缺失的极端情况比如某些重采样后的文件方向被抹掉打印affine矩阵检查前三个元素是否清晰必要时直接弃用该文件。5.4 坑4标签像素值理解错了调色板全乱现象显示label切片时所有器官一个颜色或者肝脏显示成红色而肾脏显示成绿色和论文里的渲染图完全对不上。原因标签不是单通道二值图而是0-13的类别索引。pytorch训练时如果用CrossEntropyLoss类别索引就是网络输出通道索引不能随便改。可视化时如果用了默认的viridis或其他连续colormap类别间颜色过渡会被当成连续值显示小器官几乎看不出边界。解决先跑一行np.unique(lab, return_countsTrue)确认标签值域再给14个器官定义固定的离散调色板。推荐做法organ_colors { 1: blue, 2: green, 3: lime, 4: yellow, 5: brown, 6: red, 7: orange, 8: purple, 9: pink, 10: tan, 11: cyan, 12: magenta, 13: gray, 14: black }可视化时逐类画轮廓不要一次性contour整个label图。另外要特别留意类别不均衡十二指肠、胆囊、肾上腺这类小器官的体素数可能只有肝脏的几十分之一。看一眼类别频率统计大概率发现某几个器官只有几百个体素这类器官在2D切片里出现的频率低训练时需要针对性做过采样。5.5 坑5为了省显存暴力缩放胆管十二指肠直接消失现象一腔热血把512×512切片缩放到224×224准备训U-Net跑了50个epochDice在肝脏、脾脏上到0.9胆囊和十二指肠却只有0.1-0.2怎么调学习率都没用。原因BTCV里的21个器官大小差异巨大。胆囊在切片里可能只有20×30个像素缩放两次后只剩约10个像素十二指肠更小缩放到224后基本淹没在背景里。这是分辨率破坏导致的典型问题。解决不要对整张切片做线性缩放改用patient-based patch sampling。标准做法是保留原图512×512分辨率训练时在每个epoch随机裁剪192×192或224×224的patch这样小器官的像素规模没有变化模型有概率学到它们。如果显存实在不够退而求其次用RandomResizedCrop让裁剪框的尺寸在0.5到1.0倍原图之间随机变化保证小器官至少在某些迭代里保持较高分辨率。另一个容易忽略的点是标签也要用相同插值策略做缩放连续插值会制造非整数类别nearest插值又会丢失小器官所以“暴力缩放”是从数据集准备阶段就无法挽救的操作一开始就别走这条路。6. 进阶技巧三维体渲染检查整个label顺手验证分割边界质量6.1 用pyvista加载体数据一秒钟看出哪个器官丢了三切面切片检查只能看到单张图14个器官的完整标注质量最好在三维体积里检查。打开一个Jupyter Notebook用pyvista直接渲染label体积import pyvista as pv import nibabel as nib import numpy as np lab_nii nib.load(label/label0001.nii.gz) lab lab_nii.get_fdata().astype(np.uint8) # pyvista需要F-order数组先做一次转置 vol pv.wrap(np.asfortranarray(lab.transpose(2, 1, 0))) plotter pv.Plotter(off_screenFalse) plotter.add_volume(vol, cmapglasbey, opacitylinear) plotter.show()这段代码的意义不是炫技而是在训练前用0.5秒确认脾脏、肝脏、双肾这些大器官的标注是否完整有没有哪一例在某个Z层范围整体丢失。三维转置的原因有两个一是nibabel读出来是C-order数组pyvista要求F-order二是NIfTI轴的顺序和pyvista的渲染轴不同转置后解剖方向才正确。opacity一词具体含义是体渲染的透明度linear会让高密度区域更不透明适合快速看整体轮廓。如果某个器官三维显示有空洞或断层说明原始标注质量存疑训练前就该决定是修还是弃。6.2 边界F1三切面标注质量的一个更严格的量化指标三维体渲染只能定性看要定量判断切出来的三切面标注是否一致我常用的指标是边界F1。它不是按像素算Dice而是先提取器官边界再算边界像素的precision和recallfrom scipy import ndimage from sklearn.metrics import precision_recall_fscore_support def boundary_f1(lab_pred, lab_true, organ_id): pred_boundary ndimage.sobel((lab_pred organ_id).astype(float)) ! 0 true_boundary ndimage.sobel((lab_true organ_id).astype(float)) ! 0 pred_flat pred_boundary.ravel() true_flat true_boundary.ravel() _, _, f1, _ precision_recall_fscore_support(true_flat, pred_flat, averagebinary) return f1边界F1的价值在于它比像素Dice更敏感于“标注边缘是否齐整”也更容易暴露三切面数据之间的人工标注误差。如果100张连续轴状面切片的边界F1波动超过0.3说明人工标注在这段区间存在明显跳变这种数据喂给模型会让分割边界学得毛毛糙糙。我现在的习惯是拿到BTCV这类多器官数据先做canonical方向归一化再按三切面切好然后抽8到10个病例做三维体渲染和边界F1检查全部通过才会开始训练。这套流程帮我在多个医学图像分割项目上避开了“训练几天、换数据重来”的后悔药环节希望帮到你。本文还有配套的精品资源点击获取