简介这份医学图像分割数据集面向医学影像分析、深度学习分割算法实践者与相关课程学习者聚焦肺部感染COVID区域的像素级分割任务可用于训练与评估U-Net等分割网络。数据统一为256×256分辨率前景为感染区域mask采用前景255的二值图像便于直观观察与损失计算并在DRIVE数据集基础上做了扩充。压缩包共约2000个文件以1998个png图像与标签为主另含1个txt说明和1个py脚本整体约80.6MB。数据已按训练集1864张、验证集466张、测试集583张划分images与masks目录一一对应可直接投入训练流程。包内附带图像分割可视化脚本随机抽取一张图片展示原图、GT图像及GT在原图上的蒙板效果并保存到当前目录方便快速核验标注质量。目前已有402人学习适合需要现成分割数据与可视化工具的研究者和学生。1. 肺部感染 COVID 图像分割数据集2500 张片子能训出什么谁该上手手里只有 2500 张带标签的肺部感染COVID图像能不能训出一个可用的分割模型这是很多做医学图像分割的工程师、影像科研究生、以及想切入 AI 辅助诊断方向的开发者最常问的问题。答案不是「能」或「不能」而是取决于你怎么用这批数据。COVID 肺部感染分割的核心任务是从胸部 X 光或 CT 切片中把感染区域磨玻璃影、实变区逐像素抠出来输出一张与原图同尺寸的二值或灰度掩膜。它和普通自然图像分割最大的区别在于目标边界模糊、病灶形态弥散、正负样本极度不均衡而且标注本身带有医生主观差异。2500 张这个量级放在自然图像里连一个类别都撑不起来但在医学分割领域配合迁移学习和强增强策略已经足够跑通一条从数据清洗到模型部署的完整链路。这篇文章面向的是想真正把医学图像分割数据集用起来的人——不管你是要发论文、做毕设还是给产品做原型验证下面这套流程和参数都能直接抄。2. 先搞清楚这批数据长什么样格式、标签与划分策略2.1 COVID 肺部分割数据集的典型目录结构与标签形态医学图像分割数据集最常见的两种存储形态一种是图像和掩膜分文件夹存放文件名一一对应另一种是图像和掩膜同名但扩展名不同放在同一目录下。COVID 类数据集通常还会附带一个 metadata 文件记录每张片子的来源、患者 ID、拍摄设备、是否确诊等信息。你拿到手的第一件事不是写模型而是把目录结构摸清楚。一个典型的目录长这样dataset/ ├── images/ │ ├── case_001.png │ ├── case_002.png │ └── ... ├── masks/ │ ├── case_001.png │ ├── case_002.png │ └── ... └── metadata.csv掩膜的像素值通常只有 0 和 255或 0 和 10 是背景255 是感染区域。但血泪经验是不同来源的数据集掩膜值域不统一有的用 0/1有的用 0/255还有的用 0/128。你如果不先做一次全局统计训练时损失函数会直接给你颜色看。import numpy as np from PIL import Image import os mask_dir dataset/masks unique_vals set() for fname in os.listdir(mask_dir)[:50]: # 抽样50张先看 mask np.array(Image.open(os.path.join(mask_dir, fname))) unique_vals.update(np.unique(mask).tolist()) print(掩膜中出现的像素值:, sorted(unique_vals))这段代码的作用是抽样检查掩膜的像素值分布。参数说明mask_dir指向掩膜文件夹[:50]是抽样数量实际使用时如果数据量不大可以直接全量遍历。如果输出只有[0, 255]说明是标准二值掩膜如果出现[0, 1]后续计算 Dice 时要注意不要做多余的归一化如果出现[0, 128]这种必须手动映射到 0/1否则模型学到的概率分布会偏移。2.2 训练集、验证集、测试集怎么切才不翻车医学图像分割最忌讳的是按图像随机切分。因为同一患者的多次拍摄、同一序列的相邻切片之间存在强相关性随机切分会导致训练集和验证集出现「同源泄漏」验证指标虚高上线就崩。正确做法是按患者 ID 切分确保同一个患者的所有图像只出现在一个集合里。import pandas as pd from sklearn.model_selection import GroupShuffleSplit meta pd.read_csv(dataset/metadata.csv) # 假设 metadata 有 patient_id 和 image_name 两列 groups meta[patient_id].values splitter GroupShuffleSplit(n_splits1, test_size0.2, random_state42) train_idx, val_idx next(splitter.split(meta, groupsgroups)) train_meta meta.iloc[train_idx] val_meta meta.iloc[val_idx] print(f训练集: {len(train_meta)} 张, 验证集: {len(val_meta)} 张)参数说明test_size0.2表示验证集占 20%2500 张大约留 500 张做验证。random_state42固定随机种子保证可复现。groupsgroups是关键它告诉切分器按患者分组而不是按行。如果 metadata 里没有患者 ID退而求其次可以按图像文件名前缀分组但效果会打折扣。注意如果数据集本身已经划分好了 train/val/test不要自作聪明重新切。先确认它的划分逻辑是否按患者如果不是宁可自己重切。2.3 数据增强在医学分割里的边界在哪里自然图像分割常用的随机裁剪、颜色抖动、马赛克增强在医学图像上不能无脑套。肺部 X 光的左右翻转要谨慎——心脏位置和病灶分布有解剖学偏向翻转后可能产生不合理的样本。上下翻转基本不能用因为胸腔结构有明确的方向性。旋转角度超过 15 度肺野形态会失真。我一般会用的增强组合是小角度旋转±10 度、随机缩放0.91.1、弹性形变模拟呼吸运动、亮度对比度微调±10%、以及随机擦除模拟设备遮挡。弹性形变对 COVID 磨玻璃影的边界模拟特别有效但参数要克制alpha和sigma设大了会把病灶形变到不像。import albumentations as A train_transform A.Compose([ A.Rotate(limit10, p0.5), A.RandomScale(scale_limit0.1, p0.5), A.ElasticTransform(alpha1, sigma50, p0.3), A.RandomBrightnessContrast(brightness_limit0.1, contrast_limit0.1, p0.5), A.CoarseDropout(max_holes8, max_height32, max_width32, p0.3), A.Resize(256, 256), ])参数说明Rotate(limit10)限制旋转角度ElasticTransform的alpha1和sigma50是经过验证的温和形变参数CoarseDropout模拟遮挡。Resize(256, 256)是统一输入尺寸2500 张数据用 256 分辨率训练显存压力小收敛快。如果要做精细分割可以上 512但 batch size 要相应降到 4 或 2。3. 模型选型与训练从 U-Net 到注意力机制的落地取舍3.1 为什么 U-Net 仍然是 2500 张量级下的首选基线医学图像分割的模型选型绕不开 U-Net。它的编码器-解码器结构加跳跃连接天生适合小样本、边界模糊的分割任务。2500 张这个量级如果你直接上 Transformer 类模型如 Swin-UNet参数量大、需要预训练权重、训练周期长很容易过拟合。U-Net 的参数量在 7M 左右配合 ImageNet 预训练的编码器如 ResNet34在 2500 张上 fine-tune 50 个 epoch 就能看到稳定收敛。我一般会先用segmentation_models_pytorch搭一个 ResNet34 U-Net 的基线跑通全流程再考虑换更复杂的结构。这个库的好处是编码器权重直接加载省去自己搭 backbone 的麻烦。import segmentation_models_pytorch as smp model smp.Unet( encoder_nameresnet34, encoder_weightsimagenet, in_channels3, classes1, activationNone, )参数说明encoder_weightsimagenet表示加载 ImageNet 预训练权重这是小样本医学分割的关键。in_channels3对应 RGB 输入如果你的数据是灰度图可以改成 1但预训练权重是按 3 通道训练的改成 1 后第一层卷积需要重新初始化效果可能下降。classes1表示二分类分割输出单通道 logits配合BCEWithLogitsLoss使用。3.2 损失函数Dice BCE 的组合为什么比单用 Dice 稳COVID 感染区域在整张肺片里占比很小通常不到 5%。如果只用 BCE模型会倾向于全部预测为背景准确率看起来很高但 Dice 接近 0。只用 Dice 的话训练初期梯度不稳定容易震荡。常见做法是BCEWithLogitsLoss和DiceLoss按权重相加我一般设bce_weight0.5dice_weight0.5。import torch import torch.nn as nn import segmentation_models_pytorch as smp bce_loss nn.BCEWithLogitsLoss() dice_loss smp.losses.DiceLoss(modebinary) def combined_loss(pred, target): return 0.5 * bce_loss(pred, target) 0.5 * dice_loss(pred, target)参数说明modebinary对应二分类分割。pred是模型输出的 logits形状(B, 1, H, W)target是 0/1 掩膜形状一致。如果掩膜是 0/255需要先除以 255。这个组合损失在训练初期靠 BCE 提供稳定梯度后期靠 Dice 拉高重叠度实测比单用 Dice 收敛快 10 个 epoch 左右。3.3 学习率、batch size 与 epoch 的实操参数2500 张数据按 8:2 切分训练集 2000 张。batch size 设 8 或 16取决于显存。学习率用1e-4起步配合CosineAnnealingLR或ReduceLROnPlateau。优化器选AdamW权重衰减1e-4。epoch 设 80100前 10 个 epoch 用 warmup 把学习率从1e-6线性拉到1e-4。import torch from torch.optim import AdamW from torch.optim.lr_scheduler import CosineAnnealingLR optimizer AdamW(model.parameters(), lr1e-4, weight_decay1e-4) scheduler CosineAnnealingLR(optimizer, T_max90, eta_min1e-6) for epoch in range(100): model.train() for images, masks in train_loader: images, masks images.cuda(), masks.cuda() preds model(images) loss combined_loss(preds, masks) optimizer.zero_grad() loss.backward() optimizer.step() scheduler.step() # 每个 epoch 结束后在验证集上算 Dice参数说明T_max90对应余弦退火的周期eta_min1e-6是学习率下限。验证集 Dice 是早停依据如果连续 15 个 epoch 不提升就停。2500 张数据在单卡 3090 上256 分辨率batch size 16一个 epoch 大约 2 分钟100 个 epoch 三四个小时能跑完。3.4 评价指标Dice、IoU 和敏感度一个都不能少医学分割不能只看 Dice。Dice 高不代表漏诊少。我一般同时记录 Dice、IoU、敏感度Recall和特异度Specificity。敏感度低说明漏掉了病灶这在临床上是致命的特异度低说明把正常组织误判为感染会增加医生复核负担。2500 张数据训出来的模型验证集 Dice 能到 0.750.82 就算正常水平敏感度最好保持在 0.80 以上。def compute_metrics(pred, target, threshold0.5): pred_bin (torch.sigmoid(pred) threshold).float() intersection (pred_bin * target).sum() dice (2 * intersection) / (pred_bin.sum() target.sum() 1e-8) iou intersection / (pred_bin.sum() target.sum() - intersection 1e-8) tp intersection fn (target * (1 - pred_bin)).sum() fp ((1 - target) * pred_bin).sum() recall tp / (tp fn 1e-8) specificity (target 0).float().sum() - fp specificity specificity / ((target 0).float().sum() 1e-8) return dice.item(), iou.item(), recall.item(), specificity.item()参数说明threshold0.5是二值化阈值实际部署时可以根据敏感度要求调整比如调到 0.4 提高召回。1e-8防止除零。这个函数在每个验证 batch 上调用最后取平均。4. 避坑与排查2500 张 COVID 分割数据最容易翻车的 5 个地方4.1 掩膜值域不统一导致损失爆炸现象训练第一个 epoch loss 就是 NaN或者 loss 下降但 Dice 一直为 0。原因掩膜像素值是 0/255但损失函数按 0/1 计算BCE 的 target 超出 [0,1] 范围。解决在 Dataset 的__getitem__里统一做mask (mask 0).astype(np.float32)确保输出是 0/1。4.2 图像与掩膜文件名不对应现象训练时 loss 正常下降但验证集 Dice 极低可视化发现掩膜和图像完全错位。原因images 和 masks 文件夹里的文件排序不一致或者有缺失文件。解决写一个配对检查脚本用集合运算找出不匹配的文件名训练前必须跑一遍。import os img_files set(os.listdir(dataset/images)) mask_files set(os.listdir(dataset/masks)) print(仅在图像中存在:, img_files - mask_files) print(仅在掩膜中存在:, mask_files - img_files)4.3 数据泄漏导致验证指标虚高现象验证集 Dice 0.95测试集 Dice 0.60。原因按图像随机切分同一患者的片子同时出现在训练和验证集。解决按患者 ID 用GroupShuffleSplit切分没有患者 ID 就按文件名前缀分组。4.4 类别极度不均衡导致模型全预测背景现象训练 loss 很低但 Dice 为 0可视化发现输出全黑。原因感染区域占比太小BCE 被背景主导。解决用 Dice BCE 组合损失或者在 BCE 里加pos_weight参数把正样本权重调高 510 倍。4.5 输入尺寸与显存不匹配导致训练中断现象训练到一半 OOM显存溢出。原因256 分辨率下 batch size 设太大或者验证时没加torch.no_grad()。解决训练 batch size 从 8 起步验证时用with torch.no_grad():包裹并且验证 batch size 可以设成训练的 2 倍。5. 把 2500 张数据的价值榨干迁移学习、伪标签与部署前验证2500 张数据训出一个能跑的模型不难难的是让它在新数据上不崩。我一般会做三件事来压榨这批数据的剩余价值。第一用训练好的模型在未标注的肺片上跑推理挑置信度高的结果做伪标签扩充训练集。伪标签的阈值设 0.9低于这个的不纳入避免引入噪声。第二把编码器冻结只微调解码器在另一个小规模 COVID 数据集上做域适应通常 1020 个 epoch 就能把跨域 Dice 提升 58 个点。第三部署前用 Grad-CAM 或注意力热力图做一次可视化审查确认模型关注的是肺野区域而不是片子的边框或文字标注。# 伪标签生成示例 model.eval() with torch.no_grad(): for images, filenames in unlabeled_loader: images images.cuda() preds torch.sigmoid(model(images)) for i, fname in enumerate(filenames): if preds[i].max() 0.9: mask (preds[i] 0.5).float().cpu().numpy() # 保存伪标签加入下一轮训练参数说明preds[i].max() 0.9是置信度过滤只保留模型非常确定的样本。 0.5是二值化阈值伪标签通常用 0.5 而不是 0.9因为 0.9 是筛选条件0.5 是生成条件。伪标签训练时学习率要调低到1e-5避免模型被噪声带偏。验证方法上我习惯留一个「黄金测试集」——从 2500 张里单独抽出 100 张不参与任何训练和调参只在最后评估时用一次。这 100 张的 Dice 和敏感度才是你真正能写进报告的数字。如果黄金测试集 Dice 比验证集低超过 10 个点说明前面有泄漏或者过拟合得回头查。踩过的坑多了我现在拿到任何医学分割数据集第一件事不是写模型而是花半天时间把数据摸透值域、配对、患者分布、病灶占比。这半天省不得省了后面就得用几天来还。希望帮到你。本文还有配套的精品资源点击获取