简介面向医学图像分割研究者和算法工程师的骶骨腰痛脊椎分割数据集涵盖轴位面、冠状面、矢状面三个切面共5个类别并提供类别说明文件与可视化脚本。图像统一为512×512尺寸采用医学影像常用窗宽窗位增强处理切片时已剔除ROI面积不足3%的样本标签以8位灰度PNG格式存储便于直接用于模型训练与评估。整个压缩包共2000个文件其中1998张PNG图片对应CT切片及掩膜1个TXT文件记录类别映射1个PY脚本用于快速预览分割效果包体大小472.47MB。数据集按x、y、z轴分别整理图片与mask一一对应x轴2113对、y轴2272对、z轴6404对结构清晰可直接加载。目前已有226人学习浏览适合作为脊柱分割、CT影像分析等任务的训练与验证数据。1. 医学图像分割数据集骶骨腰痛脊椎分割从哪一步开始最省力医学图像分割数据集是把CT、MRI里看不见的解剖结构与病灶变成像素级标签的基础资源。标题里这组骶骨腰痛脊椎分割数据典型形态是一份NIfTI或PNG格式的原始影像配一套同分辨率标签文件外加按轴位、矢状位、冠状位三个切面划分好的子集和可视化代码。它解决的是临床中一个很具体的痛点腰痛患者的椎间盘退变、骶髂关节炎、神经根压迫都需要先精确分割出椎体、椎间盘、骶骨和神经结构才能做后续测量与手术规划。适合用它的人群很明确不想从零采集影像的医学影像算法工程师、需要快速做基线实验的研究生、以及要验证分割模型泛化性的医疗AI团队。但这类数据集真正值钱的地方不只是标签本身而是你读数据时能不能绕过方向轴序这些隐蔽的坑。2. 三个切面划分与5个类别读透数据集前最关键的认知2.1 轴位、矢状位、冠状位三维影像的三个解剖观察平面拿到这组数据集第一件事不是看模型而是理解“三个切面划分”在医学影像里指什么。MRI和CT原始数据是一个三维体素数组可以想象成一个由无数小方块堆成的长方体每个小方块记录一个灰度值。解剖学上习惯用三个互相垂直的平面去裁剪这个长方体得到临床读片用的二维图像。轴位也叫横断面垂直于人体长轴从头侧往脚侧看是CT读取椎体和椎间盘最常用的视角。矢状位从人体侧面切开能完整看到脊柱前后序列适合观察腰椎前凸、椎体滑脱和椎间盘突出。冠状位从正前方切开对观察左右对称结构和骶髂关节很有用。这三个切面在同一份三维数据上切片得到的二维图像内容完全不同所以整理型数据集会把它们分开组织避免用户混淆。实际数据组织上的差异比想象中大。一个三维volume的shape若是(384, 384, 120)轴位切片数量约120张矢状位384张冠状位384张。如果体素间距各向同性三个方向切片数量很接近但MRI矢状位序列常常层厚2.5mm、平面内分辨率0.8mm重采样后矢状位层面数远少于轴位。这有个直接后果按切面划分的数据集三份子集大小通常不一样训练时如果不按各切面自身epoch均衡模型会对切片多的那个切面过拟合而对切片少的切面欠拟合。采用3D模型时三个切面会被网络天然融合不存在这个问题但用2D模型按切面训练椎体在轴位是圆形轮廓在矢状位是矩形轮廓同一个网络很难同时拟合两种形态。所以标题里专门标注“3个切面划分”暗含一个使用建议三个切面最好分开做训练或验证而不是直接混在一个训练集里。我实际做的时候一般先按切面各跑一个2D模型把三个模型对同一病例的预测结果做投票融合而不是一上来就堆3D网络。2.2 5个类别标签不要想当然先打印np.unique“5类别”是标签文件里语义类别的数量。最常见设计是0为背景1到4分别对应四类组织结构。具体到骶骨腰痛场景不同数据集语义划分差异很大有的把椎体和椎间盘分开把骶骨和腰椎分列有的按节段划分L3、L4、L5各自一类还有的会把硬膜囊、神经根、椎管算进去。因此第一步永远是用np.unique打印标签值并去README或标签说明文件里找类别映射表。标签文件里写的是整数不会直接告诉你哪个整数代表椎间盘这个映射信息是使用这套数据的第一道关卡。如果标签说明缺失还有一个排查方法用matplotlib逐个画mask从颜色和形状猜解剖结构。椎体在轴位上有明显的皮质骨高信号环包围松质骨椎间盘呈扁椭圆骶骨呈倒三角形态且位于脊柱末端。靠形态学判断虽然不严谨但对确认标签语义足够有效。我在以前的项目里遇到过标签说明文件写反的情况class ID 1写的是椎体实际mask画出来是椎间盘这种错位只有靠可视化才能发现。5个类别的实际意义在于损失函数设计。若按体素数统计椎体和背景占绝对多数椎间盘和神经根占比可能只有百分之几直接用softmax cross entropy小类别几乎不可能学到。我在项目里给这5类做加权Dice Loss权重按类别体素占比的倒数归一化小类权重通常落在5到15区间。如果GPU资源有限、不想调太多超参数至少用Tversky Loss把alpha和beta分别设成0.3和0.7对假阴性更敏感适合骶骨边界这类小目标。如果业务只要求“骨性结构 vs 非骨性结构”完全可以把5类重映射成2类再训练。保留原始5类标签文件不动在dataloader里做重映射def remap_label(label, keep_ids(1, 2, 3, 4), target_id1): out np.zeros_like(label, dtypenp.uint8) for idx in keep_ids: out[label idx] target_id return out这里要注意不要预处理时覆盖原始标签文件否则后悔药就没了。重映射代码最好写在数据加载阶段让原始5类标签始终保留在磁盘。参数keep_ids根据你查到的类别映射决定比如想把椎体和骶骨合并成骨头类就传对应的两个class id。2.3 标签文件的两种组织形式整卷掩码与切片掩码“标签文件”在不同数据集里指代差别很大。从标题和常见落地方式看这组数据的标签文件很可能是整卷NIfTI掩码也可能已被切成单张PNG。这两种组织形式各有适用场景处理方式完全不同组织形式典型文件读入方式优势隐患整卷掩码case001_img.nii.gz case001_label.nii.gznibabel读取整个volume保留三维结构任意切面可重新抽取需要自己写切片逻辑切片掩码images/case001_sag_123.png masks/case001_sag_123.pngPIL/OpenCV逐张读取2D训练开箱即用切面轴序被固化转切面易错判断方法很简单看每个case目录里label文件有几个。如果只有一个和img同尺寸的同名文件就是整卷掩码如果有几十上百个png就是切片掩码。整卷掩码对重新划分三切面更友好切片掩码则省去了抽取步骤。我一般倾向拿到手先转成整卷nii的中间形态哪怕原始文件是png。原因很现实以后换模型换切面只需从nii重新切一遍不用去找png命名对应关系。还有一个细节有些整理型数据集会另放一个label_info.yaml或classes.txt里面写每个class id对应的解剖名称。这个文件就是标签文件的文档务必在训练前读一遍。如果里面写的类别数和标题“5类别”对不上先不要怀疑自己可能是组织版本不一致去README的历史版本记录里查更新说明。3. 读入数据集并核验标签文件最小脚本与轴序确认3.1 先确认目录结构再决定用哪种读取管线解压数据集以后最忌讳一上来就glob所有文件进训练脚本。医学影像数据集最常见的翻车点就是目录结构比想象中复杂。正确顺序是先看顶层目录再用脚本统计文件类型和数量最后边读边检查文件命名。常见目录结构有按case组织case001/ 下放 img.nii.gz 和 seg.nii.gzcase002/ 同理。按切面组织axial/、sagittal/、coronal/ 三个文件夹每个文件夹下包含对应切片图与标签。按训练/验证组织train/、val/、test/ 下再套上述两种结构。用tree列出两层目录后还要统计每个子目录下文件数量是否吻合三切面预期。一条bash命令就能完成扩展名统计find . -type f | sed s|.*\.|| | sort | uniq -c这个命令把所有文件扩展名提取出来计数。如果输出里既有nii.gz又有png说明可能是混合交付训练脚本要分别处理。如果某切面目录下文件数量是0说明交付时漏了该切面不能默认“三个切面都能用”。这步做完还有一个容易漏的检查文件名里的切面标记是否统一。有的数据用ax有的用axial有的用t1_ax_001.png这种带序列名的格式。我一般会把所有文件名扫一遍找出所有不匹配规律的文件单独列出来人工确认。尤其是那种把矢状位误命名为“cor”的文件一旦混进训练集等于给模型喂错误标签。3.2 NIfTI读取、标签unique值检查与orientation标准化读取NIfTI时我习惯把图像读取、标签检查和方向标准化写在一个体检脚本里每次拿到新数据先跑一遍。最小代码像这样import numpy as np import nibabel as nib img_nii nib.load(case001_img.nii.gz) seg_nii nib.load(case001_label.nii.gz) img img_nii.get_fdata() seg seg_nii.get_fdata().astype(np.uint8) print(image shape:, img.shape) print(seg unique:, np.unique(seg)) # 标签文件里到底有哪些类别 print(voxel spacing:, img_nii.header.get_zooms())get_zooms返回体素间距单位是毫米。这个信息在后面重采样和物理坐标换算时非常重要。seg转成uint8是为了后续保存和计算Dice时不出现类型不匹配float类型的mask在做np.sum时不会报错但数字精度和显存占用都更差。unique输出应该是0到4的连续整数如果发现跳号比如只有0、1、2、4而没有3说明标签文件可能有缺失或压缩损坏。方向标准化是NIfTI读取里最容易被忽视的一步。NIfTI的affine矩阵记录了体素数组到解剖坐标的映射直接按数组索引取切片图像可能被旋转或翻转。统一到RAS坐标系的标准做法是from nibabel.orientations import axcodes2ornt, apply_orientation def to_ras(vol, affine): ornt nib.orientations.io_orientation(affine) # 当前方向 ras_ornt axcodes2ornt((R, A, S)) # 目标方向 transform nib.orientations.ornt_transform(ornt, ras_ornt) return apply_orientation(vol, transform), transform这段代码不重采样只是做数组翻转和转置把方向统一成RAS后img和seg做同样的变换两者仍保持体素级对齐。以后所有切片抽取都基于标准化后的数组就不会出现“轴位图像左右翻转”这种低级错误。3.3 DICOM序列读取与SeriesInstanceUID匹配另一类常见情形是图像给的是DICOM原始序列标签文件却是NIfTI。这时不能用SimpleITK的默认series reader一把梭因为一个目录下可能混着多个序列定位像、T1、T2各有各的SeriesInstanceUID。正确做法是先按UID分组再逐组读取。import SimpleITK as sitk reader sitk.ImageSeriesReader() # 先列出目录下所有序列UID确认目标序列 uids reader.GetGDCMSeriesIDs(/path/to/dicom_dir) print(available series:, uids) dicom_names reader.GetGDCMSeriesFileNames( /path/to/dicom_dir, seriesIDuids[0], useSeriesDetailsTrue ) reader.SetFileNames(dicom_names) image reader.Execute() # SimpleITK Image含spacing和direction参数useSeriesDetailsTrue会让匹配更严格把同一序列的多个子序列区分开避免合并错乱。读取后必须检查image.GetSpacing()因为DICOM头部的spacing单位是毫米且z方向层间距可能在不同序列间差别很大。如果直接按numpy索引切片而忽略spacing训练出来的模型对物理世界中的椎体大小没有概念换一台扫描设备可能直接失效。这里有一个容易翻车的点SimpleITK把numpy数组按z、y、x顺序排列和NIfTI的x、y、z顺序刚好相反。同样的代码从NIfTI读和从DICOM读取第三维索引含义完全不同。我在项目里会用SimpleITK的GetDirection和origin打印出来和NIfTI的affine对齐一次确认空间位置匹配后再做后续处理避免两个模态的数据在混合训练时轴序错乱。3.4 从整卷掩码抽三切面并保存索引CSV如果你拿到的是整卷NIfTI下一步就是按三个切面抽片并把切片索引保存下来。常见做法是写一个抽取函数统一处理三个方向def extract_slice(vol, mask, axis, idx): if axis axial: return vol[:, :, idx], mask[:, :, idx] elif axis sagittal: return vol[:, idx, :], mask[:, idx, :] elif axis coronal: return vol[idx, :, :], mask[idx, :, :] else: raise ValueError(axis must be axial/sagittal/coronal)抽取后建议把所有切片导出成npy或png同时生成一个CSV记录每个切片的来源索引和非空标签状态import csv, os meta_path slice_index.csv with open(meta_path, w, newline) as f: writer csv.writer(f) writer.writerow([case_id, axis, slice_idx, has_label]) for axis in [axial, sagittal, coronal]: num {axial: img.shape[2], sagittal: img.shape[1], coronal: img.shape[0]}[axis] for idx in range(num): img_s, seg_s extract_slice(img, seg, axis, idx) has_label int(np.count_nonzero(seg_s) 0) writer.writerow([case_id, axis, idx, has_label])这个CSV在训练时的价值很大可以按has_label过滤切片也可以按axis统计各切面的标注覆盖密度。很多医学分割数据集只标注了部分切片没有这个索引文件你训练时只能全量读入再在内存里做判断有了CSV数据加载阶段就能直接跳过无标注切片IO和显存开销都小很多。npy格式保存的切片读起来比每次从nii.gz切快不少代价是磁盘占用变大适合以2D训练为主的项目。4. 可视化代码跑通三切面叠加mask、颜色映射与批量导出4.1 方向统一后再做灰度窗口调整可视化不是为了好看是为了用眼睛快速发现标签和图像的对齐错误。读入图像后第一步是检查方向第二步是调整灰度显示范围。CT图像的HU值范围巨大脊柱CT可能在-1024到3000HU不加窗直接imshow看到的只是一团白或一团黑。MRI没有标准HU值但也需要按百分位截断。p_low, p_high np.percentile(img_slice, [0.5, 99.5]) img_slice_clipped np.clip(img_slice, p_low, p_high)percentile取0.5和99.5是在多数医学影像上的稳妥区间能压掉极端的金属伪影和空气噪声。不要用0和100那等于没截断。clip只影响显示不改变mask也不改变训练数据。如果数据集本身就是已经归一化好的npy比如0到255的uint8这步可以省略但可视化脚本里保留clip无害训练pipeline里则要保持和可视化一致的数据预处理避免可视化与训练看到不同灰度分布。4.2 固定类别颜色映射避免连续colormap误导多类别mask如果用matplotlib默认的viridis第一类低亮度、第五类高亮度人眼会误把类别值当成强度。正确做法是自定义离散颜色表让每个类别从视觉上就能区分骨骼用黄色系、椎间盘用蓝色系、神经根用绿色系背景始终透明。CMAP { 0: (0, 0, 0, 0), # 背景透明 1: (1.0, 0.8, 0.2, 0.5), # 黄 2: (0.2, 0.6, 1.0, 0.5), # 蓝 3: (0.3, 0.9, 0.3, 0.5), # 绿 4: (0.9, 0.3, 0.7, 0.5), # 紫 }key是标签文件里的class idvalue是RGBA四元组。用matplotlib的ListedColormap把这个dict转换成可用的colormap再传给imshow。alpha统一0.5既能看到底下的解剖细节又不会让类别边界发虚。若某个类别占比过低比如第四类只有几百个像素叠加在图上几乎看不清可以单独对该类别生成一个二值mask放大显示而不是提高全局alpha否则其他类别会糊成一片。实际调试中我发现一个规律当mask边缘和图像灰度边缘错开两三个像素时不需要去算指标肉眼就能看出来。所以可视化代码里不要加平滑或插值imshow的interpolation必须设成none否则mask边缘被平滑后本来对不齐的问题会被糊掉看起来反而“差不多对齐了”。4.3 一次性输出三切面九宫格并批量导出单张单张画图效率太低。我在项目里常写一个自动选层函数从每个切面里挑出“非空标签面积最大”的三张切片拼成3行3列的九宫格一次输出一个case的完整概览。def pick_best_slices(seg, axis, k3): scores [] num {axial: seg.shape[2], sagittal: seg.shape[1], coronal: seg.shape[0]}[axis] for idx in range(num): img_s, seg_s extract_slice(seg, seg, axis, idx) # 仅取mask count np.count_nonzero(seg_s) if count 0: scores.append((count, idx)) scores.sort(reverseTrue) return [idx for _, idx in scores[:k]]这里有个偷懒的小技巧extract_slice的第一个参数传seg而不是img因为选层只看标签面积没必要读图像数据。选完层后再从原始volume里抽图像能省一次IO。九宫格用matplotlib的subplots(3, 3, figsize(12, 12))排版每个子图显示一个切面的一张切片。figsize设成12x12在普通屏幕上能完整显示字体也够大。批量导出时固定三个参数dpi200、bbox_inchestight、facecolorblack。dpi太低时压缩伪影明显太高文件体积大facecolor设成黑可以让灰度图像视觉更接近阅片环境。命名规则建议用case001_axial_123.png这种带切片索引的格式方便回溯到原始volume的具体位置。4.4 用交互式滑块快速做单病例三切面检查脚本稳定后在Jupyter或PyQt上可以加一个滑动条交互式浏览切片这对快速浏览一个case所有标注特别有用。核心代码是基于matplotlib的Sliderfrom matplotlib.widgets import Slider def browse_case(img, seg, axis): num {axial: img.shape[2], sagittal: img.shape[1], coronal: img.shape[0]}[axis] fig, ax plt.subplots(figsize(8, 8)) plt.subplots_adjust(bottom0.15) initial_img, initial_seg extract_slice(img, seg, axis, num // 2) im ax.imshow(initial_img, cmapgray, interpolationnone) overlay ax.imshow(np.ma.masked_where(initial_seg 0, initial_seg), cmapmy_colormap, alpha0.5, interpolationnone) slider_ax plt.axes([0.2, 0.05, 0.6, 0.03]) slider Slider(slider_ax, slice, 0, num - 1, valinitnum // 2, valstep1) def update(val): idx int(val) img_s, seg_s extract_slice(img, seg, axis, idx) im.set_data(img_s) overlay.set_data(np.ma.masked_where(seg_s 0, seg_s)) fig.canvas.draw_idle() slider.on_changed(update) plt.show()参数valstep1保证滑块每次移动一个整数切片避免浮点索引导致的重复显示。这个交互式查看的实用价值在于一次拖完所有切片能快速发现标签文件里哪些层面没有标注、哪些层面标注明显画错。如果一个case几乎每张切片都全黑那就要怀疑标签文件读入方向出错了。5. 骶骨腰痛分割数据集使用避坑切面混淆、稀疏标注与类别权重5.1 切面混淆轴位当成了矢状位模型学到的全是翻转特征现象train loss下降正常验证集Dice却不低但可视化结果里mask整体偏移半个椎体边缘像碎纸片。重新检查数据发现训练图像全部来自sagittal文件夹而你自己以为拿的是axial。原因数据集目录命名不统一有的叫sag有的叫sagittal或者按文件名排序时被字符串排序打乱导致无法对应到解剖切面。更深层的原因是分割模型训练阶段没有校验图像和mask的orientation是否一致2D网络不具备三维旋转不变性。解决在训练pipeline里加一道orientation检查函数读入图片时统一转成RAS坐标系并重新生成三个切面不直接信任原始目录分类。我习惯把第一次生成的mask和第二次生成的mask用np.array_equal比较不一致就打印warning。更稳妥的办法是把三切面目录的名字规范成ax/sag/cor三种统一命名规则后再进训练。5.2 标签稀疏一个三维volume里只有部分切片有标注现象训练时卡顿不明显但模型很快过拟合可视化时发现大量切片mask全为0只有病灶附近少数切片有标注。某些切面抽取后非背景像素占比低于0.1%。原因医学分割数据集为了降低标注成本常常只标注部分层面而非整个volume。标题里的“标签文件”可能只覆盖每5层里选1层或者只覆盖一个ROI区域。直接拿全切片训练模型会大量看到“只有背景”的样本优化方向被带偏。解决先扫描CSV里has_label字段统计每个切面的标注覆盖比例只取有标注的切片做监督训练。无标注切片要么丢弃要么作为无监督一致性正则的输入。我一般把min_foreground_ratio设成0.005小于这个值的切片直接不进训练集。如果你只有200张有标注切片batch size就不要开大32以内比较稳否则每个batch里几乎没有前景样本。5.3 类别不平衡5个类别里有两个类几乎从不出现现象按类别统计Dice时背景和大的椎体轻松0.95椎间盘0.5神经根只有0.1。整体Dice看“还不错”真实临床场景根本不能用。原因多类别标签按体素数分布极不均匀。常规softmax交叉熵默认每个体素权重相同小类别处在梯度消失边缘尤其当它们出现在椎体边缘很容易被邻近大类别吃掉。医学分割里更隐蔽的是单类Dice上去了但混淆发生在椎间盘和骶骨软骨之间解剖边界本来就是连续的肉眼难以察觉。解决损失函数层面用类别加权Dice Loss或Tversky Loss权重按体素占比的倒数归一化。如果神经根太小权重给到5到10也不夸张。数据层面对稀有类别所在切片做过采样让每个epoch里稀有类别切片重复2到4次。训练后验证时只report按类别的Dice不要只报平均Dice否则等于被背景类洗地。5.4 方向翻转导致标签错位图像数组是LAS标签文件却是RAS现象可视化看单张mask和原图对得上但叠加后发现mask总在图像左边偏移10个像素沿着切面扫描时第20张才和原图第18张重合。原因NIfTI的affine记录了方向信息但部分处理脚本直接丢弃affine用numpy的flip或rot90重排数组却没有同步更新方向信息。或者图像用了LAS方向标签用了RAS方向两者叠加时不翻转一致就会偏。解决统一用nibabel的orientation把img和seg转成同一个标准方向再做切片。不要用image[:, ::-1]这种直接翻转操作除非你能同时改写affine。验证方法很朴素找一张标签里明显能看到左右不对称的结构比如侧隐窝或神经根管翻转方向看左右是否错位。一次翻转看不出问题三个切面各抽一张对比就能暴露。5.5 不要为了复用检测工具箱强行转换标签格式现象有人为了把这份医学分割数据塞进现有的目标检测框架比如用YOLO系列训练自己的数据集就把切片mask转成polygon格式结果训练出来轮廓全是锯齿模型还时不时把一个椎体拆成两半。原因医学分割标签是像素级密集掩码而检测框架的标注是稀疏框或多边形。椎体和椎间盘在相邻切片上形态连续变化转成polygon后丢失了大量边界细节尤其骶骨这种不规则形态polygon的顶点数永远不够。标签文件格式转换本身没错错在场景不匹配。解决如果一定要用检测框架只把mask转成bbox做检测辅助任务不能当成分割训练的监督信号。真正做分割还是在nnU-Net、MONAI这类医学分割框架里跑。这个坑见过太多次本质上是想省写数据加载代码的时间结果花在调试格式兼容上的时间多十倍。6. 进阶三切面数据如何组织训练与快速验证Dice三个切面都训练还是只取一个切面我的结论是先用轴位跑通基线轴位层数通常最多、标注覆盖最全。轴位数据量不够再把矢状位和冠状位作为补充。最终验证时同一组测试集三个切面分别预测取Dice最高的那个切面结果作为该case的最终输出。Dice计算是分割验证里最常用的指标但写不好会虚高。这个版本是我一直在用的def dice_score(pred, gt, smooth1e-6): pred (pred 0.5).astype(np.uint8) gt (gt 0.5).astype(np.uint8) intersection np.sum(pred * gt) union np.sum(pred) np.sum(gt) return (2 * intersection smooth) / (union smooth)先二值化再算不要用浮点概率直接算否则结果虚高。smooth取1e-6防止0除以0但要注意对全背景切片pred和gt都是0这行代码输出1.0会让验证集Dice被空标签污染。所以验证脚本必须过滤掉没有前景的切片只对有标签切片计算Dice并单独报出“有标签切片数”和“空标签切片数”这两个数能反映数据质量。训练管线最后值得做的一件事是按切面分别配置数据增强轴位允许上下翻转矢状位禁止左右翻转冠状位限制旋转角度。理由很直接解剖结构有方向性矢状位翻转会让左右神经根位置全乱。我在真实项目中因为随意翻转矢状位导致验证Dice下降约5个百分点最后把这个教训记进了数据检查清单每次换数据集都先确认增强策略里有没有违反解剖对称性的操作。这套骶骨腰痛数据集最适合的落地方式是先跑通轴位2D基线验证数据链路无误后再上3D模型或跨切面融合。可视化输出永远是第一验证手段随机抽20个切片人眼比对再算统计指标。很多翻车不是模型不行而是轴序、标签文件、类别命名这些前置步骤里出了一处小错。希望这些踩坑经验能帮到你让你在这套三切面医学图像分割数据上少走一段弯路。本文还有配套的精品资源点击获取