简介这份资源面向医学图像分割方向的研究者、算法工程师与相关专业学生提供超声腹部器官的2类别分割数据集类别涵盖背景与腹部器官可用于训练和评估分割网络。包内按训练集与测试集组织训练集约3700张图像及对应mask测试集约900张合计约4600张数据与标签并附一份图像分割可视化脚本可随机抽取一张图片展示原始图像、GT图像及GT在原图上的蒙板效果便于快速核验标注质量。资源共2000个文件以1998个png图像与标签为主另含1个txt类别说明和1个py脚本压缩包约163.36MB目录结构清晰便于直接接入常见分割训练流程。目前已有400人学习。对于需要复现医学超声分割实验、搭建基线模型或进行标注检查的读者该数据集能提供较完整的训练与验证素材并配合可视化脚本降低数据排查成本。1. 超声腹部器官分割数据集4600 张带标签的 2 类分割数据能拿来做什么拿到一个约 4600 张、带像素级标签、只分 2 类的超声腹部器官图像分割数据集第一反应往往不是兴奋而是怀疑——超声图像噪声大、边界模糊、不同设备成像差异巨大2 类分割到底能训出什么可用的模型我一开始也这么想直到在一个肝脏与肾脏的自动测量需求上被逼着把这类数据跑通才发现它的价值不在“类别多”而在“标注干净、数量够、任务聚焦”。医学图像分割这个方向里公开数据集要么类别多但标注粗要么图像少得可怜一个 4600 张量级、标签齐全的 2 类数据集恰好卡在“能训出稳定模型”和“能快速验证想法”的中间地带。它适合三类人想入门医学图像分割但被数据卡住的算法工程师、需要快速搭一个腹部器官分割基线做对比的研究者、以及手里有超声设备想验证自动分割可行性的产品团队。下面我按“先搞清楚数据长什么样、再跑通训练、最后避开超声特有的坑”这条线把整个落地路径拆开讲。2. 先看清数据2 类标签在超声图像里到底标了什么2.1 超声腹部器官分割的数据组织与标签格式拿到数据集先别急着写 DataLoader把目录结构和标签的像素值分布摸清楚这一步能省掉后面几小时的调试。常见的组织方式是图像和掩码分目录存放文件名一一对应掩码是单通道 PNG 或 BMP像素值直接就是类别索引。2 类分割通常意味着背景为 0目标器官为 1但有些数据集会把两个器官分别标成 1 和 2背景为 0这直接决定你输出通道数是 2 还是 3。我一般先用一段脚本把标签的 unique 值、图像尺寸分布、灰度范围统计出来心里有数再动手。import os import numpy as np from PIL import Image from collections import Counter img_dir data/images mask_dir data/masks sizes Counter() label_values Counter() gray_min, gray_max 255, 0 for name in os.listdir(mask_dir): mask np.array(Image.open(os.path.join(mask_dir, name))) sizes[mask.shape] 1 label_values.update(np.unique(mask).tolist()) img np.array(Image.open(os.path.join(img_dir, name)).convert(L)) gray_min min(gray_min, img.min()) gray_max max(gray_max, img.max()) print(掩码尺寸分布:, sizes) print(标签像素值分布:, label_values) print(图像灰度范围:, gray_min, gray_max)这段脚本做三件事统计掩码尺寸是否统一、列出所有出现过的标签值、确认图像灰度范围。如果label_values里出现 0、1、2说明是背景加两个器官你的模型输出通道要设成 3损失函数用多类交叉熵如果只有 0 和 1输出通道设 2 即可。灰度范围如果集中在很窄的区间比如 30 到 180说明对比度偏低后续归一化要按实际范围做不能无脑除以 255。尺寸不统一的话要么统一 resize要么用随机裁剪这个选择会影响边界器官的分割精度。2.2 2 类分割的选型理由与模型输出设计为什么 2 类分割在超声场景下反而比多类更实用因为超声图像里器官之间的边界经常被声影、混响遮挡强行分 5 类 8 类标注一致性会急剧下降模型学到的更多是标注噪声。2 类分割把问题收敛到“目标器官 vs 其他”标注难度低、一致性高4600 张的量级足以让 U-Net 这类结构收敛到可用水平。模型输出设计上二分类用 sigmoid 加 1 通道输出多类用 softmax 加 N 通道输出这个别搞混。我见过有人把 2 类标签当二分类做结果掩码里其实有 1 和 2 两个前景值训练时把器官 2 全当背景模型直接学废。提示在动手写模型之前一定先确认标签是“二分类”还是“多类但只有两个前景”。前者输出 1 通道后者输出 3 通道损失函数也不同。2.3 数据划分与增强策略的确定4600 张数据按 7:1.5:1.5 划分训练、验证、测试比较稳妥但要按患者或视频帧分组划分不能随机打散。超声数据往往来自连续扫查相邻帧高度相似随机划分会导致验证集里出现训练集的近邻帧指标虚高。增强策略上超声图像对水平翻转、小角度旋转、亮度对比度扰动比较耐受但垂直翻转要谨慎因为腹部器官的解剖位置有上下关系。我一般用 albumentations 配一组轻量增强训练时在线做验证和测试只做 resize 和归一化。import albumentations as A from albumentations.pytorch import ToTensorV2 train_tf A.Compose([ A.Resize(256, 256), A.HorizontalFlip(p0.5), A.Rotate(limit15, p0.5), A.RandomBrightnessContrast(brightness_limit0.2, contrast_limit0.2, p0.5), A.Normalize(mean(0.5,), std(0.25,)), ToTensorV2(), ]) val_tf A.Compose([ A.Resize(256, 256), A.Normalize(mean(0.5,), std(0.25,)), ToTensorV2(), ])这里 resize 到 256 是速度和精度的折中超声图像本身分辨率不高强行上 512 收益有限还吃显存。Normalize 的 mean 和 std 按你统计出的灰度范围调整别直接用 ImageNet 的均值方差超声是单通道灰度图和自然图像分布差很远。旋转限制在 15 度以内是因为超声探头角度变化太大时器官形态和声影方向都会变增强过头反而引入噪声。3. 把训练跑起来从 DataLoader 到 U-Net 基线3.1 自定义 Dataset 与标签对齐的写法PyTorch 的 Dataset 写法不复杂但超声数据有两个容易翻车的点图像和掩码文件名不完全一致、掩码需要最近邻插值。图像可以用双线性插值 resize掩码必须用最近邻否则会插出 0.5 这种不存在的类别值。下面这个 Dataset 类把文件名匹配和插值方式都处理了。import os import numpy as np import torch from torch.utils.data import Dataset from PIL import Image class UltrasoundSegDataset(Dataset): def __init__(self, img_dir, mask_dir, transformNone): self.img_dir img_dir self.mask_dir mask_dir self.transform transform self.names sorted(os.listdir(img_dir)) def __len__(self): return len(self.names) def __getitem__(self, idx): name self.names[idx] img np.array(Image.open(os.path.join(self.img_dir, name)).convert(L)) mask_name os.path.splitext(name)[0] .png mask np.array(Image.open(os.path.join(self.mask_dir, mask_name))) if self.transform: aug self.transform(imageimg, maskmask) img, mask aug[image], aug[mask] mask mask.long() return img, mask关键在mask.long()这一步交叉熵损失要求标签是 long 类型浮点型会直接报错。文件名匹配用os.path.splitext替换扩展名比字符串拼接稳。如果你的数据集掩码扩展名不统一先写个脚本批量重命名别在 Dataset 里做兼容那样每次取数据都多一次判断训练速度会掉。3.2 U-Net 基线模型的关键参数U-Net 在医学图像分割里是绕不开的基线2 类分割用轻量版就够。编码器用 4 层下采样每层通道 32、64、128、256解码器对称上采样最后 1x1 卷积输出类别数。参数量控制在 2M 以内4600 张数据不至于过拟合。下面是一个可直接用的实现。import torch import torch.nn as nn class DoubleConv(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.net nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding1), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue), nn.Conv2d(out_ch, out_ch, 3, padding1), nn.BatchNorm2d(out_ch), nn.ReLU(inplaceTrue), ) def forward(self, x): return self.net(x) class UNet(nn.Module): def __init__(self, in_ch1, num_classes2): super().__init__() self.down1 DoubleConv(in_ch, 32) self.down2 DoubleConv(32, 64) self.down3 DoubleConv(64, 128) self.down4 DoubleConv(128, 256) self.pool nn.MaxPool2d(2) self.up3 nn.ConvTranspose2d(256, 128, 2, stride2) self.conv3 DoubleConv(256, 128) self.up2 nn.ConvTranspose2d(128, 64, 2, stride2) self.conv2 DoubleConv(128, 64) self.up1 nn.ConvTranspose2d(64, 32, 2, stride2) self.conv1 DoubleConv(64, 32) self.out nn.Conv2d(32, num_classes, 1) def forward(self, x): d1 self.down1(x) d2 self.down2(self.pool(d1)) d3 self.down3(self.pool(d2)) d4 self.down4(self.pool(d3)) u3 self.conv3(torch.cat([self.up3(d4), d3], dim1)) u2 self.conv2(torch.cat([self.up2(u3), d2], dim1)) u1 self.conv1(torch.cat([self.up1(u2), d1], dim1)) return self.out(u1)num_classes根据你前面统计的标签值来定只有 0 和 1 就设 2有 0、1、2 就设 3。BatchNorm 在 batch size 小于 8 时统计量不稳如果显存只够跑 4把 BatchNorm 换成 GroupNorm 更稳。上采样用转置卷积还是双线性插值加卷积实测在超声数据上差别不大转置卷积容易产生棋盘伪影介意的话换成nn.Upsample加卷积。3.3 损失函数与评估指标的搭配2 类分割如果前景占比小交叉熵会被背景主导模型倾向于全预测背景。常见做法是交叉熵加 Dice 损失按 1:1 加权Dice 直接优化重叠度对类别不平衡不敏感。评估指标别只看像素准确率超声图像背景占 80% 以上全预测背景也能有 80% 准确率要看 Dice 系数和 IoU。下面这段训练循环把损失和指标都接上了。import torch.nn.functional as F def dice_loss(pred, target, eps1e-6): pred torch.softmax(pred, dim1)[:, 1] target (target 1).float() inter (pred * target).sum() return 1 - (2 * inter eps) / (pred.sum() target.sum() eps) def train_one_epoch(model, loader, optimizer, device): model.train() total_loss 0 for img, mask in loader: img, mask img.to(device), mask.to(device) optimizer.zero_grad() out model(img) loss F.cross_entropy(out, mask) dice_loss(out, mask) loss.backward() optimizer.step() total_loss loss.item() return total_loss / len(loader)Dice 损失里只取前景通道计算背景不参与这样前景小的时候梯度不会被淹没。学习率用 1e-3 配 Adam跑 50 个 epoch 观察验证集 Dice如果 20 个 epoch 后还在震荡把学习率降到 1e-4。权重衰减设 1e-4 防止过拟合4600 张数据不算多正则化不能省。4. 超声分割的避坑与排查那些指标虚高背后的真实原因4.1 验证集 Dice 很高但测试集崩了现象是训练时验证集 Dice 到 0.9换一批新数据掉到 0.6。原因通常是数据划分时没有按患者或扫查批次分组验证集里混入了训练集的近邻帧模型记住了而不是学会了。解决方法是拿到数据先看文件名或元信息里有没有患者 ID、视频 ID按 ID 分组划分同一患者的帧只出现在一个集合里。如果元信息缺失用图像相似度做聚类再分组虽然麻烦但比指标虚高强。4.2 模型把声影当成器官边界现象是分割结果在器官下方多出一块形状和声影区域吻合。原因是超声的声影、混响在灰度上和器官边界接近模型学到了错误的纹理关联。解决方法是增强里加入随机遮挡模拟声影或者在损失里对边界区域加权。我一般用 albumentations 的 CoarseDropout 随机挖几块让模型不依赖固定位置的暗区。4.3 训练损失正常但掩码全是背景现象是 loss 稳步下降但推理出来掩码全 0。原因是前景占比太低交叉熵被背景主导Dice 损失权重不够。解决方法是把 Dice 权重提到和交叉熵相当甚至更高或者用 Focal Loss 替代交叉熵。先算一下前景像素占比低于 5% 就必须调损失权重别硬跑。4.4 不同设备数据混在一起训导致指标波动现象是同一模型在不同来源的数据上 Dice 差 0.2 以上。原因是不同超声设备的灰度映射、增益设置不同图像分布差异大。解决方法是按设备做分组归一化或者用直方图匹配把不同来源的图像对齐到同一灰度分布。简单做法是统计每个来源的均值和方差分别标准化后再送入模型。4.5 掩码边缘锯齿导致 Dice 上不去现象是分割结果整体形状对但边缘毛糙Dice 卡在 0.85 上不去。原因是掩码 resize 用了双线性插值边缘被插成小数取整后产生锯齿。解决方法前面提过掩码必须用最近邻插值图像可以用双线性。另外后处理加一个条件随机场或者简单的形态学闭运算能把边缘平滑掉一两个百分点。5. 把 2 类分割推到可用迁移学习与推理后处理的实战技巧5.1 用自然图像预训练权重做编码器初始化4600 张数据从零训 U-Net 能收敛但编码器换成 ResNet 或 EfficientNet 的预训练权重收敛更快、最终 Dice 通常高 2 到 3 个点。做法是把 U-Net 编码器替换成 torchvision 里的 resnet18去掉全连接层取前几层输出接解码器。注意第一层卷积要改成单通道输入把预训练权重的三通道卷积核在通道维度求平均比随机初始化强得多。import torchvision.models as models import torch.nn as nn def build_encoder(): resnet models.resnet18(weightsmodels.ResNet18_Weights.DEFAULT) w resnet.conv1.weight.data.mean(dim1, keepdimTrue) resnet.conv1 nn.Conv2d(1, 64, 7, stride2, padding3, biasFalse) resnet.conv1.weight.data w return resnet权重求平均这一步是经验做法比直接取单通道效果好因为预训练卷积核的三个通道响应在灰度图上都有贡献。学习率要调低编码器用 1e-4解码器用 1e-3分组设置学习率能让预训练权重不被快速破坏。5.2 推理阶段的多尺度与测试时增强单尺度推理在超声图像上容易漏掉小器官或边界模糊区域。测试时增强做水平翻转加原图两次推理取平均概率图Dice 通常能涨 1 个点左右。多尺度则是把图像 resize 到 0.75、1.0、1.25 三个尺度分别推理再融合代价是推理时间翻三倍。如果部署环境算力够多尺度加 TTA 一起上如果要求实时只做水平翻转 TTA 性价比最高。推理策略Dice 提升推理耗时倍数适用场景单尺度基线1x实时推理水平翻转 TTA0.5~1.02x准实时多尺度融合1.0~2.03x离线分析多尺度TTA1.5~2.56x科研评估5.3 后处理连通域过滤与形态学修边模型输出概率图取 argmax 后往往有零星的小连通域这些是噪声。用 OpenCV 的connectedComponentsWithStats把面积小于阈值比如全图面积的 0.1%的连通域去掉能消掉大部分假阳性。再做一次形态学闭运算把边缘的小凹陷填上。这两步加起来代码不到 20 行但能让 Dice 再涨 0.5 到 1 个点属于低成本高回报的操作。import cv2 import numpy as np def postprocess(mask, min_area_ratio0.001): num, labels, stats, _ cv2.connectedComponentsWithStats(mask.astype(np.uint8), 8) h, w mask.shape min_area h * w * min_area_ratio clean np.zeros_like(mask) for i in range(1, num): if stats[i, cv2.CC_STAT_AREA] min_area: clean[labels i] 1 kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) clean cv2.morphologyEx(clean, cv2.MORPH_CLOSE, kernel) return cleanmin_area_ratio按你的器官大小调器官占图 20% 以上可以设 0.005小器官设 0.001。闭运算核大小 5x5 是起点边缘毛糙严重就加到 7x7但别太大否则会把器官边缘的真实凹陷也填掉。这套流程我在几个超声分割任务上反复用过最深的教训是别一上来就堆模型复杂度先把数据标签摸清楚、损失权重调对、后处理加上这三步做完2 类分割的 Dice 从 0.7 推到 0.9 是常事。模型换不换、预训练用不用反而是后面才需要考虑的事。希望帮到你。本文还有配套的精品资源点击获取