简介这份资源面向医学影像处理与深度学习入门者提供一套基于Python的肝癌影像AI诊断完整代码框架帮助读者理解从数据预处理到模型训练的全流程。包内共7个文件以4个py脚本为主涵盖数据读取、预处理、模型定义与训练入口另附2个txt说明和1个md文档压缩包仅8KB轻量易取。环境基于x64 Linux与Anaconda3、Python3.6需安装TensorFlow 1.8.0及MedPy、nibabel、SimpleITK、scikit-image等医学影像与科学计算库GPU机器可选用tensorflow-gpu版本其余依赖通过pip安装。已有37人学习适合希望快速搭建肝癌影像诊断实验、对照代码理解数据管线与模型结构的读者参考。1. 从一份肝癌影像 AI 诊断包说起它到底能跑出什么结果如果你手头正好有一批腹部增强 CT 的 NIfTI 序列又不想从零搭一套肝脏肿瘤分割的训练框架那这份「大数据医疗-肝癌影像AI诊断」压缩包值得先拆开看一眼。它不是一个空壳 Demo里面直接给了preprocess.py、dataset.py、model.py、train.py四个核心脚本外加标签.txt和README.md构成了一条从原始影像到模型训练的完整链路。换句话说它解决的是「医学影像深度学习入门到能跑通」这一段最磨人的工程问题——数据怎么读、标签怎么对、网络怎么搭、训练怎么启动全都落在代码里。这套东西适合两类人一类是做智慧医疗、医学影像方向的大数据毕业设计或课程设计的学生需要一份能复现、能改、能写进论文的基线代码另一类是从普通 CV 转医学影像的工程师想搞清楚 NIfTI 格式、SimpleITK 读取、MedPy 评估这些和自然图像完全不同的处理逻辑。它不负责帮你拿到数据也不承诺诊断精度它给的是一套可运行的方法论骨架。下面我按实际拆包顺序把环境、预处理、模型、训练和踩坑点逐个讲透。2. 环境搭建Anaconda3 TensorFlow 1.8 的版本锁定逻辑2.1 为什么这份代码必须锁死在 Python 3.6 和 TF 1.8先说结论这套代码的依赖版本不是随便写的是 TensorFlow 1.x 时代医学影像项目的典型配置。摘要里明确要求 Anaconda3 Python 3.6第三方库给了一长串精确版本号其中tensorflow (1.8.0)、SimpleITK (1.2.0)、MedPy (0.4.0)、nibabel (2.1.0)是四个关键锚点。TF 1.8 属于 1.x 中期版本tf.Session、tf.placeholder、tf.data.Dataset的早期 API 都还在而 2.x 默认 eager execution 会直接把model.py里的图构建逻辑冲掉。SimpleITK 和 nibabel 负责读 NIfTIMedPy 负责计算 Hausdorff 距离、Dice 系数这类分割评估指标版本错一个函数签名就可能对不上。我一般会先建独立环境避免和机器上已有的 TF 2.x 打架。命令如下# 创建 Python 3.6 独立环境命名建议带项目标识 conda create -n liver_ai python3.6 conda activate liver_ai # 安装 TensorFlow 1.8.0有 Nvidia GPU 选 gpu 版否则 cpu 版 # Anaconda 会自动处理 CUDA、CUDNN、MKL 等底层依赖 conda install tensorflow-gpu1.8.0 # 无 GPU 时改用conda install tensorflow-cpu1.8.0这里有个参数细节tensorflow-gpu1.8.0和tensorflow-cpu1.8.0是 Anaconda 渠道的包名和 pip 的tensorflow1.8.0不是一回事。用 conda 装的好处是 CUDA 和 CUDNN 版本自动匹配省去手动编译的麻烦。装完后用python -c import tensorflow as tf; print(tf.__version__)验证输出1.8.0才算过。2.2 其余第三方库的 pip 安装与版本核对TF 装好后剩下的库走 pip摘要里给了一条被截断的命令pip install -i https:/完整写法应该是指定国内镜像源加速。我按摘要列出的版本逐个装# 使用清华镜像源批量安装版本号严格对齐摘要 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple \ matplotlib3.0.2 \ MedPy0.4.0 \ nibabel2.1.0 \ numpy1.14.2 \ opencv-python4.0.0.21 \ pandas0.24.1 \ Pillow5.4.1 \ psutil5.5.1 \ scikit-image0.14.2 \ scikit-learn0.20.2 \ scipy1.2.1 \ SimpleITK1.2.0 \ tensorboard1.8.0逻辑说明numpy1.14.2是 TF 1.8 的兼容版本装高了会出现FutureWarning甚至 ABI 不兼容opencv-python4.0.0.21用于图像 resize 和格式转换psutil在train.py里通常用来监控内存占用。装完后建议跑一遍pip check看有没有依赖冲突。如果机器是 Windows注意 SimpleITK 和 MedPy 的 wheel 包在 Python 3.6 下都有对应版本不需要编译。提示如果 conda 装 TF 时卡在 solving environment可以改用pip install tensorflow-gpu1.8.0但需要自己确认 CUDA 9.0 cuDNN 7 已就位这一步比 conda 麻烦新手优先走 conda。3. 数据预处理preprocess.py 里的 NIfTI 读取与标签对齐3.1 NIfTI 格式与 HU 值窗宽窗位处理医学影像和普通 PNG/JPG 最大的区别在于CT 序列存的是 HUHounsfield Unit值范围通常在 -1024 到 3000 之间直接归一化到 0-1 会丢失肝脏和肿瘤的对比度。preprocess.py的核心任务就是把 NIfTI 读进来做窗宽窗位截断再重采样到统一尺寸。常见做法是先把 HU 值截断到 [-200, 300] 这个腹部软组织窗口再线性映射到 [0, 1]。这一步不做模型很难收敛这是我踩过的血泪坑。import SimpleITK as sitk import numpy as np def load_nifti(path): 读取 NIfTI 文件返回图像数组和 spacing img sitk.ReadImage(path) arr sitk.GetArrayFromImage(img) # 形状为 (z, y, x) spacing img.GetSpacing() # 物理像素间距用于重采样 return arr, spacing def window_normalize(arr, win_min-200, win_max300): 按腹部软组织窗截断并归一化到 [0,1] arr np.clip(arr, win_min, win_max) arr (arr - win_min) / (win_max - win_min) return arr.astype(np.float32)参数说明win_min和win_max是窗宽窗位的边界肝脏肿瘤增强 CT 常用 -200 到 300如果数据是 MRI 则要换。sitk.GetArrayFromImage返回的轴顺序是 (z, y, x)和 nibabel 的 (x, y, z) 相反混用会导致图像上下颠倒这是新手最容易翻车的地方。3.2 标签.txt 的对应关系与 dataset.py 的加载逻辑标签.txt里存的是每个病例的标签信息通常是文件名和分割掩膜路径的映射。dataset.py负责把预处理后的图像和标签配对做成 TF 能吃的tf.data.Dataset。这里的关键是保证图像和掩膜的切片索引一一对应不能一个按 z 轴排、一个按文件名排。import tensorflow as tf def build_dataset(image_paths, label_paths, batch_size4): 构建 tf.data 数据集图像和标签同步读取 def _load(img_path, lbl_path): img tf.py_func(load_and_preprocess, [img_path], tf.float32) lbl tf.py_func(load_label, [lbl_path], tf.float32) img.set_shape([128, 128, 128]) lbl.set_shape([128, 128, 128]) return img, lbl ds tf.data.Dataset.from_tensor_slices((image_paths, label_paths)) ds ds.map(_load, num_parallel_calls4) ds ds.batch(batch_size).prefetch(2) return ds逻辑说明tf.py_func是 TF 1.x 里调用 Python 函数的桥接方式把 SimpleITK 的读取逻辑包进图里。set_shape必须显式指定否则后续卷积层拿不到固定维度。prefetch(2)让数据加载和 GPU 计算重叠能明显提升吞吐。batch_size4是 3D 分割的常见起点显存不够就降到 2 或 1。注意如果标签.txt里的路径是相对路径dataset.py的工作目录必须是项目根目录否则会报FileNotFoundError。我一般会在脚本开头加os.chdir(os.path.dirname(os.path.abspath(__file__)))强制切到脚本所在目录。4. 模型与训练model.py 网络结构与 train.py 启动参数4.1 model.py 的 3D 分割网络搭建思路model.py里大概率是一个 3D U-Net 或类似的编码器-解码器结构因为肝脏肿瘤分割的标准基线就是 U-Net。3D 版本和 2D 的区别在于卷积核是(3,3,3)池化是 3D 池化参数量翻好几倍。常见做法是编码器用 4 层下采样解码器对称上采样中间加 skip connection 把浅层特征拼回来。import tensorflow as tf def conv3d_block(x, filters, training): 3D 卷积 BN ReLU 的基础块 x tf.layers.conv3d(x, filters, 3, paddingsame, use_biasFalse) x tf.layers.batch_normalization(x, trainingtraining) x tf.nn.relu(x) return x def unet3d(inputs, training, num_classes2): 简化版 3D U-Net输入 (batch, 128,128,128,1) # 编码器 c1 conv3d_block(inputs, 16, training) p1 tf.layers.max_pooling3d(c1, 2, 2) c2 conv3d_block(p1, 32, training) p2 tf.layers.max_pooling3d(c2, 2, 2) # 瓶颈层 c3 conv3d_block(p2, 64, training) # 解码器上采样 skip connection u1 tf.layers.conv3d_transpose(c3, 32, 2, 2) u1 tf.concat([u1, c2], axis-1) c4 conv3d_block(u1, 32, training) u2 tf.layers.conv3d_transpose(c4, 16, 2, 2) u2 tf.concat([u2, c1], axis-1) c5 conv3d_block(u2, 16, training) logits tf.layers.conv3d(c5, num_classes, 1) return logits参数说明filters从 16 起步是为了控制显存3D 网络参数量大32 起步在 128³ 输入下很容易 OOM。training布尔量传给 BN 层训练时为 True推理时为 False。num_classes2表示背景和肿瘤两类如果要做肝脏肿瘤多类分割就改成 3。4.2 train.py 的损失函数、优化器与 TensorBoard 监控train.py是启动入口里面会定义损失函数、优化器和训练循环。医学分割最头疼的是类别不平衡——肿瘤体素占比可能不到 5%纯交叉熵会让模型全预测背景。常见做法是 Dice Loss 或加权交叉熵。摘要里装了tensorboard (1.8.0)说明训练过程有可视化监控。import tensorflow as tf def dice_loss(logits, labels, smooth1e-5): Dice 损失缓解前景背景不平衡 probs tf.nn.softmax(logits, axis-1)[..., 1] labels tf.cast(labels, tf.float32) intersection tf.reduce_sum(probs * labels) union tf.reduce_sum(probs) tf.reduce_sum(labels) dice (2. * intersection smooth) / (union smooth) return 1. - dice # 优化器与训练循环骨架 logits unet3d(images, trainingTrue) loss dice_loss(logits, masks) optimizer tf.train.AdamOptimizer(learning_rate1e-4) train_op optimizer.minimize(loss) # TensorBoard 记录 tf.summary.scalar(dice_loss, loss) merged tf.summary.merge_all()逻辑说明learning_rate1e-4是 3D 分割的稳妥起点太大容易震荡太小收敛慢。AdamOptimizer比 SGD 更适合小批量。TensorBoard 启动命令是tensorboard --logdir./logs然后在浏览器看 loss 曲线。如果 loss 一直不降先检查标签是不是全 0再检查归一化有没有做。提示训练前先用nvidia-smi确认 GPU 显存占用如果 TF 没识别到 GPU会静默回退到 CPU速度差几十倍。日志里出现Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0)才算用上 GPU。5. 避坑与排查五个让训练直接崩掉的常见问题5.1 现象ImportError: libcudart.so.9.0 找不到原因conda 装 TF 1.8 时 CUDA 运行时没装全或者系统里已有其他版本 CUDA 冲突。解决用conda install cudatoolkit9.0 cudnn7显式补上然后确认LD_LIBRARY_PATH包含 conda 环境的 lib 目录。Windows 下则是把 CUDA 的 bin 目录加进 PATH。5.2 现象训练 loss 变成 NaN原因学习率过大或者输入数据里有 NaN/Inf。医学影像里如果 HU 值没截断遇到异常值就会溢出。解决先把学习率降到 1e-5再在preprocess.py里加np.nan_to_num(arr)清洗最后确认窗宽窗位截断生效。5.3 现象Dice 系数一直是 0 或接近 0原因标签和图像没对齐或者标签值不是 0/1 而是 0/255。解决用np.unique(label)打印标签唯一值如果是 255 就除以 255 二值化再用matplotlib把图像和标签叠一起看一眼确认空间位置对得上。5.4 现象显存 OOMbatch_size 降到 1 还报错原因3D 网络在 128³ 输入下参数量太大或者prefetch缓存了太多 batch。解决把输入降到 64³ 先跑通或者改用 patch-based 训练每次只取 64³ 的子块。prefetch(1)也能省一点显存。5.5 现象TensorBoard 打不开或没有曲线原因logdir路径写错或者 summary 没在 session 里 run。解决确认tf.summary.FileWriter的路径和--logdir一致训练循环里每个 epoch 要writer.add_summary(sess.run(merged), step)漏了这一步就什么都没有。6. 进阶技巧用 MedPy 做评估与 patch 推理降显存跑通训练只是第一步真正要写进论文或报告得有量化指标。摘要里装了MedPy (0.4.0)它提供了 Hausdorff 距离和 Dice 系数直接拿来评估分割结果。我一般会在训练脚本外单独写一个evaluate.py加载 checkpoint 后对验证集逐例推理。from medpy.metric.binary import hd95, dc import numpy as np def evaluate_case(pred, gt, spacing): pred/gt 为二值 numpy 数组spacing 为体素物理间距 pred pred.astype(bool) gt gt.astype(bool) dice dc(pred, gt) # hd95 需要 spacing 参数单位是毫米 hausdorff hd95(pred, gt, voxelspacingspacing) return dice, hausdorff参数说明voxelspacing传 SimpleITK 读出来的GetSpacing()不传的话距离单位是体素没有临床意义。hd95是 95% 分位数 Hausdorff比最大值更鲁棒医学分割论文里常用。另一个实用技巧是 patch 推理。整幅 128³ 直接送进网络显存吃不消时可以滑窗切成 64³ 的块逐块推理再拼回去。重叠区域取平均能消除拼接缝。这个思路和自然图像里的 sliding window 一样只是多了个 z 轴。我通常设 stride 为 patch 的一半重叠 50%拼回时用高斯权重加权。从那以后我每次拿到新的医学影像代码包都强制先跑一遍preprocess.py的可视化确认图像和标签叠得上再动train.py。这一步花十分钟能省掉后面几小时的瞎调参。希望帮到你。本文还有配套的精品资源点击获取