简介腹部14器官切片分割BTCV数据集面向医学图像分割学习与算法验证场景提供轴位面、冠状面、矢状面三个方向的2D切片影像与像素级标签。源数据来自BTCV公开CT数据集切片时已剔除ROI占比不足3%的无效图像并完成窗宽窗位对比度拉伸、统一缩放至512×512可直接用于分割模型输入压缩包共2000个文件以PNG图像为主另含可视化脚本show.py与classes.json类别映射文件整体约854.92MB。标签定义覆盖背景0及脾脏、右肾、左肾、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14个器官数据按x、y、z轴分别组织images与masks目录依次对应1141、5691、6811对图与掩膜便于按需提取结构或跨切面融合随包提供的可视化代码有助于快速核对mask叠加效果降低数据检查成本。目前已有1292人学习下载适合作为腹部多器官分割研究的起步数据集或Benchmark参考。1. 为什么拿到BTCV之后先别急着训3D模型很多人在某个开源医学影像公开赛的腹部CT数据集上下载完数据打开一看是几十个.nii.gz文件顿时就懵了体积数据怎么喂给网络显存撑不住怎么办标签怎么画出来看一眼于是有人直接上3D UNet结果训练到第三天发现预处理阶段就把窗宽窗位搞错了整个模型等于在噪声上学特征。这套「医学图像分割数据腹部14器官切片分割BTCV」的价值恰恰是把体积数据拆成三个切面的2D切片让显存压力骤降、调试周期缩短同时保留多视角信息。适合先用2D网络跑通baseline、再决定要不要上3D方案的从业者。本篇文章会从切片提取、标签处理到可视化验证完整走一遍最后给出我自己踩过坑后的进阶训练思路。2. 把14器官体积数据切成三个切面的切片坐标系、间隔和窗宽窗位2.1 轴向/冠状位/矢状位到底切哪个轴RAS坐标系与数组轴的映射CT体积数据在NIfTI文件里本质是一个三维数组但数组的三个轴和医学上的解剖方向并不直接对应这是第一个翻车点。NIfTI文件头里有affine矩阵它负责把数组坐标映射到真实物理坐标。常见约定是RAS坐标系其中X轴指向患者左侧、Y轴指向后方、Z轴指向头顶方向但不同采集设备写出的数据可能是LPS甚至任意旋转。题目的「3个切面」分别对应轴向切片通常是横断面从上往下看人体冠状位是从前向后看矢状位是从侧面看。拿到数据后不要猜用SimpleITK或nibabel读一下direction字段确定每个数组轴对应的解剖方向再决定切片时沿哪个轴走。判断坐标系有一个很土但有效的办法直接找一张矢状位切片看脊柱是否在图像中呈竖直走向且在前半部分。如果脊柱横在图像中间或者位置完全反了说明数组轴与解剖轴不一致需要先做方向重定向而不是直接切片。常见做法是先调用nib.load().get_fdata()拿到数组再用affine里的as_ras方法把数组转成一个统一朝向的版本。这样后续切出来的三个切面不管原始数据来自哪台设备方向都是统一的不会出现同一器官在两张切片上一张朝左一张朝右的尴尬局面。切片间隔也是必须提前定好的参数。有的原始数据体素间距是 0.7×0.7×5.0 毫米轴向层厚5毫米意味着Z轴方向一共就那么几十层切出来的轴向切片数量少、信息密度高而冠状位和矢状位切片数量可能上千层。直接全部切出来磁盘空间和后续加载都会吃紧。我一般先重采样到各向同性1毫米或1.5毫米再做切片提取这样三个切面的物理意义一致后续做多视角融合时不用来回换算坐标。如果不想重采样在切片脚本里加一个抽样间隔参数比如每隔3层取一张也能跑通但要注意小器官比如肾上腺可能只有1到2个切片覆盖抽稀后直接丢失这类器官只能在全切片密度下训练。2.2 切片提取脚本按轴切图、归一化、存成PNG和npy下面这段脚本是我常用的切片提取方案先读NIfTI、检查方向、再沿三个轴分别切图。它输出两类文件PNG用于人工可视化检查npy用于后续训练时快速加载。不要只存PNG因为PNG是8位整数会丢失CT原始值的信息模型训练还是回归到npy或原始数组更稳妥。import os import numpy as np import nibabel as nib import cv2 def load_and_reorient(nii_path): img nib.load(nii_path) data np.asarray(img.dataobj) # 统一到RAS方向避免三个切面朝向混乱 ras_img nib.as_ras(img) return ras_img.get_fdata(), ras_img.affine def ct_to_uint8(slice_2d, window_level-50, window_width300): 腹部CT常用窗位-50窗宽300范围约[-200, 100] HU。 这个窗口对肝脏、脾脏、肾脏等实质器官的对比度最好。 lower window_level - window_width / 2.0 upper window_level window_width / 2.0 clipped np.clip(slice_2d, lower, upper) mapped (clipped - lower) / (upper - lower) * 255.0 return mapped.astype(np.uint8) def extract_slices(nii_path, out_root, slice_step1): data, _ load_and_reorient(nii_path) n_axial, n_coronal, n_sagittal data.shape for axis, name in [(0, axial), (1, coronal), (2, sagittal)]: out_dir os.path.join(out_root, name) os.makedirs(out_dir, exist_okTrue) n_slices data.shape[axis] for idx in range(0, n_slices, slice_step): if axis 0: slice_2d data[idx, :, :] elif axis 1: slice_2d data[:, idx, :] else: slice_2d data[:, :, idx] slice_2d np.rot90(slice_2d) # 让图像上方对应解剖上方具体旋转角度以可视化结果为准 u8 ct_to_uint8(slice_2d) cv2.imwrite(os.path.join(out_dir, fslice_{idx:04d}.png), u8) np.save(os.path.join(out_dir, fslice_{idx:04d}.npy), slice_2d.astype(np.float32)) if __name__ __main__: extract_slices(ct_volume.nii.gz, ./slices, slice_step1)这段脚本里三个参数需要根据实际数据调整。第一个是window_level和window_width腹部软组织一般用-50/300但如果你想单独看骨骼或者看肠道气体需要换窗。第二个是slice_step1表示全量切片适合数据量不大时使用如果是几百例的大规模训练集建议先按3或5抽稀跑通流程再决定要不要全量。第三个是np.rot90这个必须配合可视化确认不同设备的存储顺序会导致图像上下颠倒或左右镜像靠经验瞎转不如直接切出一张图看一眼。还有一个容易忽视的细节三个切面的切片数量不同。轴向可能只有几十层矢状位可能有几百层这会导致训练时每个episode里三类切片的batch组成不同。我一般会在训练脚本里为每个切面单独维护一个文件索引列表按比例混合采样而不是简单地把所有文件放进一个文件夹了事。3. 标签文件怎么读、怎么转类别索引、重采样与类不平衡处理3.1 BTCV的14个器官类别编号与mask组织方式BTCV的标签文件通常是一个和CT体积尺寸相同的三维数组每个体素存一个整数0代表背景1到14分别对应14个器官。常见的类别编号顺序是1脾脏、2右肾、3左肾、4胆囊、5食管、6肝脏、7胃、8主动脉、9下腔静脉、10胰腺、11右肾上腺、12左肾上腺、13十二指肠、14膀胱。这套编号是公开数据集里约定俗成的顺序但不同来源的预处理版本可能重新排过序所以拿到标签后第一件事不是写训练代码而是统计所有非零类别的分布逐类确认索引对不对。有些版本的标签是mhd格式有些是nii.gz还有一些第三方转换脚本会顺手把标签的文件方向改掉。我遇到过标签数组和图像数组尺寸一致、但方向刚好转了90度的情况症状是叠加可视化时肝脏的轮廓永远对不上。这类问题在写损失函数之前必须先排查干净。一个最基础但有效的验证方法单独加载标签在轴向视图中找到肝脏最大的一层看它是否位于图像右侧解剖学上肝脏大部分在右上腹同时对照CT图像确认边界是否吻合。类不平衡是标签处理里必须正视的问题。肝脏、脾脏、肾脏体积大动辄几万个像素左右肾上腺加起来通常只有几百到几千个体素胆囊和十二指肠也属于小器官。直接对所有类别的像素一视同仁地计算交叉熵小器官的梯度完全被大器官淹没。常见做法是用Dice Loss或Focal Loss作为主损失或者在采样时对包含小器官的切片提高采样权重。后面训练章节会给出具体方案这里先明确一点标签处理阶段就要统计每个类别的体素占比把这些比例写进训练配置里而不是指望网络自己学到小器官的特征。3.2 标签预处理脚本最近邻重采样、单类提取、统一尺寸标签映射表和图像不对齐有一半的原因出在重采样环节。图像用三次插值没问题但标签一定不能用线性或三次插值因为插值会让原本为1的体素变成0.5之类的小数整数类别被抹掉。标签重采样必须用最近邻插值。同时要注意尺寸一致性CT文件可能被resize到512×512标签如果还停留在原始分辨率叠加时必然错位。下面是标签处理的核心脚本包含类别映射、最近邻重采样、单类mask提取三个步骤。import numpy as np import nibabel as nib import SimpleITK as sitk # BTCV标准类别映射 ORGAN_LIST [ background, spleen, right_kidney, left_kidney, gallbladder, esophagus, liver, stomach, aorta, inferior_vena_cava, pancreas, right_adrenal, left_adrenal, duodenum, bladder ] ORGAN_ID {name: idx for idx, name in enumerate(ORGAN_LIST)} def read_label(path): img nib.load(path) data np.asarray(img.dataobj).astype(np.uint8) # 检查类别范围是否合法 assert set(np.unique(data)) set(range(15)), 发现未知类别编号 return data def resample_label_to_ct(label_nii, ct_nii, out_path): 把标签重采样到与CT体积完全相同的网格必须用最近邻插值 label_img sitk.ReadImage(label_nii) ct_img sitk.ReadImage(ct_nii) resampler sitk.ResampleImageFilter() resampler.SetReferenceImage(ct_img) # 以CT为参考网格 resampler.SetInterpolator(sitk.sitkNearestNeighbor) resampler.SetOutputPixelType(sitk.sitkUInt8) resampled resampler.Execute(label_img) sitk.WriteImage(resampled, out_path) return out_path def extract_single_class(label_data, class_id): 提取某一个器官的mask输出0/1二值数组 mask (label_data class_id).astype(np.uint8) return mask def remove_overlap(label_data, priority_order): 部分数据集存在多器官重叠区域按优先级覆盖 result np.zeros_like(label_data) for cls_id in priority_order: if cls_id 0: continue result[label_data cls_id] cls_id return result label read_label(label.nii.gz) # 举例查看肝脏与胃的重叠情况如果重叠体素占比异常则需要处理 overlap np.sum((label 6) (label 7)) total_liver np.sum(label 6) print(fliver-stomach overlap ratio: {overlap / total_liver:.4f})脚本里最值得细说的是remove_overlap函数。有些数据集的标注由算法自动生成或多人协作完成器官之间可能存在重叠体素。遇到这种情况不能简单随机取一个类别而要按照解剖置信度排序覆盖比如肝脏和外部的边界如果与胃有纠缠默认优先保留肝脏的标签。这个优先级需要结合具体数据集的标注规范来定没有通用答案但统计重叠比例这一步必须有因为重叠会导致损失函数在边界处产生矛盾梯度。我的做法是在预处理阶段加一个报告脚本输出每个类别对的重叠百分比看到异常再决定是否覆盖而不是盲目套用一个映射表。保存格式上我推荐把处理后的标签存成np.uint8的.npy文件并且和图像切片保持相同的切分方式与命名规则。这样训练代码里加载图像和标签时只需替换路径前缀中间不会出现文件名错位。如果内存吃紧可以按切片单独存储但一定不要用PNG保存标签因为PNG有调色板问题且可能压缩类别IDnpy是最无脑可靠的方案。4. 可视化代码先跑通切片叠标签训练前必做的三个检查4.1 叠加与轮廓绘制脚本一张图看清对齐关系拿到切片和标签之后第一件事是把它们叠在一起看。这一步能拦下大量低级错误比如方向翻转、类别错位、重采样错位这些错误如果混进训练集模型只会学到错误的映射。下面这段可视化脚本会生成三张图原图灰度、标签彩色叠加、标签轮廓线绘制在原图上。轮廓线比半透明叠加更容易暴露1到2像素的偏移我会优先看轮廓图。import matplotlib.pyplot as plt import numpy as np from scipy import ndimage # 给14个器官分配稳定颜色同一个器官在不同切片上颜色必须一致 ORGAN_COLORS np.array([ [0, 0, 0], # 背景 [1, 0, 0], # 脾脏 红 [0, 1, 0], # 右肾 绿 [0, 0.7, 0.3], # 左肾 [1, 1, 0], # 胆囊 [0.8, 0.5, 0], # 食管 [0.5, 0, 1], # 肝脏 紫 [0, 0.8, 0.8], # 胃 [1, 0, 1], # 主动脉 [0.3, 0.3, 0.8], # 下腔静脉 [0.8, 0.2, 0.2], # 胰腺 [0.2, 0.8, 0.2], # 右肾上腺 [0.8, 0.8, 0.2], # 左肾上腺 [0.2, 0.2, 0.8], # 十二指肠 [0.6, 0, 0.6], # 膀胱 ]) def visualize_overlay(image, label, save_path, contour_onlyFalse): fig, axes plt.subplots(1, 3, figsize(18, 6)) axes[0].imshow(image, cmapgray) axes[0].set_title(CT slice) rgb_label np.zeros((*label.shape, 3)) for cls_id in range(1, 15): rgb_label[label cls_id] ORGAN_COLORS[cls_id] axes[1].imshow(image, cmapgray) axes[1].imshow(rgb_label, alpha0.45) axes[1].set_title(overlay) axes[2].imshow(image, cmapgray) for cls_id in range(1, 15): mask (label cls_id).astype(np.uint8) if mask.sum() 10: continue edges ndimage.sobel(mask.astype(float)) axes[2].contour(edges, levels[0.5], colors[ORGAN_COLORS[cls_id]], linewidths0.6) axes[2].set_title(contour) plt.tight_layout() plt.savefig(save_path, dpi120) plt.close() image np.load(slices/axial/slice_0005.npy) label np.load(labels/axial/slice_0005.npy) visualize_overlay(image, label, check_slice_0005.png)这段脚本的核心逻辑是把标签数组变成一个三通道彩色图然后以半透明方式叠在灰度图上。轮廓模式用的是Sobel算子提取mask边缘再用contour画线好处是边缘不掩盖CT图像本身的纹理。如果发现轮廓整体偏移1到2个像素优先怀疑重采样时参考网格不一致如果发现轮廓完全对不上优先怀疑方向问题而不是尺寸问题。我把contour_only参数保留的目的就在于此多数情况下我只看第三张图就够了。注意颜色数组的第一行是背景全黑不要被Matplotlib的自动颜色循环干扰。4.2 训练前必查的三类异常错位、漏标、灰度范围失控可视化不是看一眼就完事要有固定的检查清单。第一个必查项是「解剖结构朝向」。在轴向切片里患者的肝脏应位于图像的屏幕右侧相当于解剖学右侧脊柱应位于底部偏后如果在你的切片里肝脏跑到了左侧说明切片在保存时发生了水平翻转模型学到的是左右反转的解剖结构预测结果上临床绝对没法用。这种错误在矢状位切片里尤其隐蔽因为矢状位没有左右之分前后方向反了也不容易一眼看出来。第二个必查项是「漏标器官」。14个器官里胆囊、肾上腺、十二指肠这类小目标在很多切片里根本不出现这正常。但不正常的是某一个大器官在连续几十张切片里完全消失。我遇到过某版本的标签把胃整个漏掉的情况可视化时观察到CT图像里胃部有明显的气液平面但label数组里那一片全是0。这种漏标会导致训练时模型把胃的内容物学到背景里后续预测时胃永远是一团噪声。检测方法很简单按类别统计每张切片中该器官的像素数量画出随切片序号变化的曲线如果一个器官的像素量在前半程正常、后半程骤降为0十有八九是漏标。第三个必查项是「灰度范围失控」。腹部CT的HU值范围从-1000到3000但不同器官的对比度集中在一个很窄的窗口里。如果切片保存时没有做窗宽窗位归一化直接把原始HU值映射到0到255大部分图像看起来就是黑乎乎一片肝脏与肾脏边界几乎不可见。训练时网络还能强行学一些特征但泛化能力极差换一台设备的扫描参数就崩。检查方法是在可视化脚本里打印每张切片的min、max、mean三个统计量如果均值长期在-800以下说明空气占了大部分视野可能切到了身体外部区域这类切片参与训练只会拉低模型表现。5. 避坑器官切片分割最容易翻车的5个问题5.1 坑1三个切面坐标系绕晕了冠状位图像整体转了90度现象轴向切片一切正常但切到冠状位和矢状位时肝脏的轮廓标注与CT图像完全对不上看起来像标签整体旋转了90度。原因NIfTI文件的direction字段不是单位矩阵nibabel读取的数组轴顺序是(x, y, z)但不同设备写入的轴向含义不同。轴向切片在数组上取的是第0维冠矢状位取第1、2维如果原始数据是LPS坐标系直接切出来的矩阵布局和RAS坐标系下期望的布局刚好差一个转置。解决切片前统一调用nib.as_ras()重定向并在切片后做一次可视化自查。不要在脚本里靠记忆旋转方向每换一个数据集就重新跑一次检查函数。我的习惯是写一个自动化脚本自动从标签里找到肝脏mask计算mask质心在图像中的位置肝脏质心应当位于水平方向的右半部分如果不在自动翻转并告警。5.2 坑2窗宽窗位不统一肝脏看起来像星空现象同一份数据里有的切片看起来肝脏对比度很高血管清晰可见有的切片整个图像发白发灰器官边界几乎看不清。模型在验证集上Dice忽高忽低。原因不同患者的扫描参数、增强时相不同导致HU值分布差异巨大。固定用一组窗宽窗位切出来的图像会对部分病例产生过曝或欠曝。肝脏在平扫和增强扫描下衰减值可以相差30HU以上一张窗宽300的图对增强后的肝脏边界可能完全失效。解决切片阶段不要只存PNG同时保留原始HU值的npy文件。训练时对每个sample动态做随机窗宽窗位增强比如每张切片随机在window_level-50±30、window_width300±80范围内采样并归一化。这样模型学到的特征对窗参数不敏感而不是死记某一组固定窗口下的纹理。同期也建议在验证集上统计不同窗参数下的Dice方差方差大的病例优先补做预处理增强。5.3 坑3重采样后标签错位肾跑到了肝的位置现象原始CT是512×512×若干层标签也是同样尺寸但重采样到256×256后标签里肾脏的位置整体向右下方偏移了有些器官甚至直接消失。原因重采样时用了统一的线性或三次插值或者resample的方向、原点设置错误。标签是整数类别图线性插值会在类别边界产生混合值经过取整后某些薄壁结构比如肾上腺被直接抹掉。另一个常见原因是只指定了输出尺寸没有指定输出原点导致标签网格和图像网格错开半个体素。解决重采样标签必须用sitkNearestNeighbor且以CT图像为ReferenceImage让标签完全继承CT的origin、direction、spacing。重采样后做一次硬校验统计每个类别的体素数和重采样前的数量对比误差控制在2%以内如果超过5%说明有小器官被吞掉了。我在项目里把这种数量校验写成CI流程每个数据版本上线前都必须跑过。5.4 坑4小器官类别不平衡肾上腺怎么训都预测不出来现象肝脏、脾脏、肾脏的Dice能到0.85以上但肾上腺、胆囊、十二指肠的Dice长期在0.1以下。训练loss一直在降小器官的预测结果却几乎全是背景。原因小器官在整张切片里只占几十到几百个像素交叉熵损失里它们贡献的梯度几乎可以忽略。即使损失函数里加了Dice如果按类别平均计算大器官的主导地位还是压过小器官。加上小器官边界模糊标注本身也容易漏标模型学到的特征本身就弱。解决我试过有效的方法是「小器官重采样」。训练时维护一个采样权重表每个切片的采样概率正比于这张切片里小器官像素数低于全图0.5%的类别的占比。比如肾上腺权重设为正常切片的5倍胆囊设为3倍。配合Dice Loss或加权的CrossEntropy让每个batch里至少有一张小器官存在的切片。另一个有效手段是只对包含小器官的局部区域计算损失比如先根据mask确定包围盒让损失函数聚焦在包围盒区域相当于给小器官一个局部注意力机制。两种方式我最后都保留在训练代码里用超参控制开关。5.5 坑5切片方向与标注镜像翻转可视化对不上现象用脚本生成可视化图发现CT切片里脊柱在左侧但标签mask的脊柱在右侧看起来像是镜像对称的图。核对轴向和矢状位都有这个问题冠状位反而正常。原因部分第三方转换工具保存PNG时OpenCV的imwrite默认按数组行序输出而Matplotlib显示时原点在左上角、y轴朝上两者对数组的解释存在一个翻转。保存npy时没有这个问题因为在训练代码里加载npy后直接以数组坐标索引但如果中途用过PIL、cv2、matplotlib混合读写很容易在某个环节多翻转一次。解决统一所有图像读写工具链。能走npy就绝不走PNG。如果因为调试需要保存PNG在保存时加一行注释明确「该PNG是从npy直接转的未做任何旋转」。在训练代码里对图像和标签做相同的数据增强变换保证随机翻转时两者同步不要在图像上做水平翻转而标签不跟着翻。可视化自查时使用同一套加载函数不要把「可视化时显示正确」和「训练时切片正确」当成两套流程否则各绕各的最终模型输出和真实解剖结构对不上。6. 进阶用矢状位切片做困难样本挖掘回填轴向训练集2D模型在轴向切片上训练到一定阶段后提升速度会明显变慢尤其是胰腺和十二指肠这类形状不规则的器官单张轴向切片很难捕捉它们沿头尾方向的连续结构。我的进阶做法是用矢状位切片做困难样本挖掘把轴向模型预测置信度低的切片筛选出来补充进训练集再训一轮通常能把小器官的Dice再拉高3到5个百分点。具体流程分三步。第一步用当前轴向模型对每一张矢状位切片做预测计算预测mask与标注mask之间的Dice第二步按Dice从低到高排序取出最低的10%切片同时统计这些切片里包含哪些器官如果某个器官的失败样本数量超过阈值就把这些矢状位切片及其标签加入训练集第三步混合轴向与矢状位切片进行二次训练学习率调为原来的四分之一。这样做的核心逻辑是轴向切片的盲区往往在矢状位上恰好是信息最完整的视角胰腺沿身体长轴走行矢状位能同时看到胰头、胰体和胰尾的空间关系模型补训后对轴向切片的特征提取也会有正向反馈。实际操作中还有一个更细的技巧对筛选出的困难切片做轻微形变增强比如随机弹性变形只对图像和标签同步做不改变切片方向。这能防止模型对困难样本过拟合记住了具体这张切片的噪声纹理。我早期跳过这一步结果困难样本Dice从0.2涨到0.4后就不再上升加上形变增强后才继续爬升。整个流程跑完后再用冠状位切片做一次最终验证三个切面的Dice中位数都达到训练史最高点才把模型冻结。这段经验是从某次凌晨调参的血泪教训里总结出来的。当时跳过方向校验直接训练一个周后可视化发现预测结果左右翻转等于白跑。从那以后所有新数据集的pipeline都强制从可视化检查开始不看到合格的叠加图绝不进入训练。希望这套切面提取、标签处理和可视化闭环的思路能帮到你。本文还有配套的精品资源点击获取