简介这是面向医学图像分割研究的多器官语义分割数据集包含腹部13个器官脾脏、左右肾脏、胆囊、食管、肝脏、胃、主动脉、下腔静脉、胰腺等加上背景共14个类别适合医学影像分析、深度学习算法研发人员直接使用。数据集已完成训练集与验证集划分训练集约900张原图及对应掩膜验证集约200张共约1100张已处理数据免去自行标注和清洗的繁琐流程。整个压缩包共2000个文件约72.8MB其中857张JPG原图、1141张PNG掩膜图另附1个Python可视化脚本和1个JSON类别配置文档脚本可随机抽取图像将原图、真实标注及其叠加结果输出保存便于直观评估数据质量。资源目前已有69人学习下载可用于UNet、SwinUNet、TransUNet等分割模型的训练、对比与改进实验是开展腹部器官分割任务的实用数据集。1. 腹部13类别器官语义分割数据集它到底解决什么问题做医学图像分割的人十有八九都经历过这种尴尬论文里说模型在CT上能把肝脏、肾脏、胰腺分得清清楚楚可自己一到手就发现公开数据集的标签五花八门有的只有单器官有的原始文件连方向都没统一。这款腹部13类别器官语义分割数据集约1100张已处理的图像和标签就是为了把“多类别、多器官、可直接训练”这三件事一次补齐。它面向的不是看热闹的读者而是要做医学图像语义分割实验、写论文、练模型、跑基线的那批人——你不需要再花两周去整理Raw数据下载后就能直接进入模型训练环节。这也正是它和那些原始CT序列数据集最大的区别它已经把“脏活”干完了。2. 数据集的真实构成文件组织、标签映射与可视化2.1 从文件命名到目录结构拿到手先看什么这类已处理的医学图像数据集最常见的组织形式是原始图像和标签分属两个目录文件名一一对应。你看到的目录结构一般是这样dataset/ ├── images/ │ ├── case_0001.png │ ├── case_0002.png │ └── ... ├── masks/ │ ├── case_0001.png │ ├── case_0002.png │ └── ... └── labels.txt文件名通常是case_编号编号不一定连续但图像和标签必须同名否则加载时就对不上。labels.txt存放13个类别的名称和对应的像素值。拿到手第一件事不是训练而是先检查labels.txt。真实数据集里类别值往往不是你想象的0-12连续整数而是类似1,2,4,8,16这样的稀疏值甚至是255作为前景、0作为背景。这直接影响后续的损失函数和评估代码后面避坑章会专门说。2.2 标签值与颜色映射的关系把13类画出来图像分割任务里标签图有两种存储方式一种是每个像素存类别索引另一种是存RGB颜色。医学图像数据集通常用索引图但有些来源为了可视化方便会用(0,0,0)表示背景(255,255,255)表示某个器官这种图不能直接输入模型必须转换成索引图。一个通用的颜色映射表长这样# labels.txt 示例解析Tab分隔第一列是索引第二列是器官名第三列是R G B import numpy as np def parse_label_file(path): class_names [] class_values [] colors [] with open(path, r) as f: for line in f: parts line.strip().split(\t) if len(parts) 3: continue class_values.append(int(parts[0])) class_names.append(parts[1]) colors.append(tuple(map(int, parts[2].split(,)))) return class_names, class_values, colors这个函数做的事很简单把文本配置变成了Python里的列表。这样做的理由很实际——后续不管是在可视化时上色还是在计算分类别指标时跳过背景类都要依赖这份映射。不要写死类别数量或颜色因为不同版本的数据集可能重新排过顺序。2.3 用Python快速检查数据质量的三个脚本在你开始训练前先花10分钟做三个检查能省下后面调试错误的一整天。第一个检查是确认图像和标签的分辨率、数量完全一致import os from PIL import Image img_dir images mask_dir masks imgs sorted(os.listdir(img_dir)) masks sorted(os.listdir(mask_dir)) assert len(imgs) len(masks), 图像与标签数量不一致 for img_name, mask_name in zip(imgs, masks): img Image.open(os.path.join(img_dir, img_name)) mask Image.open(os.path.join(mask_dir, mask_name)) assert img.size mask.size, f{img_name} 尺寸不匹配 print(f全部 {len(imgs)} 对图像分辨率一致)第二个检查是确认标签图里实际出现的类别值是不是都在labels.txt里import numpy as np mask np.array(Image.open(masks/case_0001.png)) unique np.unique(mask) print(Mask中出现的像素值:, unique)如果出现了labels.txt里没有的值就是脏数据。常见原因是某些像素未标注值写成了255但labels.txt里没定义。第三个检查是算出每个类别的像素占比这一步直接关系到后续要不要做类别加权mask np.array(Image.open(masks/case_0001.png)) total_pixels mask.size for cls in class_values: fraction np.sum(mask cls) / total_pixels if fraction 0.01: # 占比超过1%的类别 print(f类别 {cls} 占比 {fraction:.4f})这段代码只需要跑几张图就能看出肝脏、胃这类大器官体积占比高胰腺、胆囊可能只占几个百分点。看到这种结果你就知道为什么医学图像分割的损失函数不能无脑选交叉熵。3. 用U-Net在这个数据集上跑通最小训练流程3.1 数据划分训练集/验证集/测试集的常见比例与随机种子约1100张图的规模在医学图像分类里属于中小型在语义分割里已经不算少但也没到浪费得起的地步。常见做法是训练集70%、验证集15%、测试集15%。关键是随机种子固定否则每次跑结果都不同论文里没法复现。划分时不能只随机打乱文件列表还要考虑同一个患者的多张连续切片可能出现在两张不同集合里——这一点在腹部CT数据集里尤其常见容易造成数据泄露。如果文件名里有患者ID按患者划分更合理。import os import random imgs sorted(os.listdir(images)) random.seed(42) random.shuffle(imgs) n_train int(len(imgs) * 0.7) n_val int(len(imgs) * 0.15) train_files imgs[:n_train] val_files imgs[n_train:n_train n_val] test_files imgs[n_train n_val:]这里用了random.seed(42)42只是约定俗成的起始值你完全可以用别的数但固定下来后别人复现你的实验时也能得到相同的划分结果。不要每次运行都重新打乱否则验证集一直在变模型好坏就说不清。3.2 数据加载器的写法图像与标签同步变形语义分割的数据加载器和分类任务最大的不同是你必须保证模型输入图像和标签做完全相同的几何变换。旋转30度图像旋转了标签也必须旋转同样的角度否则标签就错位了。PyTorch的torchvision.transforms里没有内置这种“同步变换”常见做法是自定义一个函数把随机种子固定后再分别调用import torch import numpy as np from PIL import Image from torch.utils.data import Dataset class AbdomenDataset(Dataset): def __init__(self, file_list, transformNone): self.file_list file_list self.transform transform def __len__(self): return len(self.file_list) def __getitem__(self, idx): img_path fimages/{self.file_list[idx]} mask_path fmasks/{self.file_list[idx]} img Image.open(img_path).convert(RGB) mask Image.open(mask_path) if self.transform is not None: # 同步随机旋转 seed torch.randint(0, 1000000, (1,)).item() torch.manual_seed(seed) img self.transform(img) torch.manual_seed(seed) mask self.transform(mask) img np.array(img).astype(np.float32) / 255.0 img torch.from_numpy(img).permute(2, 0, 1) mask np.array(mask).astype(np.int64) mask torch.from_numpy(mask) return img, mask这个数据加载器的关键在torch.manual_seed(seed)那两行——先记录一个随机种子图片和标签依次用同一个种子做变换就能保证旋转角度、缩放比例、平移距离完全一致。否则你大概率会像很多人一样训练到一半发现Loss降不下去最后画出预测图一看器官都叠在背景上了。3.3 损失函数与评估指标的选择交叉熵还是Dice损失腹部13类器官最大的问题不是分类错误率而是小器官几乎学不到。肝脏能占一张图的30%以上胰腺可能只有2%这种情况下标准交叉熵会偏向大器官胰腺、胆囊这类小结构直接被当成背景忽略。常见做法是使用Dice损失或者交叉熵和Dice损失的加权组合。import torch.nn as nn import torch.nn.functional as F class DiceLoss(nn.Module): def __init__(self, smooth1.0): super().__init__() self.smooth smooth def forward(self, logits, targets): num_classes logits.shape[1] probs F.softmax(logits, dim1) one_hot F.one_hot(targets, num_classes).permute(0, 3, 1, 2).float() dims (0, 2, 3) intersection torch.sum(probs * one_hot, dims) union torch.sum(probs, dims) torch.sum(one_hot, dims) dice (2 * intersection self.smooth) / (union self.smooth) return 1 - dice.mean()这里的smooth是用来防止分母为0的平滑项常用1.0。实际训练时很多人会把DiceLoss和CrossEntropyLoss按1:1相加因为DiceLoss对类别不平衡有效但梯度不稳定交叉熵梯度稳定但偏向大类别两者互补。你也可以把类别的频率作为权重传给交叉熵但腹部多器官场景下单纯加权重不如混合损失有效。4. 评估与验证不只是看Loss还要看每类器官的Dice4.1 计算Dice、IoU与体积误差代码与公式训练集上的Loss小不等于模型在测试集上表现好。语义分割的标准评估指标是Dice系数和IoU尤其是医学图像领域Dice是论文里最常见的数字。计算方式是对测试集每个样本逐类计算然后取全类平均。def compute_dice(pred, mask, num_classes13): dice_scores [] for cls in range(1, num_classes): # 跳过背景 pred_inds (pred cls) mask_inds (mask cls) intersection np.logical_and(pred_inds, mask_inds).sum() if mask_inds.sum() 0 and pred_inds.sum() 0: dice 1.0 # 两者都没预测到算作正确 elif mask_inds.sum() 0: dice 0.0 # 金标准里没有这个器官模型却画了得0分 else: dice (2 * intersection) / (pred_inds.sum() mask_inds.sum()) dice_scores.append(dice) return dice_scores这段代码有一个容易踩坑的边界条件当某个类在测试集的金标准里完全不存在时处理方法需要统一。有的论文把它跳过不计入平均有的记0分有的记1分。不写明这个规则你的结果和别人没有可比性。我一般选择跳过——这样对训练充分的大器官公平也不会让模型因为某一类罕见而得分剧烈波动。4.2 把预测结果叠加到原图上做定性检查指标数字好不代表模型真的学会了解剖结构。医学图像分割经常出现一种奇怪现象Dice分数很高但模型把胃和十二指肠糊在一起或者把胰腺尾部多画了一块。所以必须把预测结果直接画在原图上和标签并排对比。import matplotlib.pyplot as plt import numpy as np def visualize_overlay(img, mask, pred, save_pathNone): # 把图像归一化到0-1并转成255 img (img - img.min()) / (img.max() - img.min()) fig, axes plt.subplots(1, 3, figsize(15, 5)) axes[0].imshow(img, cmapgray) axes[0].set_title(Original) axes[1].imshow(mask, cmaptab20, alpha0.7) axes[1].imshow(img, cmapgray, alpha0.3) axes[1].set_title(Ground Truth) axes[2].imshow(pred, cmaptab20, alpha0.7) axes[2].imshow(img, cmapgray, alpha0.3) axes[2].set_title(Prediction) if save_path: plt.savefig(save_path, dpi150, bbox_inchestight) plt.close()这里使用了cmaptab2013个类别刚好在tab20的色域内有足够区分度肉眼能分清相邻器官。不建议用灰度值显示标签因为相邻类别灰度很接近尤其是胰腺和胃这两类在灰度图上几乎是同一个色。4.3 多类别混淆矩阵哪两个器官最容易分不清腹部器官分割里最常见的错误不是把器官分割背景而是把两个相邻且在CT灰度上相近的器官互相混淆。判断这件事的最直接方式是构建像素级混淆矩阵。def compute_confusion(pred, mask, num_classes13): matrix np.zeros((num_classes, num_classes), dtypenp.int64) pred_flat pred.flatten() mask_flat mask.flatten() for p, m in zip(pred_flat, mask_flat): matrix[m, p] 1 return matrix对于1100张测试图一张张逐像素循环会很慢但一次性把全部测试集加载进内存不现实。常见做法是每张图用sklearn.metrics.confusion_matrix累计或者用np.bincount加速。拿到混淆矩阵后重点看非对角线的大值——比如胃和十二指肠、左肾和脾脏、肝和胆囊。如果你发现两类之间互相混淆严重可以考虑在损失函数里增加边界约束或者在后处理中根据解剖先验把不合理的小连通域滤掉。5. 避坑指南用这类腹部数据集训练时最容易翻车的5个点5.1 标签不连续类别值不是0-12怎么办现象训练时损失函数直接报错或者类别数传错导致维度对不上。原因这是已处理医学数据集最常见的隐患。虽然标题说“已处理”但“已处理”指的可能只是完成了标注和格式转换并不保证类别值是从0开始连续编号。有的数据集把背景设为1器官从10开始编号有的是把某一类器官的值定成了255。如果代码里写死num_classes13而实际标签最大值是255计算损失时torch.one_hot就会因为张量超出类别数而报错。解决在训练前单独跑一段脚本把标签值重新映射为连续索引。常见做法是def remap_labels(mask, class_values): remapped np.zeros_like(mask, dtypenp.int64) for new_id, old_value in enumerate(class_values): remapped[mask old_value] new_id return remapped这个操作只做一次把结果存成npy或新的png后续训练全程用连续标签避免每次加载都重复计算。5.2 类别极度不平衡肝脏占面积大胰腺难学现象训练曲线看起来在收敛但打印每个类别的Dice分数时肝脏、肾脏能到0.9胰腺、胆囊只有0.2甚至0。原因腹部CT图像里器官体积差异天然悬殊。肝脏可能占整张图面积的20%-30%胰腺只有1%-2%。交叉熵损失对大类别更敏感模型学会把一切不确定的像素都预测成肝脏或背景反而比把胰腺挑出来更容易降低Loss。解决除了换用DiceLoss建议在训练时对每个类别的预测概率做类别权重。权重可以取1 - 类别频率频率越高权重越低。在DiceLoss里可以为每个类别单独计算Dice再按权重加权平均。如果你的显存允许还可以采用更直接的方法——对图像做随机裁剪强制采样包含小器官的区域这相当于离线数据增强比在损失函数里做文章更直观。5.3 数据增强导致标签错位同步随机变换的坑现象验证集上Dice正常但测试集上预测的器官边缘明显偏移或者出现“旋转后的器官形状”这种现象。原因这是自己在数据增强时写错了——图片做了水平翻转但标签没翻转或者图片用了随机旋转和数据标准化但标签依然保持原始朝向。很多初学者会用torchvision.transforms里的RandomHorizontalFlip分别应用于图片和标签看起来是“分别调用”但两次调用各自消耗一次随机状态导致翻转概率不同步图片翻转了标签没翻。解决用我们在3.2节里写的那种方式——在变换前生成一个固定的随机种子图片和标签都使用同一个种子的变换。也可以用kornia等专门支持同步变换的库。这里再补充一点强度变换如颜色抖动、高斯噪声只需要作用于输入图像不能作用于标签几何变换旋转、翻转、缩放、弹性变形必须同步作用于两者。5.4 归一化范围不一致CT值还是RGB现象模型在训练时正常换了一台设备采集的验证图像后测试集Dice直接崩掉。原因腹部CT原始数据是HU值亨氏单位范围通常在-1000到1000左右但如果是直接从PACS导出的截图或已转换的PNG图像像素值被压缩到0-255并且在保存时可能做了窗口化处理比如只保留-100到200的软组织窗口。不同数据来源的窗口设置不同导致相同器官在数值上差别很大。模型学习的是像素强度分布一旦分布偏移分割就失效。解决如果文件本身是PNG或JPG基本可以判断是已经被窗口化过的图像这种情况下不要再用什么CT标准化公式直接采用x / 255归一化到0-1即可。测试集如果来源不同必须先手动检查几个样本的像素分布确认是否与训练集一致。如果是直接提供的原始CT值则要用均值和标准差做标准归一化。不要盲目套用ImageNet的mean[0.485,0.456,0.406]那是给自然图像用的。5.5 防止过拟合1100张图的增广量与早停现象训练集的Dice持续上升验证集在某个epoch后不升反降典型的过拟合。1100张图像不算多而且医学图像本身模式简单模型很容易把训练集里某些特有的纹理、探测器伪影当作特征。原因网络参数量远远大于训练样本的信息量尤其是U-Net这类编码器-解码器结构如果不加正则化和早停模型在训练后期会开始记忆训练样本。解决三个措施组合使用。一是数据增强在线做随机旋转(±15度)、水平翻转、随机缩放(0.8-1.2)、高斯噪声和弹性变形增强要适度过度弹性变形会破坏解剖结构反而降低验证集精度。二是早停监控验证集Dice连续15个epoch不上升就停止训练并保存Dice最高的权重。三是轻量化模型如果没有外部预训练需求可以把U-Net的通道数减半在1100张图规模下模型容量过大带来的收益不如正则化带来的收益。6. 进阶用预训练模型和伪标签把现有结果再往上推6.1 加载ImageNet预训练Encoder做迁移学习当你有1100张训练图从头训练一个深度模型可能不是最优选择。常见做法是使用在ImageNet上预训练的ResNet或EfficientNet作为编码器后端接上解码器完成分割。虽然ImageNet是自然图像但它能提供通用的边缘、纹理、形状特征这些对于CT器官分割也有帮助。import torchvision.models as models encoder models.resnet34(pretrainedTrue) # 去掉最后的全连接层和平均池化保留到第4个stage的特征 encoder torch.nn.Sequential(*list(encoder.children())[:-2])这个做法的关键点在于预训练权重针对的是RGB三通道输入而CT图像如果是单通道需要把第一个卷积层改掉常见做法是取预训练权重的三个通道的平均值作为单通道初始化。但如果你的数据是RGB假彩色图像直接沿用原结构即可。迁移学习阶段初始学习率要比从头训练低一个数量级常见设置为1e-4并且先冻结编码器训练解码器几个epoch再解冻整体微调。这样做的原因很实际解码器是随机初始化的一上来就给大学习率会把预训练编码器破坏。6.2 使用推理时增强TTA提升分割稳定性推理时增强Test Time Augmentation在医学图像分割里是一个几乎零成本的涨分技巧。做法很简单预测阶段把输入图像做水平翻转得到预测概率图再把翻转后的概率图翻转回来与原预测概率图取平均最后用argmax得到最终分割结果。def predict_with_tta(model, img_tensor, flipTrue): model.eval() with torch.no_grad(): pred torch.softmax(model(img_tensor.unsqueeze(0)), dim1) if flip: img_flip torch.flip(img_tensor, dims[2]) # 水平翻转 pred_flip torch.flip(torch.softmax(model(img_flip.unsqueeze(0)), dim1), dims[2]) pred (pred pred_flip) / 2 return pred.squeeze(0)TTA之所以有效是因为医学图像分割模型对轻微几何变换不够鲁棒尤其是在器官边缘。翻转前后两次预测的误差分布不同平均之后能抵消一部分随机错误。这个技巧能让Dice稳定提高0.5-1个百分点且不改变模型权重、不需要额外训练只是测试时间变长。对于腹部13类这种边缘精细的任务值得在最终测试时启用。6.3 用模型预测生成伪标签扩充训练集训练到最后阶段当你有一个Dice达到0.9左右的模型时可以做一个半监督操作把测试集中模型预测得分高的样本比如平均概率超过0.95挑选出来把预测结果当作标签加入训练集重新训练。这个做法叫伪标签在医学图像分割里效果不错因为同一器官的解剖结构相对稳定。但这里有一个经验之谈不要轻易把所有测试样本都加进去。先把测试集按图像切片的层面位置排序优先选择那些模型确定度高的横断位中部切片避开容易出错的胰腺尾部、肝脏边缘等区域。伪标签训练的学习率要更小一般降到原来的0.1并且训练周期缩短一半。实践中有时候加了伪标签反而让模型覆盖真实分布过深导致泛化变差。所以我现在的习惯是先只挑确定度最高的10%样本试水如果验证集Dice不降再逐渐扩大比例。这比一次性把未知区域全喂给模型要稳得多。希望这个流程对你有参考价值也祝你在这个数据集上跑出理想的结果。本文还有配套的精品资源点击获取