脑 MRI 分割
实战两件事
这次做了两件事。
nnU-Net · 海马体分割
医学图像分割框架。完整流水线：下载 → 预处理 → 训练 → 推理。
HD-BET · 颅骨剥离
脑 MRI 预处理工具。一行命令把头骨剥掉，只留脑实质。
技术栈 · 三大组件。
| 组件 | 版本 / 来源 | 用途 | 规模 |
|---|---|---|---|
| nnU-Net v2 | pip install nnunetv2 | 数据预处理、自动 plan 生成 | — |
| nnU-Net v1 | pip install nnunet | 预训练权重推理（兼容性需要） | — |
| HD-BET | pip install hd-bet | 颅骨剥离 / 脑提取推理 | ~400 MB 权重 |
| PyTorch | 2.x · CPU build | 底层张量运算 · 自动求导 | — |
| nibabel + numpy < 2 | — | NIfTI 读写 + 数组运算 | — |
数据集 · 海马体 T1 MRI。
Medical Segmentation Decathlon 第 04 号任务，Vanderbilt University Medical Center 提供。 目标：对 T1 加权脑 MRI 中的 前海马 (Anterior, label=1) 与 后海马 (Posterior, label=2) 做体素级分割。
前景体素强度统计 · 全部 260 例
| 统计量 | 值 | 统计量 | 值 | 含义 |
|---|---|---|---|---|
| min | 0.00 | median | 362.88 | 典型 T1 信号水平 |
| max | 486,420.22 | mean | 22,360.46 | 极大值 → 必须归一化 |
| std | 60,654.62 | P0.5 / P99.5 | 28.0 / 277,682 | 裁剪边界（plan 用） |
海马体分割
从下载数据，到用预训练权重在 CPU 上跑出真分割结果。
训练这一步需要 GPU，本次跳过——但完成了所有训练前的准备工作。
下载 → 转格式 → 预处理
MSD AWS bucket 下 27 MB tar / 56 MB 解压。 nnUNetv2_convert_MSD_dataset 把每个图像加 _0000 后缀，dataset.json 改写成 v2 schema。 预处理时 nnU-Net 自动分析数据集 → 生成训练菜谱 nnUNetPlans.json。
- (无) 从公网下载
- downloads/ 原始 · 56 MB
- nnUNet_raw/ v2 格式 · 29 MB
- nnUNet_preprocessed/ 备好的料 · 71 MB
- nnUNetPlans.json ★ 自动训练菜谱
自动训练计划 · 不调参。
根据数据指纹自动推导出网络架构、patch size、batch size、池化次数，全程只用规则（不依赖梯度搜索），CPU 上几秒完成。同时生成 2D 和 3D 两套配置。
| 超参 | 2d | 3d_fullres | 来源 / 说明 |
|---|---|---|---|
| preprocessor | DefaultPreprocessor | DefaultPreprocessor | 统一处理流水线 |
| 归一化 | Z-Score | Z-Score | (x-μ)/σ · per-image |
| spacing | [1.0, 1.0] | [1.0, 1.0, 1.0] | 已是各向同性 · 无需重采样 |
| patch_size | [56, 40] | [40, 56, 40] | 稍大于 median image |
| batch_size | 366 | 9 | 2D 因 patch 小，可堆很多 |
| median image | [50, 35] | [36, 50, 35] | 来自 fingerprint |
网络架构 (3d_fullres)
数据指纹 → 网络架构 → patch / batch
跳过训练 · 用 DKFZ 公开权重
训练 nnU-Net 需要 GPU，CPU 上完整 5 折交叉验证不现实。
DKFZ 团队 2020 年发论文时把 MSD 全套训好的权重打包上传到 Zenodo（CC-BY 4.0）。直接下来用。
CPU 推理 · 6 例 hippocampus
训练集 3 例（带金标准 → 可算 Dice）+ 测试集 3 例（无标注 → 仅展示）。 用 fold 0 单模型，--disable_tta 关闭 test-time augmentation 提速 4×。
| 批次 | 例数 | Cases | 总耗时 | 单例平均 |
|---|---|---|---|---|
| 训练集（带 GT） | 3 | 001 / 003 / 004 | 2.84 s | 0.95 s |
| 测试集（无 GT） | 3 | 002 / 005 / 009 | 2.73 s | 0.91 s |
推理结果定量分析
Dice = 2|A∩B| / (|A|+|B|) · 衡量模型预测与金标准的体素重叠率，1.0 = 完美重叠。
| case | 前海马 (label=1) | 后海马 (label=2) | 评级 |
|---|---|---|---|
| hippocampus_001 | 0.9733 | 0.9720 | excellent |
| hippocampus_003 | 0.9545 | 0.9531 | excellent |
| hippocampus_004 | 0.9630 | 0.9483 | excellent |
| 本次 · 训练集 3 例（数据泄漏） | ≈ 0.964 | ≈ 0.958 | 仅验证流水线 |
| 原作者 · 5-fold CV（公正评估） | 0.8975 | 0.8807 | 真实泛化性能 |
Caveat — 本次推理的 3 例 (001/003/004) 都在训练集里，模型见过它们的标注，Dice 自然高。这只能证明权重和命令链路跑通了，不能用作模型泛化性能的衡量。MSD challenge leaderboard 上的真实水平 ≈ 0.89 / 0.88。
DKFZ 预训练权重 · 三例对照
HD-BET · 颅骨剥离
DKFZ 团队基于 nnU-Net 训的脑提取专用模型（HBM 2019 论文）。 网络架构是 3D U-Net，训练在 1568 例多中心 MRI 上，论文报告 Dice ≈ 0.96。 第一次运行会自动从作者服务器下载权重到 ~/.cache/torch/。
原始 MRI（带头骨） → 脑实质（剥离后）
把两件事做完了。
nnU-Net 海马体分割
完整流水线走通到推理，跳过训练直接用预训练权重。
HD-BET 颅骨剥离
下载预训练模型，对一张 MRI 做了真实推理。