医学图像分割实战：基于TransUNet训练自己的眼底硬渗出物数据集（附完整代码）

关注

VIP免费原创最新推荐文章于 2026-07-26 10:29:44 发布 361 阅读 AI 写同款· GEO 优化 ›

【文献阅读笔记】M2MRF: Many-to-Many Reassembly of Features for Tiny Lesion Segmentation in Fundus Images 特征重组是现代基于 CNN 的分割方法的重要组成部分，其中包括特征下采样和特征上采样算子。现有的方法将多个特征从一个小的预定义区域独立地为每个目标位置重组一个对应的特征。这可能会导致空间信息丢失，从而使微小病变引起的激活消失，特别是当它们聚集在一起时。提出的算子可以减少上述遇到的难题。(1) 我们的 M2MRF 优于现有的特征重组算子；(2) 配备 M2MRF，HRNetv2能够实现比基于 CNN 的分割方法明显更好的性能，并且比最近两种基于 Transformer 的分割方法具有更好的性能。阅读详情

TransUNet在眼底硬渗出物分割中的实战调优指南

眼底硬渗出物的精确分割对糖尿病视网膜病变等疾病的早期诊断至关重要。传统分割方法在复杂病灶边缘处理上表现欠佳，而基于Transformer的TransUNet通过融合CNN的局部特征提取和Transformer的全局上下文建模能力，为医学图像分割提供了新思路。本文将手把手带您完成从数据预处理到模型调优的全流程实战。

1. 数据准备与预处理策略

眼底图像的质量直接影响模型性能。我们使用公开的IDRiD数据集，包含81张标注硬渗出物的眼底彩照（JPEG格式，4288×2848像素）。原始数据需经过以下处理流程：

import numpy as np
from PIL import Image
import albumentations as A

def preprocess_eyeground(image_path, mask_path, target_size=512):
    """ 标准化处理眼底图像与标注 """
    image = np.array(Image.open(image_path).convert('RGB'))
    mask = np.array(Image.open(mask_path).convert('L'))
    
    # 自适应直方图均衡化
    transform = A.Compose([
        A.CLAHE(p=1),
        A.Resize(target_size, target_size),
        A.Normalize(mean=[0.279, 0.144, 0.052], 
                   std=[0.199, 0.108, 0.069])
    ])
    augmented = transform(image=image, mask=mask)
    return augmented['image'], augmented['mask']

数据增强方案对比