简介本资源为面向医学影像处理与深度学习方向的3D MRI人体脊椎分割数据集适用于脊柱结构识别、椎骨定位与分割模型训练等研究场景适合具备一定医学图像处理基础的研究生、算法工程师及科研人员使用。压缩包采用7z格式共包含222个文件其中220个为nii格式的3D MRI体数据与对应标注文件另附1个txt说明与1个json配置文件整体约374.58MBnii文件可直接用于体素级分割任务的读取与训练。数据集以成对的原始影像与标注掩膜组织便于搭建监督学习流程json文件可用于记录数据划分或类别信息。目前已有299人学习下载可作为脊椎MRI分割实验的起点帮助读者快速验证网络结构、调试预处理与评估流程节省自行采集与标注数据的时间成本。1. 从一份 3D MRI 脊椎数据集说起nii.gz 格式到底怎么用如果你做过医学影像分割大概率遇到过这种局面模型代码跑通了loss 也降了但 Dice 死活上不去最后发现是数据格式没对齐——图像和标签的仿射矩阵不一致或者标签值不是从 0 开始的连续整数。脊椎 MRI 分割尤其容易翻车因为脊柱是长条形结构椎体之间边界模糊3D 上下文一旦丢失分割结果就会在矢状面上断成一截一截。这份 3D MRI 人体脊椎分割数据集核心就是解决“数据从哪来、格式怎么对”的问题。它提供的是 nii.gz 格式的 3D 体积数据每套包含原始图像和对应的分割标签命名上采用133.nii与133_0000.nii成对出现的方式另有dataset.json描述元信息。适合正在做 spine 3D 分割、MRI 多模态分割、或者想拿医学数据练 3D U-Net 的从业者。如果你之前只碰过 2D 切片这份数据能让你把 3D 分割的完整链路走一遍。2. 拆开 nii.gz文件结构、命名规则与 dataset.json 的读法2.1 成对文件到底谁是谁先看目录里出现的文件133.nii、133_0000.nii、109.nii、109_0000.nii、99.nii、99_0000.nii、1.nii、1_0000.nii、15.nii。这种命名不是随便起的。带_0000后缀的文件通常是模型输入通道不带后缀的是对应的标签或原始图像。具体谁是 image 谁是 label不能靠猜必须用dataset.json确认。常见做法是_0000表示第一个模态的输入图像无后缀文件表示分割 mask。但不同来源的数据集约定不同有的反过来。我一般会先读dataset.json再用可视化工具打开一对文件对比确认标签里只有整数、图像里有连续灰度才敢往下走。2.2 dataset.json 里真正要看的字段dataset.json是这套数据的“黑匣子说明书”。它通常包含以下几个关键字段字段含义你要确认什么labels标签类别映射0 是背景还是椎体椎体编号是否连续modality模态信息是 T1、T2 还是 STIR影响预处理策略tensorImageSize体积维度是 3D 还是 4D通道数是多少numTraining训练样本数和实际文件数是否对得上file_ending文件后缀确认是.nii还是.nii.gz读的时候不要只看键名要把labels里的值打印出来。如果标签值是 1、2、3……但背景是 0那 softmax 输出通道数就是类别数加一。如果标签值跳号比如只有 1、3、5必须先重映射否则交叉熵会直接报错。import json with open(dataset.json, r) as f: meta json.load(f) # 打印标签映射确认是否连续 print(labels:, meta.get(labels)) print(modality:, meta.get(modality)) print(numTraining:, meta.get(numTraining)) # 常见坑labels 是 dictkey 是字符串value 是整数 # 如果 value 不连续需要建立重映射表 label_map {int(k): v for k, v in meta[labels].items()} sorted_vals sorted(label_map.values()) print(sorted label values:, sorted_vals)这段代码的逻辑很简单先把 JSON 读进来然后重点看labels的 value 是否从 0 或 1 开始连续排列。参数上meta[labels]的 key 通常是字符串形式的数字value 是实际标签值。如果发现sorted_vals不是[0,1,2,3,...]后面做 one-hot 之前必须加一步重映射。2.3 用 nibabel 验证图像与标签的几何一致性nii.gz 格式最容易被忽略的是头信息里的 affine 矩阵。图像和标签如果 affine 不一致即使 shape 相同叠加显示时也会错位。验证方法很直接import nibabel as nib import numpy as np img nib.load(133_0000.nii) lab nib.load(133.nii) # 检查 shape 和 affine print(image shape:, img.shape) print(label shape:, lab.shape) print(affine allclose:, np.allclose(img.affine, lab.affine)) # 检查标签值分布 lab_data lab.get_fdata() unique_vals np.unique(lab_data) print(unique label values:, unique_vals) # 检查图像强度范围 img_data img.get_fdata() print(image intensity range:, img_data.min(), img_data.max())逻辑说明nib.load读入后shape确认体积维度是否一致affine用np.allclose判断是否在浮点误差内相等。get_fdata()返回 float64 数组标签值应该是整数如果出现 0.999 这种值说明标签被插值过需要最近邻重采样。图像强度范围用来决定是否要做 z-score 或百分位裁剪。提示如果affine allclose返回 False不要直接重采样标签先确认是不是读取时用了不同的 orientation。常见做法是用nib.as_closest_canonical()统一方向后再比较。3. 从 nii.gz 到训练张量预处理、重采样与 DataLoader 搭建3.1 为什么不能直接把 nii.gz 塞进网络3D MRI 体积的原始尺寸往往很大比如 512×512×200直接送进网络显存扛不住。而且不同病例的 spacing 不一样有的层厚 1mm有的 3mm如果不做重采样网络学到的“椎体大小”就是错的。脊椎是长条结构矢状面和冠状面的分辨率差异会直接影响分割边缘。常见做法是先统一 spacing 到各向同性比如 1mm×1mm×1mm再做前景裁剪把非零区域裁出来最后随机切 patch 送进网络。patch size 一般取 64×64×64 或 96×96×96具体看显存和椎体平均尺寸。3.2 重采样与强度归一化的代码实现import nibabel as nib import numpy as np from scipy.ndimage import zoom def resample_volume(img, lab, target_spacing(1.0, 1.0, 1.0)): # 获取原始 spacing orig_spacing img.header.get_zooms()[:3] # 计算缩放因子 scale [o / t for o, t in zip(orig_spacing, target_spacing)] # 图像用三线性插值标签用最近邻 img_data img.get_fdata() lab_data lab.get_fdata() img_resampled zoom(img_data, scale, order1) lab_resampled zoom(lab_data, scale, order0) return img_resampled, lab_resampled def normalize_intensity(img_data): # 百分位裁剪去掉极端值 p1, p99 np.percentile(img_data, (1, 99)) img_clip np.clip(img_data, p1, p99) # z-score 归一化 mean img_clip.mean() std img_clip.std() return (img_clip - mean) / (std 1e-8)逻辑说明zoom的order参数是关键图像用 1 表示三线性插值标签用 0 表示最近邻否则标签会出现小数。scale的计算是原始 spacing 除以目标 spacing注意顺序要和数组维度对应。归一化先做百分位裁剪再 z-score能避免 MRI 中的亮斑把整体分布拉偏。参数上target_spacing不要盲目设成 0.5mm那会插值出大量冗余体素训练变慢但精度不一定涨。脊椎 MRI 一般 1mm 各向同性就够用。如果原始层厚是 3mm插到 1mm 是合理的如果原始已经是 0.8mm插到 1mm 反而降精度这时候保持原样或统一到 0.8mm 更稳。3.3 构建 3D patch 采样的 Datasetimport torch from torch.utils.data import Dataset class SpinePatchDataset(Dataset): def __init__(self, img_list, lab_list, patch_size(64, 64, 64), samples_per_vol8): self.img_list img_list self.lab_list lab_list self.patch_size patch_size self.samples_per_vol samples_per_vol def __len__(self): return len(self.img_list) * self.samples_per_vol def __getitem__(self, idx): vol_idx idx // self.samples_per_vol img nib.load(self.img_list[vol_idx]).get_fdata() lab nib.load(self.lab_list[vol_idx]).get_fdata() # 随机裁剪 patch优先包含前景 d, h, w img.shape pd, ph, pw self.patch_size # 简单策略随机选中心点确保不越界 cd np.random.randint(pd//2, d - pd//2) ch np.random.randint(ph//2, h - ph//2) cw np.random.randint(pw//2, w - pw//2) img_patch img[cd-pd//2:cdpd//2, ch-ph//2:chph//2, cw-pw//2:cwpw//2] lab_patch lab[cd-pd//2:cdpd//2, ch-ph//2:chph//2, cw-pw//2:cwpw//2] # 转为 tensor增加通道维 img_tensor torch.from_numpy(img_patch).float().unsqueeze(0) lab_tensor torch.from_numpy(lab_patch).long() return img_tensor, lab_tensor逻辑说明samples_per_vol控制每个体积采多少个 patch太小会欠拟合太大会过拟合。__getitem__里先算体积索引再随机选中心点。这里用的是简单随机裁剪实际项目中我一般会加一步“前景优先”策略先算标签非零区域的 bounding box再在 box 内随机选点这样正样本比例更高。参数上patch_size取 64 的立方体是 3D U-Net 的常见配置显存占用约 2-4GB取决于通道数。如果椎体在矢状面跨度大可以把深度方向设大一点比如 96×64×64。samples_per_vol取 8 到 16 之间看训练集大小调整。注意如果标签值不连续在__getitem__里要加重映射否则CrossEntropyLoss会报 “Target out of bounds”。重映射表从dataset.json里读不要硬编码。4. 避坑与排查脊椎 MRI 分割里最容易翻车的五件事4.1 标签值跳号导致 loss 直接 NaN现象训练第一个 iteration 就报Target out of bounds或 loss 变成 NaN。原因dataset.json里 labels 的 value 是 1、3、5 这种跳号但网络输出通道数按最大标签值加一算中间空出来的类别没有样本softmax 后概率为 0交叉熵取 log 时炸掉。解决读dataset.json后建立old_label - new_label的连续映射在 Dataset 里对标签做一次np.vectorize重映射确保标签值从 0 到 N-1 连续。4.2 affine 不一致导致图像和标签错位现象可视化时图像和标签叠加椎体位置对不上但 shape 完全一样。原因两个文件的 affine 矩阵不同可能是采集时重建参数不一致或者标签是后来配准生成的。解决用nib.as_closest_canonical()统一方向再检查 affine 是否 allclose。如果仍不一致以图像 affine 为准用nib.resample_from_to把标签重采样到图像空间插值方式选最近邻。4.3 层厚差异大导致各向异性伪影现象模型在矢状面分割还行冠状面一塌糊涂。原因原始数据层厚 3mm层内分辨率 0.5mm重采样到各向同性时层间插值产生阶梯伪影网络学到的边缘是模糊的。解决不要强行插到 1mm 各向同性先看原始 spacing 分布。如果层厚普遍大于 2mm可以只做层内归一化深度方向保持原样或者用各向异性 patch 训练。4.4 前景占比过低导致全背景预测现象训练几个 epoch 后模型输出全是背景Dice 为 0。原因脊椎在 3D 体积里占比可能不到 5%随机裁剪 patch 时大部分是背景正负样本极度不平衡。解决在 Dataset 里加前景优先采样先算标签非零区域的 bounding box再在 box 内随机选中心点。或者用加权交叉熵背景权重设 0.1前景设 1.0。4.5 验证集 Dice 高但测试集崩盘现象验证集 Dice 0.85换一批数据掉到 0.5。原因验证集和训练集来自同一批扫描仪spacing 和强度分布一致模型过拟合了设备特征。解决划分数据时按病例分不要按切片分。如果数据量允许留出不同扫描参数的病例做测试。预处理时加随机强度扰动比如 gamma 变换和偏置场模拟提升泛化。5. 进阶技巧用滑窗推理把 3D 分割推到临床可用训练完模型只是第一步真正落地要靠推理。3D 体积太大不能整卷送进网络常见做法是滑窗推理加重叠融合。滑窗的窗口大小和训练 patch 一致步长一般取窗口的 1/2 或 1/4重叠区域用高斯权重融合避免拼接缝。import numpy as np import torch def sliding_window_inference(model, volume, patch_size(64,64,64), overlap0.5): model.eval() d, h, w volume.shape pd, ph, pw patch_size step_d int(pd * (1 - overlap)) step_h int(ph * (1 - overlap)) step_w int(pw * (1 - overlap)) # 输出累加器和权重累加器 output np.zeros((d, h, w), dtypenp.float32) weight np.zeros((d, h, w), dtypenp.float32) # 高斯权重核 gauss np.outer(np.hanning(pd), np.hanning(ph)) gauss np.outer(gauss, np.hanning(pw)).reshape(pd, ph, pw) with torch.no_grad(): for dd in range(0, d - pd 1, step_d): for hh in range(0, h - ph 1, step_h): for ww in range(0, w - pw 1, step_w): patch volume[dd:ddpd, hh:hhph, ww:wwpw] patch_tensor torch.from_numpy(patch).float().unsqueeze(0).unsqueeze(0) pred model(patch_tensor) pred torch.argmax(pred, dim1).squeeze().cpu().numpy() output[dd:ddpd, hh:hhph, ww:wwpw] pred * gauss weight[dd:ddpd, hh:hhph, ww:wwpw] gauss # 归一化避免除零 output output / (weight 1e-8) return np.round(output).astype(np.int16)逻辑说明overlap控制重叠比例0.5 表示步长是窗口的一半。gauss是三维汉宁窗外积用来给 patch 边缘降权中心加权。累加后除以权重累加器得到平滑输出。np.round把浮点转回整数标签。参数上overlap不要低于 0.25否则拼接缝明显也不要高于 0.75否则推理时间成倍增加。patch_size必须和训练时一致否则 BatchNorm 统计量对不上。如果显存够可以把patch_size设大一点比如 96×96×96减少滑窗次数。验证推理结果时我习惯用nib.save把预测存成 nii.gz再用nib.load读回来和标签做 Dice。注意保存时要带上原始 affine否则下次打开位置全错。import nibabel as nib # 假设 pred_volume 是滑窗推理结果ref_img 是原始图像 pred_nii nib.Nifti1Image(pred_volume.astype(np.int16), ref_img.affine, ref_img.header) nib.save(pred_nii, pred_133.nii.gz)从那以后我每次跑完推理都强制走一遍“保存-重载-算 Dice”的闭环不看到重载后的 Dice 不写进报告。希望帮到你。本文还有配套的精品资源点击获取