简介：面向眼底血管分割任务的Unet完整资料包，包含已切片好的数据集、训练代码、推理脚本及训练结果文件。数据集对应眼底血管二分割任务，模型仅训练10个epochs，全局像素准确度达0.95，miou为0.67，若增大训练轮数性能还有提升空间。资源共216个文件，以182个png切片图像为主，另有8个py与14个pyc组成的Python工程、1个pth权重文件、5个xml工程配置及3个txt/readme说明文档，整体压缩包约153.92MB。目前已有269人学习/下载。代码支持多尺度随机缩放训练，utils中的compute_gray函数可自动保存mask灰度值并自适应输出通道，方便扩展多分割项目；训练采用cos学习率衰减，run_results内可查看损失与iou曲线、训练日志及每类指标，推理时只需将图像放入inference目录后运行predict脚本，无需额外参数，适合医学图像分割入门者、需要快速复现Unet分割流程或想训练自定义数据集的研究人员。
1. 眼底血管分割为什么上来就选Unet
给眼底照片做血管分割时，医生最先看的就是血管网络。血管是否变细、迂曲、有没有微动脉瘤，直接对应糖尿病视网膜病变的分级；但血管末端常常只有两三个像素宽，边缘和背景的对比度又低，这类任务必须同时依赖全局语义和局部纹理。Unet几乎是这个任务的默认起点：编码器把感受野逐层扩大，跳跃连接又把浅层边界带回解码器，正好同时保住语义与细节。这也是我拿到一个带切片好的数据集、完整代码和训练结果文件的项目包时，会先去确认数据加载方式和checkpoint落盘策略的原因——这两处决定了换机器后能不能复现原有性能。
2. 切片好的数据集怎么组织：目录约定与 Dataset 读取
拿到项目包，先别急着打开训练脚本。这类项目的目录结构通常逃不出一个套路：train和val下面各有一个img目录和一个mask目录，图片和标签靠文件名一一对应。先把目录结构读明白，后面训练、推理、评估都能少踩一半的坑。这一章就从切片尺寸、同名约定和Dataset实现三个角度把它讲透。
2.1 切片行为什么重要：分辨率、感受野和显存
原始眼底图的分辨率差异很大，从公开数据集的几百像素见方，到竞赛里常见的2000像素以上。如果整张图直接丢给Unet，显存会立刻吃紧，更关键的是感受野问题：Unet做五次下采样后，深层特征图分辨率只有输入图像的1/32，一根两三个像素宽的细血管在深层基本只剩一个响应点，边缘信息全靠跳跃连接从浅层抄回来，所以输入尺寸不能随意缩小，但也不能盲目加大。
因此在拿到“切片好的数据集”时，先确认切片尺寸和切的时候有没有重叠。常见做法是切成512×512或256×256的patch，大图上按固定步长滑窗切出来，再按坐标存回同一命名空间。两种尺寸的取舍见下表：
| patch 尺寸 | 显存需求（8G/16G卡可跑batch） | 细血管保留 | 训练速度 |
|---|---|---|---|
| 256×256 | 16 / 32 | 一般，末梢血管容易断 | 快 |
| 512×512 | 4 / 8 | 好，血管连续性明显更稳 | 慢 |
我的建议是：只为了快速把代码跑通，256够用；如果目标是要给医生当辅助工具，512起步。切片时的重叠不能省，至少在patch边界的16～32像素要重叠，否则后面推理时会在patch交界处出现假阳性。
2.2 目录约定与同名规则：图片和掩膜如何一一对应
大多数此类项目包的目录结构长这样：
dataset/ ├── train/ │ ├── img/ │ │ ├── 001.png │ │ └── 002.png │ └── mask/ │ ├── 001.png │ └── 002.png └── val/ ├── img/ └── mask/规则就三条：图片和掩膜严格同名；掩膜是8位灰度PNG，背景0、血管255；不要用JPEG存掩膜，JPEG会把0/255的硬边界压出过渡带。如果包里给的是.npy文件，先确认存的是完整大图还是切片，很多旧脚本会把整张图转成float32的npy，体积比PNG大好几倍，读取时还要额外做一次维度调整。
另一个容易被忽略的文件是fov_mask，也就是视盘区域的掩膜。DRIVE这类公开数据集通常会带一个只覆盖眼底圆形区域的掩膜，评估指标只在掩膜内计算。如果包里正好有这个目录，训练阶段可以不管它，但评估阶段一定要把它当作乘法因子加进去，否则眼底照片四角的黑色区域会把Specificity拉高，Dice也会虚高。
2.3 一个可直接改的torch Dataset：读取切片、归一化和增强
下面这段Dataset是我最常用的一套写法，核心就四点：glob搜集路径、统一读成RGB和灰度、归一化到0~1、在概率上做掩膜二值化，放在单卡训练脚本里能直接跑：
import os from glob import glob import random import numpy as np from PIL import Image import torch from torch.utils.data import Dataset class VesselPatchDataset(Dataset): def __init__(self, img_dir, mask_dir, augment=True): self.img_paths = sorted(glob(os.path.join(img_dir, "*.png"))) self.mask_paths = sorted(glob(os.path.join(mask_dir, "*.png"))) assert len(self.img_paths) == len(self.mask_paths), \ f"img和mask数量不一致: {len(self.img_paths)} vs {len(self.mask_paths)}" self.augment = augment def __len__(self): return len(self.img_paths) def __getitem__(self, idx): img = Image.open(self.img_paths[idx]).convert("RGB") mask = Image.open(self.mask_paths[idx]).convert("L") if self.augment: # 只用90度的整数倍旋转，避免插值破坏单像素细血管 if random.random() > 0.5: img = img.transpose(Image.ROTATE_90) mask = mask.transpose(Image.ROTATE_90) img = np.asarray(img, dtype=np.float32) / 255.0 mask = np.asarray(mask, dtype=np.float32) / 255.0 mask = (mask > 0.5).astype(np.float32) img = torch.from_numpy(img.transpose(2, 0, 1)) mask = torch.from_numpy(mask[None, ...]) return img, mask代码里img_paths和mask_paths都用sorted(glob(...))，匹配顺序是稳定的；掩膜用convert("L")读成单通道，再除以255并做>0.5的二值化，是为了避免PNG压缩残留的126、254这类脏像素进损失函数。旋转只用90度整数倍而不是随机小角度，因为小角度旋转要插值，对单像素宽的血管是致命的。
这个Dataset默认输入已经是切好的patch，如果拿到的是原始大图，需要再补一个随机裁剪步骤。如果训练时发现iteration跑得飞快但验证指标不动，优先检查mask路径是不是串到了img目录——这是同名目录最容易犯的错。
3. Unet结构要点与训练配置：把完整代码调成能收敛的模型
所谓“完整代码”，通常指三样东西：网络定义、损失函数、训练循环。跑通之前先确认三件事：网络用了几层下采样、损失怎么算、checkpoint按什么频率保存。这一章按这三个顺序讲清楚，顺便把训练环境相关的坑点一起说掉。
3.1 从Unet网络结构图看血管任务的三个关键设计
如果没看过Unet网络结构图，可以先把它理解成一个U形的对称结构：左边编码器每一层做两个3×3卷积加一次池化，通道数从64逐步翻到512；右边解码器先上采样，再和编码器对应层拼接，通道数再降回来。血管分割真正吃到红利的是三个设计。
第一，编码器给了解码器足够的上下文。一根小血管断了，只看局部很难判断该不该连上，编码器把32倍下采样之后的语义带回来，模型才能“猜”出这条血管大概从哪来、到哪去。第二，跳跃连接把第一层和第二层的边缘响应原样拼给解码器，末梢血管的细节就是这样保住的。第三，Unet的参数量对医学图像任务很合适，小数据集上不轻易过拟合，一张8G显存的卡就能训练。
如果你拿到的是带ResNet骨干的变体，注意骨干预训练权重要么有、要么彻底不用；随机初始化一半再冻结一半的训练方式最不稳定，血管分割这种强局部特征任务往往还不如标准Unet好用。
3.2 损失函数选择：BCE、Dice还是两者相加
眼底血管分割的类别不平衡，公开数据集上大约是1:9，也就是说背景像素数量接近血管的十倍。直接上标准BCE时，模型会把几乎所有像素判成背景，因为这样loss已经足够低。所以常见做法是把Dice损失和BCE加在一起：
import torch import torch.nn.functional as F def bce_dice_loss(logits, targets, smooth=1.0): probs = torch.sigmoid(logits) bce = F.binary_cross_entropy_with_logits(logits, targets) inter = (probs * targets).sum(dim=(1, 2, 3)) union = probs.sum(dim=(1, 2, 3)) + targets.sum(dim=(1, 2, 3)) dice = 1 - ((2 * inter + smooth) / (union + smooth)).mean() return 0.5 * bce + 0.5 * dicebce用binary_cross_entropy_with_logits而不是先过sigmoid再算交叉熵，数值上更稳定；dice的smooth取1.0只在训练早期起作用，不影响最终收敛；0.5和0.5的权重可以按结果微调。我一般会让dice权重大一点，比如0.6 dice、0.4 bce，对小血管更友好。如果预测偏保守，就把dice权重调高；如果预测全是噪声点，把bce权重拉回0.5。
| 损失 | 特点 | 适合场景 |
|---|---|---|
| BCE | 逐像素独立，梯度平稳 | 作为辅助项稳定早期训练 |
| Dice | 对类别不平衡不敏感，直接优化目标 | 血管这类小目标 |
| BCE+Dice | 折中，工程上最稳 | 绝大多数血管分割项目 |
3.3 训练入口：参数表、batch调节和checkpoint保存
把Dataset和损失函数接进训练脚本后，命令行入口我一般长这样：
python train.py \ --img_dir dataset/train/img \ --mask_dir dataset/train/mask \ --val_img_dir dataset/val/img \ --val_mask_dir dataset/val/mask \ --batch_size 8 \ --lr 1e-3 \ --epochs 100 \ --patch_size 512 \ --val_every 5 \ --save_dir checkpoints这些参数来自常见的训练环境配置：patch为512时，batch 8大约吃16G显存；8G显存的卡就把batch降到4，同时把patch降到320，效果差距不大。学习率用1e-3配Adam跑前20个epoch，是血管分割里最稳的组合之一。
| 参数 | 推荐值 | 注意 |
|---|---|---|
| --lr | 1e-3 | Adam下偏大，超过50个epoch没降就再降一半 |
| --batch_size | 4～8 | 显存不够时优先降batch，再降patch |
| --epochs | 100 | 大多数公开数据集60～100个epoch足够 |
| --val_every | 5 | 间隔太久容易错过最佳checkpoint |
| --patch_size | 512 | 256能跑但末梢血管会明显变差 |
checkpoint保存策略坚持两条：始终保留验证集Dice最高的模型，单独存成best_dice.pth；再存一个last.pth用于事故现场排查。你拿到的“训练的结果文件”里如果只有一个模型，先看脚本里保存条件是什么。另外多看一眼train.log里的验证曲线，如果验证Dice在中间epoch就开始下滑，说明要么数据增强太强，要么lr需要在40个epoch附近做一次0.1倍衰减。
提示：换机器复现时，先确认torch版本和CUDA版本跟原log一致，很多加载报错不是代码问题，是版本差异造成的。
4. 加载训练结果文件做推理：切片拼接、阈值和评估
训练跑完，手里有best_dice.pth、last.pth和train.log。这一章讲怎么把这些结果文件变成能看的血管图，再变成能写进文档的数字。最常见的坑是直接把训练脚本里的验证代码拿来做推理，那样往往会做随机增强，还拼了batch，输出顺序对不上原图。
4.1 单张切片推理脚本：从checkpoint加载模型
import torch import numpy as np from PIL import Image model = UNet(in_channels=3, out_channels=1) # 你训练时用的模型类 ckpt = torch.load("checkpoints/best_dice.pth", map_location="cpu") state = ckpt.get("model_state_dict", ckpt) # 去掉DataParallel加的前缀 state = {k.replace("module.", ""): v for k, v in state.items()} model.load_state_dict(state) model.eval() img = Image.open("dataset/val/img/001.png").convert("RGB") x = np.asarray(img, dtype=np.float32) / 255.0 x = torch.from_numpy(x.transpose(2, 0, 1)).unsqueeze(0) with torch.no_grad(): logits = model(x) prob = torch.sigmoid(logits)[0, 0].numpy() Image.fromarray((prob * 255).astype(np.uint8)).save("out_prob.png")这里有几个关键点。加载前先检查ckpt里的key是不是带module.前缀，用了DataParallel就必须去掉；map_location要跟当前环境一致，半精度权重加载时尤其容易报错；推理前必须调model.eval()，否则带BatchNorm的模型结果会抖动。输出是sigmoid概率而不是阈值图，阈值后处理要放到统计指标时统一做，不要在推理阶段提前二值化。
4.2 滑窗重叠拼接：消除切片边界断裂
训练和推理的区别在拼接这里体现得最明显。训练时可以随机裁剪，因为数据增强了多样性；推理时必须保证每个patch的位置能映射回原图。直接用非重叠滑窗会把血管在patch边界处切成两段，重叠拼接是常见解法：重叠区域被多个patch推理，概率做平均，边界自然平滑。
def sliding_predict(model, img, patch_size=512, overlap=32, device="cuda"): h, w = img.shape[:2] step = patch_size - overlap # 把图pad到能被step整除，避免漏掉右边界和下边界 pad_h = (patch_size - h % step) % step pad_w = (patch_size - w % step) % step img = np.pad(img, ((0, pad_h), (0, pad_w), (0, 0)), mode="reflect") prob_sum = np.zeros_like(img[..., 0], dtype=np.float32) weight = np.zeros_like(img[..., 0], dtype=np.float32) for y in range(0, img.shape[0] - patch_size + 1, step): for x in range(0, img.shape[1] - patch_size + 1, step): crop = img[y:y + patch_size, x:x + patch_size].astype(np.float32) / 255.0 x_t = torch.from_numpy(crop.transpose(2, 0, 1)).unsqueeze(0).to(device) with torch.no_grad(): out = torch.sigmoid(model(x_t))[0, 0].cpu().numpy() prob_sum[y:y + patch_size, x:x + patch_size] += out weight[y:y + patch_size, x:x + patch_size] += 1 prob = prob_sum / np.maximum(weight, 1.0) return prob[:h, :w]重叠区会累加多次预测，weight矩阵记录每个像素被预测了多少次，最后做除法取平均。overlap设16到32比较合适，太小抑制不了接缝，太大计算量翻倍。如果推理显存紧张，可以把patch_size调小，同时把overlap等比调小，但不要只改patch_size不改overlap。
4.3 评估指标怎么算：Dice、Sensitivity和Specificity
评估时要注意阈值的选择。不要默认0.5，常见做法是在验证集上画出阈值和指标的关系曲线，再取Youden index对应的阈值。四个最常用的指标定义如下：
| 指标 | 公式 | 关心的问题 |
|---|---|---|
| Dice | 2TP / (2TP + FP + FN) | 血管区域整体重合度 |
| IoU | TP / (TP + FP + FN) | 与Dice类似，分母略大 |
| Sensitivity | TP / (TP + FN) | 末梢小血管漏检多少 |
| Specificity | TN / (TN + FP) | 背景噪声有多少 |
计算指标的代码可以直接把四个指标合在一起：
def compute_metrics(pred_mask, gt_mask): pred_mask = pred_mask.astype(bool) gt_mask = gt_mask.astype(bool) tp = (pred_mask & gt_mask).sum() tn = (~pred_mask & ~gt_mask).sum() fp = (pred_mask & ~gt_mask).sum() fn = (~pred_mask & gt_mask).sum() eps = 1e-6 return { "dice": 2 * tp / (2 * tp + fp + fn + eps), "iou": tp / (tp + fp + fn + eps), "sens": tp / (tp + fn + eps), "spec": tn / (tn + fp + eps), "acc": (tp + tn) / (tp + tn + fp + fn + eps), }如果数据集带fov_mask，在调用这个函数之前先对pred_mask和gt_mask做一次& fov操作。没有fov就按全图算，但报告里要注明，因为背景黑色区域会把Specificity顶得很高，不同数据集之间的数字不具备可比性。
5. 让血管不断裂的距离图监督：给Unet加辅助头
如果前面几步都跑通了，最常见的残留问题是末梢血管断成一截截。BCE和Dice都是像素级损失，它们不惩罚结构上的“断点”：只要断裂的像素数量占比低，整体损失看起来依然正常。这时候可以上一个成本很低的Unet模型改进：距离图监督。
先用骨架提取把血管压成中心线，再计算每个骨架像素到血管边缘的距离：
import numpy as np from scipy.ndimage import distance_transform_edt from skimage.morphology import skeletonize def vessel_dist_map(mask): bin_mask = (mask > 0.5).astype(np.uint8) skeleton = skeletonize(bin_mask) dist = distance_transform_edt(bin_mask) return (dist * skeleton).astype(np.float32)mask是二值标签，skeleton是骨架提取结果；distance_transform_edt算出每个血管像素到背景的最近距离，乘上skeleton之后，只有中心线上的点保留距离值，背景全是0。网络在分割头之外再接一个单通道输出预测这个距离图，相当于给每个血管像素加了一个“你离边缘有多远”的连续目标，监督信号比二值掩膜强得多。
训练时总损失这样拼：
seg_loss = bce_dice_loss(logits, mask) dist_loss = F.smooth_l1_loss(dist_logits, dist_gt) loss = 0.5 * seg_loss + 0.5 * dist_losssmooth_l1_loss对离群点比MSE稳，适合距离图这种偶尔出现大值的回归目标。分担比例从0.5:0.5起步，如果分割Dice掉得厉害，把dist_weight降到0.3再试。
需要注意骨架提取本身可能把血管末端磨掉，导致末端距离值失真。训练前把距离图可视化一次，看骨架末端是不是缩了一截；skimage的skeletonize对45度走向的血管保留更完整，scipy的morphological_thinning对斜向血管偏保守，两种都可以试。评估时只看分割结果在断裂处有没有变少，不看距离图本身的指标。如果距离图loss降了但分割没改善，先确认辅助头是在同一个decoder上多接了一层卷积，还是从encoder最深层直接引出来——前者通常更稳。
本文还有配套的精品资源，点击获取
