简介面向计算机相关专业正在准备毕业设计的学生提供一套经过导师指导并认可的医学图像分割Python项目含源代码与文档说明评审分99分代码完整可运行适合作为毕业设计、课程设计或期末大作业也适合需要项目实战练习的学习者。压缩包共31个文件核心为16个Python脚本涵盖图像预处理、nii与npz转换、TFRecord生成、分割网络、GAN对抗训练、3D可视化等功能模块辅以XML配置、JSON参数、Markdown说明文档及训练集/验证集列表文件整体仅121KB轻量便携目录结构清晰。已有102人学习。借助README、依赖清单与模块化代码可快速复现医学图像分割完整流程理解数据加载到模型训练的关键环节代码保留较强扩展性便于替换数据集、调整网络结构或融入其他方法对初次接触分割任务的小白尤为友好能有效缩短开发周期。1. 医学图像分割毕设项目先看这套源代码包里有什么拿到一个 python 毕业设计-医学图像分割 的源码包我第一反应不是去看 README而是直接扫目录里有没有 train 脚本、有没有数据预处理、有没有三维可视化——这三个缺一样答辩都会很难受。这套包恰好全都有而且是 CT/MR 双模态train_gan.py 负责对抗训练train_segmentation.py 负责分割主任务source_segmenter.py 做装配数据侧走 nii2npz.py 转格式、gettfrecords.py 生成 TFRecord、data_loader.py 喂数据最后 plot_3d.py 把分割体渲染成三维结果。换句话说它不是一个“跑个 MNIST 就当毕设”的玩具而是一套有数据管道、有对抗增强、有多模态适配、有可视化闭环的完整工程。正在做医学图像分割方向毕业设计或课程大作业的人可以直接照着复现改改数据列表就能换自己的数据集出结果。2. 数据管道把 NIfTI 变成能喂给模型的 npz 与 TFRecord2.1 nii2npz.py为什么医学图像非要先转格式医学影像的标准格式是 NIfTI.nii / .nii.gz它和普通图片的最大区别是除了体素数组还带着 affine 矩阵、spacing、方向信息。nibabel 读取一个 .nii 要解析 header而 numpy 直接读 .npz 没有这层开销。毕设场景下数据量通常在几百到几千个病例每个病例是 512×512×N 的体数据训练时如果每次都现场解析 NIfTICPU 会一直忙于解压和仿射变换GPU 反而在等数据这是最常见的性能瓶颈。所以 nii2npz.py 做的事情很朴素一次性把 .nii 里的图像数组和标注数组label一般是 0/1 的 mask打包进一个 .npz并把 spacing 和方向信息以 json 字符串随包保存。我一般会建议保留 spacing因为之后如果要重采样到各向同性体素需要它。下面是一段和包内 nii2npz.py 思路一致的参考实现import nibabel as nib import numpy as np import json def nii2npz(nii_path, label_path, out_path, save_spacingTrue): img_nii nib.load(nii_path) label_nii nib.load(label_path) # dataobj 是懒加载转成 np 数组后才真正读入内存 img np.asarray(img_nii.dataobj, dtypenp.float32) label np.asarray(label_nii.dataobj, dtypenp.uint8) meta { spacing: np.array(img_nii.header.get_zooms()[:3]).tolist(), affine: np.asarray(img_nii.affine).tolist(), } np.savez_compressed( out_path, imgimg, labellabel, meta_jsonjson.dumps(meta), # 存进 npz 而不是另开一个 json ) print(fsaved {out_path}, img {img.shape}, label {label.shape}) if __name__ __main__: nii2npz(data/img.nii.gz, data/label.nii.gz, data/case001.npz)这段逻辑里img 转成 float32 是为了后续归一化不做类型转换label 转成 uint8 是因为分割标注通常就是 0、1、2 这类小整数硬用 int64 存会让内存翻 8 倍。meta 用 json 字符串塞进 npz 而不是另写一个文件文件少一个目录就干净一分。参数上最值得改的是压缩开关如果机器 CPU 够强就用 np.savez_compressed磁盘能省一半以上如果转换完之后还要反复读改用 np.savez 不压缩反而更快。注意不同模态的预处理最好不要在这一步做死。MRI 有偏置场CT 有窗宽窗位这些留给 mri_image_preprocess.py / image_process.py 处理转换脚本只负责格式不要让一步承担太多职责。2.2 gettfrecords.py数据量大起来之后的可选项如果样本少几十个病例npz 直接全量读进内存就够了。但医学影像一个病例就有几十上百 MB几百个病例加起来就是几十 GB内存装不下训练时就要走流式读取。TFRecord 在这时候才有价值。gettfrecords.py 做的事情是把前面生成的 npz 序列化成 tf.train.Example 写到 .tfrecord 文件之后 tf.data 按 batch 流式解析不用一次性加载全集。import tensorflow as tf import numpy as np import os def _bytes_feature(value): return tf.train.Feature(bytes_listtf.train.BytesList(value[value])) def npz_to_tfrecord(npz_path, record_path): data np.load(npz_path) img, label data[img], data[label] # 用 raw bytes 存读取时再 reshape绕开 tfrecord 的 shape 限制 img_raw img.astype(np.float32).tobytes() label_raw label.astype(np.uint8).tobytes() feature { img_raw: _bytes_feature(img_raw), label_raw: _bytes_feature(label_raw), height: tf.train.Feature(int64_listtf.train.Int64List(value[img.shape[0]])), width: tf.train.Feature(int64_listtf.train.Int64List(value[img.shape[1]])), depth: tf.train.Feature(int64_listtf.train.Int64List(value[img.shape[2]])), } with tf.io.TFRecordWriter(record_path) as writer: writer.write( tf.train.Example(featurestf.train.Features(featurefeature)).SerializeToString() )关键点在于把三维数组当作 bytes 整体写入而不是逐体素写入否则一个 512×512×128 的卷会产生上千万条 feature写入慢到怀疑人生。读取时按 height/width/depth 三个字段 reshape 回来即可。解析时用 tf.io.FixedLenFeature 拿 bytes再 tf.io.decode_raw 解码配合 tf.reshape 还原成 [H, W, D] 或 [D, H, W]——这个维度顺序就是后面避坑章节要重点强调的地方。还有一点注意如果用 TensorFlow 2.x代码里的 tf.train 要换成 tf.compat.v1.train 才能直接跑这是版本切换最常见的报错点。实操层面样本在 200 个以内之前我一般不会主动上 TFRecord。它带来的收益是省内存代价是调试成本变高。第一次跑通项目时先用 npz 全量加载跑通后再切 TFRecord这个顺序对新手最友好。2.3 lists 文件与 data_loader名单错一行评估全废包里 lists 目录下的 mr_train_list、ct_train_list、mr_val_list、ct_val_list 四个 txt是 CT/MR 各自训练和验证的样本名单。data_loader.py 读取这些 txt把样本路径喂给训练循环。这个小设计比直接把所有数据塞进去更专业——换数据集时只要改名单模型代码一行不用动。import os import tensorflow as tf def load_list(list_path): with open(list_path, r) as f: lines [l.strip() for l in f.readlines() if l.strip()] return lines def data_loader(list_file, data_dir, batch_size4, shuffleTrue): samples [os.path.join(data_dir, l) for l in load_list(list_file)] dataset tf.data.Dataset.from_tensor_slices(samples) if shuffle: dataset dataset.shuffle(len(samples)) dataset dataset.map(parse_func, num_parallel_callstf.data.AUTOTUNE) dataset dataset.batch(batch_size).prefetch(tf.data.AUTOTUNE) return dataset这里最容易被忽视的是if l.strip()这个过滤——txt 末尾如果有空行不过滤就会得到一个指向空字符串的路径运行时才报错报错信息往往让人一脸懵。另外我习惯在 load_list 里顺手打印一次样本总数和实际 npz 文件数做比对不一致就停下来查绝不带着怀疑往下跑。数据管道到这里就闭环了.nii → npz →可选tfrecord → data_loader。下面进入 GAN 部分这也是这个项目和普通分割毕设最大的区别。3. 对抗训练adversarial.py 与 train_gan.py 怎样配合分割任务3.1 adversarial.py 的模块结构生成器、判别器和对抗损失adversarial.py 是这套代码里最容易劝退新手的模块。拆开看它只有三样东西生成器 G、判别器 D、一段对抗 loss 的计算。以常见的 U-Net 型生成器为例编码器下采样四层每层两个卷积加 leaky ReLU解码器用转置卷积上采样中间用 skip connection 把同尺度特征拼回来——这是医学图像任务里生成器的标配结构因为要保留空间细节。判别器用的是 PatchGAN输入不是整张图而是固定大小的 patch对每个 patch 输出真伪概率最后取平均。普通判别器输出一个标量容易陷入“整体风格对但局部器官边界糊”的困境PatchGAN 强制判别器在局部高频结构上做判断分割边界的锐度就是靠它拉起来的。下面是一个简化的结构骨架class Generator(tf.keras.Model): def __init__(self): super().__init__() # 编码器逐级下采样到 1/16 分辨率 self.enc [down_block(64), down_block(128), down_block(256), down_block(512)] self.bottleneck conv_block(512, dilation2) # 解码器逐级上采样回原尺寸 self.dec [up_block(256), up_block(128), up_block(64)] self.out tf.keras.layers.Conv3D(1, 1, paddingsame, activationtanh) class PatchDiscriminator(tf.keras.Model): def __init__(self): super().__init__() # 4 个卷积层最后一层 stride1 不额外下采样 self.convs [ conv_2d(64, 4, stride2), conv_2d(128, 4, stride2), conv_2d(256, 4, stride2), conv_2d(1, 4, stride1), ] def call(self, x): for c in self.convs: x c(x) return x # 输出 [B, H, W, 1]每个位置是一个 patch 的真伪分这是示意性骨架实际用的时候还得配上实例归一化和 leaky ReLU 激活。参数上留意两个地方一是编码器通道数从 64 起步每下采样一次翻倍显存吃紧就把 64 改成 32二是生成器输出层的激活函数如果输出的是中间过渡图像用 tanh如果输出的是 mask 概率图用 sigmoid两件事不要混用。判别器结构看起来简单但对训练稳定性影响极大。我见过太多把判别器堆得很深很宽、然后 D 的 loss 一路狂泻到 0、生成器梯度直接消失的情况。4 层卷积、stride 2 下采样、输出 patch 控制在 16×16 以内这个配置在绝大多数医学图上够用不要盲目加深。3.2 train_gan.py 跑起来先把对抗训练调稳train_gan.py 把 G 和 D 的优化器分开设常见做法是两者都用 Adam判别器学习率压到生成器的 1/2 到 1/4比如 G 用 2e-4D 用 5e-5。原因很简单判别器学得太快D 的 loss 趋近 0给生成器的梯度全是噪声判别器学得太慢生成器会轻易骗过它但生成图像质量没上来。GAN 训练本质上是在这个对抗平衡点附近来回震荡学习率比例就是控制震荡幅度的旋钮。单步训练循环的骨架大致如下with tf.GradientTape() as g_tape, tf.GradientTape() as d_tape: fake generator(real_img) # 生成器输出 d_real discriminator(real_label) # 判别器看真值 d_fake discriminator(fake) # 判别器看生成结果 d_loss bce(d_real, ones) bce(d_fake, zeros) # 生成器 对抗 loss 内容 lossL1lambda_l1 控制两者权重 g_loss bce(d_fake, ones) lambda_l1 * l1_loss(fake, real_label) g_grads g_tape.gradient(g_loss, generator.trainable_variables) d_grads d_tape.gradient(d_loss, discriminator.trainable_variables) g_optimizer.apply_gradients(zip(g_grads, generator.trainable_variables)) d_optimizer.apply_gradients(zip(d_grads, discriminator.trainable_variables))注意生成器的 loss 由两部分组成bce(d_fake, ones) 是对抗项让生成结果尽量接近真值分布l1_loss 是像素级绝对值差属于内容项防止对抗项把输出带偏成一个“看起来真实但对齐错误”的 mask。lambda_l1 这个权重建议 10 起步小了内容漂移大了对抗失去意义。训练节奏上每步先训判别器一次再训生成器一次不要在一个 batch 上让 D 迭代太多次这是新手最容易犯的毛病。train_gan.py 还有一个容易被忽视的职责把训练好的生成器权重导出成 checkpoint供后续 train_segmentation.py 读取。如果 GAN 和分割是两个独立入口、中间没有 checkpoint 衔接那这两个文件就只是各自跑各自的和普通分割没有任何关系这点在复现时要确认清楚。3.3 GAN 对分割的三个实际收益这个收益要落到机制上不能空谈。第一是域归一化。MR 和 CT 的图像分布差异巨大同一个分割网络直接跨模态训练通常效果崩溃。在 train_gan 阶段生成器学到的是把不同模态图像映射到一个统一分布分割网络在归一化域上训练收敛速度和最终 Dice 都会提升。第二是边缘锐化。PatchGAN 对局部纹理的判别压力会让分割网络不敢输出模糊的边界这是普通 dice loss 做不到的。第三是半监督潜力。医学标注昂贵判别器可以被用来判断哪个预测 mask 值得加入训练集为后续半监督扩展留了接口。这三点在答辩里是最容易被老师追问的地方能讲清楚机制比只报一个 Dice 分数有说服力得多。4. 分割主流程source_segmenter.py 与 train_segmentation.py 的装配逻辑4.1 source_segmenter.py入口脚本做了几件事这个文件是整个包的枢纽。它把数据加载、模型构建、loss、优化器、checkpoint、日志这些模块装配成一条可训练的流水线。我拿到一个陌生项目时习惯先看这类装配代码因为它决定了每个模块之间怎么衔接。常见的装配方式类似这样def build_pipeline(config): model get_model(config[model_name]) # unet / segnet 按名字取 loss_fn get_loss(config[loss]) # dice / dice_bce optimizer tf.keras.optimizers.Adam( learning_rateconfig[lr], beta_1config[beta1], beta_2config[beta2], ) train_ds data_loader(config[train_list], config[data_dir]) val_ds data_loader(config[val_list], config[data_dir], shuffleFalse) checkpoint tf.train.Checkpoint(modelmodel, optimizeroptimizer) manager tf.train.CheckpointManager(checkpoint, config[ckpt_dir], max_to_keep3) if manager.latest_checkpoint: checkpoint.restore(manager.latest_checkpoint) print(frestored from {manager.latest_checkpoint}) return model, loss_fn, optimizer, train_ds, val_ds, manager这里 model 的构建被抽象成 get_model(model_name)在 lib.py 里根据配置返回对应模型。看代码时要把这条链路理顺source_segmenter.py → lib.py → layers.py。layers.py 放的是卷积块、归一化、激活这些基础层lib.py 用这些基础层拼出完整网络。如果只把三个文件当黑匣子跑后面想改模型结构会非常痛苦——它并不是直接把模型定义写死在主文件里而是通过 config 里的 model_name 字段去查表。4.2 config_param.json 全参数解读config_param.json 是这套代码的“开关面板”。我复现任何项目的第一件事都是把 json 里每个字段过一遍搞清楚哪些是必须动的哪些保持默认就行。这里给出一份常用参数表参数示例值作用备注batch_size4每次迭代样本数显存不够先从这里降image_size[256, 256, 64]体数据裁剪尺寸尽量与原始数据一致lr1e-4分割网络学习率与 GAN 的 lr 分开设置beta1 / beta20.9 / 0.999Adam 参数GAN 分支 beta1 降到 0.5lossdice_bce损失函数选择换 loss 在这里切lambda_l110.0内容 loss 权重只在 GAN 分支生效use_gantrue是否启用对抗辅助false 时退化为普通分割num_classes1分割类别数多器官改成对应数字epochs100训练轮数医学数据集 100 起步data_dir./data/npz数据根目录与 lists 里路径拼接ckpt_dir./checkpoints检查点目录中断恢复用其中最重要的开关是 use_gan。false 时train_segmentation.py 完全跳过 GAN 分支直接训练分割网络作为 baselinetrue 时把第 3 章训好的生成器权重加载进来对输入图像先做分布归一化再喂给分割网络。这个开关的意义在于答辩时可以迅速对比“有对抗辅助 vs 无对抗辅助”两组结果一组对比图比五页文字说明都值钱。4.3 train_segmentation.py 的两个细节loss 选择与 warm starttrain_segmentation.py 的训练循环本身不复杂前向、算 loss、反传、打印指标、定期存 checkpoint。值得展开的是 loss 的选择。纯 dice loss 在目标区域极小时梯度不稳定纯 bce 在类别不平衡时偏向背景所以代码里默认的 dice_bce 是两者相加一个管区域重叠一个管像素级置信度。我常用的配比是 dice_loss 0.5 * bce重病灶区域的重合度轻一点对背景的惩罚。多器官分割如果类别数多把 dice 换成 generalized dice 或者加权的交叉熵具体公式在 lib.py 或 ops.py 里找找看。训练循环里还有一个不能漏的东西每个 epoch 结束时要跑一次验证集计算 mean Dice 并记录。很多毕设代码是训练 loss 一路下降最后拿测试集跑一次就结束了。训练 loss 下降没有任何说服力因为模型完全可以过拟合——验证集 Dice 曲线才是真正能写进论文里的曲线。我在自己的项目里强制要求val loss 连续 15 个 epoch 不降就早停并把最佳权重复制到 best_model 目录避免最后一次 checkpoint 反而是过拟合状态。warm start 是另一个值得说的细节。训练中断是常事机器重启、显存 OOM、机房断电不带恢复机制的训练代码在毕设阶段会让人多熬两天夜。上面 source_segmenter.py 里的 CheckpointManager 就是为了解决这个manager.latest_checkpoint 非空就 restore接着上次的 epoch 继续跑不用从头再来。5. 避坑记录这套包里的六条血泪经验5.1 MR 和 CT 混在一个列表里训练Dice 倒退 20 个点现象把 mr_train_list 和 ct_train_list 合并成一个大列表喂进去跑 50 个 epoch 后验证 Dice 只有 0.58分开训练两个都能到 0.75 以上。原因MRI 和 CT 的灰度分布根本不是同一套物理含义。CT 是 X 射线衰减系数单位 HUMRI 是质子密度和驰豫时间的加权信号没有标准数值范围。混在一起时分割网络的 BatchNorm 统计量在两种分布之间来回漂移模型被迫去学“如何同时适应两种分布”而不是学“病灶长什么样”。解决模态分开训练用 config 参数切换。即使要做跨模态实验也要先对两种模态做各自的归一化CT 走窗宽窗位裁剪MR 走百分位截断加 z-score把两边数值拉到一个尺度再进模型。5.2 NIfTI 的维度顺序是 DHW直接当 numpy 数组用会翻转现象三维可视化时发现分割结果整体旋转了 90 度或者上下颠倒。原因NIfTI 标准的组织顺序是 [Depth, Height, Width]而很多图像处理代码习惯的 numpy 布局是 [H, W, D]。nii2npz 转换时如果没注意轴顺序img 数组的 shape 是 [D, H, W]训练时网络按 [H, W, D] 去 reshape体数据的空间坐标轴就被错位了。轴顺序错乱不会报错只会在可视化时暴露出问题。解决在 nii2npz.py 的输出阶段统一约定我一般约定 npz 里的数组固定为 [D, H, W]data_loader 读取后调用一次 tf.transpose 转成网络输入要求的布局。关键是把这个约定写进 README 或 config 注释里不然换个人接手同一个坑会再踩一遍。5.3 CT 不设窗宽窗位分割结果像盐撒在纸上现象CT 分割结果在腹部区域全是噪点正常器官反而被吞掉。原因CT 的原始 HU 范围从 -1024 到 3000 以上人体软组织的 HU 只在 -100 到 100 左右。不做窗宽窗位裁剪直接喂网络绝大多数数值动态范围被皮肤和骨头占据软组织细节在模型眼里约等于不存在。解决预处理里对 CT 做窗宽窗位裁剪。常用参数腹部窗宽 400、窗位 40肺窗窗宽 1500、窗位 -600。裁剪后再做 min-max 归一化让软组织落满整个数值范围。这是 CT 分割最基础也最容易被忽略的一步image_process.py 里应该有现成函数找不到就自己写。5.4 判别器 loss 降到 0.001生成器反而不会分割了现象GAN 训练后期 D 的 loss 一直接近 0分割网络 Dice 不升反降。原因判别器学得太强生成器的对抗 loss 梯度消失L1 内容项单独撑着输出分割网络实际上退化成朴素监督训练但多出来的对抗分支还在干扰梯度。这是 GAN 辅助训练里最典型的失衡。解决把判别器学习率调到生成器的 1/4或者给判别器加 label smoothing正样本标签从 1 平滑到 0.9。这两个动作都是在给判别器“降速”让它在缓慢变化中持续给生成器提供有效梯度。另外每 5 个 epoch 打印一次 D 和 G 的 loss 曲线D 长时间贴着 0 就要停下来调参不要等 100 个 epoch 跑完才发现。5.5 显存 OOM 先别怪显卡看看 batch 里的体数据多大现象batch_size4 直接 OOM报错信息是类似 [4, 512, 512, 128] 的 Shape 无法分配。原因一个 512×512×128 的 float32 体数据约 128MBbatch_size4 再加上中间特征图单卡 11GB 根本扛不住。很多人第一时间想换显卡实际上把整卷切成 patch 就能解决。解决训练时用随机裁剪把每个 volume 切成若干 128×128×32 的 patch 作为输入batch_size 可以维持 4~8显存占用反而降一个量级。代价是 loss 的颗粒度从病例级变成 patch 级边界处会有接缝但对大多数分割任务影响可控。验证时再切回全卷推理两者结果对比正好还能检验 patch 拼接的痕迹。5.6 lists 文件和 npz 文件对不上val Dice 虚高现象验证集 Dice 0.82肉眼裁开三维渲染却发现大块漏分割。原因val_list 里有一部分样本和 train_list 重复。重复样本让验证集“见过”训练数据指标虚高。这是毕设里很隐蔽的翻车点——数据切分享用同一个文件夹随手生成名单时没做去重。解决生成三个列表时对文件路径做求差校验确保 train_list 和 val_list 交集为空再打印名单行数与实际 npz 文件数不一致就中止。6. 三维可视化用 plot_3d.py 给分割结果做最后验证6.1 三维渲染的真正作用plot_3d.py 不是做花瓶的。它通过 marching cubes 算法以体素值为场函数找到值为 0.5 的等值面在这个面上生成三角网格再用 matplotlib 的 Poly3DCollection 渲染成三维表面图。这一步最大的价值是暴露 2D 指标掩盖的问题切片上看不清的孤立噪点、器官边界的锯齿、伪影在三维渲染下一目了然。6.2 把 Dice 计算与渲染焊进验证循环这是我在这个项目上强烈建议加的一个小技巧验证循环跑完一个 epoch自动存一张渲染图并打印该病例的 Dice。这样每次训练结束打开输出目录看到的不是一排排数字而是肉眼可以直接判断的结果。def validate_and_render(model, val_case, save_dir, epoch): img, label val_case[img], val_case[label] pred model.predict(img[np.newaxis, ...])[0] pred (pred 0.5).astype(np.uint8) dice compute_dice(pred, label) fig plot_3d(pred, label) fig.savefig(os.path.join(save_dir, fepoch_{epoch:03d}_dice_{dice:.4f}.png)) plt.close(fig) print(fepoch {epoch}: dice {dice:.4f})这里的 compute_dice 是标准 Dice 系数plot_3d 对应包里的三维渲染函数。第一次训练跑完我从渲染图里看到模型把胸腔和腹腔之间的区域分得很干净但在肺尖处多了一个拳头大的假阳性区域——这个现象在切片上看半天不一定能发现三维旋转一下立刻暴露。从那以后我每次训练都强制把可视化存图绑定进 val loop数字和形态一起看。希望帮到你跑通之后再回头改网络结构你会顺手很多。本文还有配套的精品资源点击获取