手把手教你用UNet训练自己的医学影像数据集（避坑指南）

前言：为什么你的UNet总训不好？（真实血泪教训）

老铁们！今天要分享的是我在医院做肝肿瘤分割项目时总结的UNet训练经验（含完整代码）。当初我可是在数据准备环节踩了无数坑（连续三周模型精度上不去！！！），现在把最干的干货整理给大家，看完至少节省80%的调试时间！

一、数据集准备的正确姿势（90%的人第一步就错了）

1.1 医学影像的格式转换黑科技

CT/MRI的DICOM文件转PNG千万别直接用OpenCV！会丢失窗宽窗位信息（血泪教训）！正确做法：

import pydicom
from pydicom.pixel_data_handlers import apply_voi_lut

def dicom_to_numpy(ds):
    # 关键参数设置（不同设备要调整）
    if hasattr(ds, 'WindowWidth'):
        ds.WindowWidth = 400  # 腹部CT常用窗宽
        ds.WindowCenter = 40  # 窗位
    return apply_voi_lut(ds.pixel_array, ds)

1.2 标注工具的选择（亲测对比）

• ITK-SNAP：适合3D标注但学习成本高
• Labelme魔改版（推荐）：我修改的版本支持nii文件标注，GitHub搜索"labelme-medical"

（超级重要）标注保存时一定要检查mask是否为单通道8位图！遇到过标注显示正常但训练时发现mask全黑的诡异bug…

二、数据增强的隐藏技巧（让模型精度暴涨的秘诀）

2.1 不只是旋转翻转！医学影像专用增强：

from albumentations import (
    ElasticTransform, GridDistortion, RandomGamma,
    Compose, HorizontalFlip, Rotate
)

train_transform = Compose([
    Rotate(limit=20, p=0.5),
    ElasticTransform(alpha=120, sigma=120*0.05, 
                    alpha_affine=120*0.03, p=0.3),
    GridDistortion(p=0.3),
    RandomGamma(gamma_limit=(80,120), p=0.5),
    HorizontalFlip(p=