简介：这份资源面向医学图像分割方向的初学者与算法实践者，提供416×416分辨率下的人脑MRI肿瘤二分割数据集，前景为Tumor区域，mask以1表示肿瘤、0表示背景，标注清晰、背景简洁，适合直接用于分割模型训练与验证。包内共2000个文件，以1759个png图像与掩膜、240个jpg样本及1个Python可视化脚本为主，压缩包约48.17MB，按训练集与测试集划分：训练集含1632张原图与1632张对应mask，测试集含240张原图与240张mask，目录结构规整，便于按images与masks快速配对读取。配套脚本可随机抽取一张图片，同时展示原始图像、GT图像以及GT在原图上的蒙板效果并保存至当前目录，方便直观检查标注质量。目前已有1880人学习下载，适合希望快速上手医学图像二分割任务、验证数据可用性与搭建训练流程的读者参考使用。
1. 大脑肿瘤分割数据集：2 分割任务到底在切什么
拿到一个「大脑肿瘤分割（2 分割）」数据集时，很多人第一反应是打开图片看几眼，觉得肿瘤区域挺明显，直接丢进 U-Net 就能出结果。真正跑起来才发现，Dice 系数在验证集上死活上不去，预测掩码要么整片糊在脑组织上，要么把正常的水肿区也吞进去。问题往往不在模型，而在对「2 分割」这个任务边界的理解上。
所谓 2 分割，指的是把每个像素分成前景（肿瘤）和背景（非肿瘤）两类，输出是一张二值掩码，而不是多区域的多分类结果。这和 BraTS 那种把增强肿瘤、瘤周水肿、坏死核心分开标注的四分类任务完全不同。2 分割的标签更干净、标注成本更低，适合做分割流程的快速验证、模型结构对比，或者作为医学图像分割入门的第一个可复现任务。它解决的核心问题是：给定一张脑部 MRI 切片，能不能稳定地圈出肿瘤所在的连通区域。适合谁？适合刚接触医学图像分割、想跑通「数据加载—训练—评估—可视化」全链路的人，也适合需要快速验证一个新损失函数或注意力模块是否有效的工程师。类别标签和可视化代码的存在，意味着这个数据集不只是给你一堆图，而是把「怎么读标签、怎么把预测结果画回原图」这条链路也一并交代了，这才是它比裸图片集合更有价值的地方。
2. 数据组织与标签格式：先搞清楚目录结构和掩码编码
2.1 常见的目录布局与文件命名
医学图像分割数据集很少有完全统一的目录规范，但 2 分割任务里最常见的组织方式是按病例或按切片分文件夹，图像和掩码分开存放，靠文件名对齐。典型结构长这样：
dataset/ ├── images/ │ ├── case_001_slice_015.png │ ├── case_001_slice_016.png │ └── ... ├── masks/ │ ├── case_001_slice_015.png │ ├── case_001_slice_016.png │ └── ... └── labels.csv图像通常是单通道灰度 PNG 或三通道伪彩色 PNG，掩码是单通道 PNG，像素值只有 0 和 255（或 0 和 1）。这里第一个坑就是掩码的像素值范围：有的数据集用 0/1，有的用 0/255，还有的用 0/128。如果你不确认就直接归一化，标签会被压成浮点数，二值化阈值选错，训练时损失函数会一直震荡。
labels.csv一般记录每张切片对应的病例 ID、切片序号、是否有肿瘤、肿瘤面积占比等元信息。这个文件在划分训练集和验证集时非常关键，因为同一病例的相邻切片高度相似，如果随机按切片划分，验证集里会出现训练集见过的病例，指标虚高。正确做法是按病例 ID 划分，保证验证集里的病例在训练阶段完全没出现过。
2.2 掩码编码方式与读取代码
下面这段代码演示如何读取图像和掩码，并检查标签的像素值分布。这是每次拿到新数据集后我必做的第一件事，花两分钟确认标签编码，能省掉后面几个小时的排查。
import numpy as np from PIL import Image import os img_path = "dataset/images/case_001_slice_015.png" mask_path = "dataset/masks/case_001_slice_015.png" img = np.array(Image.open(img_path)) mask = np.array(Image.open(mask_path)) print("图像形状:", img.shape, "数据类型:", img.dtype) print("掩码形状:", mask.shape, "数据类型:", mask.dtype) print("掩码唯一值:", np.unique(mask)) # 统一转成 0/1 二值掩码 if mask.max() > 1: mask_bin = (mask > 127).astype(np.uint8) else: mask_bin = mask.astype(np.uint8) print("二值化后唯一值:", np.unique(mask_bin)) print("前景像素占比: {:.4f}".format(mask_bin.mean()))逻辑说明：先打印原始掩码的唯一值，判断编码方式；如果最大值大于 1，说明用的是 0/255 或 0/128 这类编码，用 127 作为阈值二值化；如果最大值就是 1，直接转 uint8 即可。前景像素占比这个指标很重要，2 分割任务里肿瘤区域通常只占整张切片的 1% 到 10%，如果算出来超过 30%，大概率是掩码读错了或者图像和掩码没对齐。
参数说明：阈值 127 适用于 0/255 编码，如果遇到 0/128 编码，阈值要相应调整到 64 左右。更稳妥的做法是先看唯一值再决定，不要硬编码一个阈值到处用。
2.3 图像与掩码对齐检查
图像和掩码必须严格一一对应，尺寸、方向、切片位置都要一致。常见问题是图像做了归一化或直方图均衡化，掩码没动，导致两者空间位置错位。检查方法很简单：把掩码叠加到图像上，前景区域应该落在肿瘤位置上。
import matplotlib.pyplot as plt overlay = img.copy() if overlay.ndim == 2: overlay = np.stack([overlay]*3, axis=-1) overlay[mask_bin == 1] = [255, 0, 0] plt.figure(figsize=(12, 4)) plt.subplot(1, 3, 1); plt.imshow(img, cmap="gray"); plt.title("原图") plt.subplot(1, 3, 2); plt.imshow(mask_bin, cmap="gray"); plt.title("掩码") plt.subplot(1, 3, 3); plt.imshow(overlay); plt.title("叠加") plt.show()这段代码把掩码前景区域涂成红色叠在原图上。如果红色区域明显偏离肿瘤位置，或者整张图都被涂红，说明读取或对齐环节出了问题。我一般会随机抽 5 到 10 张不同病例的切片做这个检查，确认没有系统性错位。
3. 从零跑通 2 分割训练：数据加载、模型与损失函数
3.1 自定义 Dataset 与数据增强
PyTorch 的 Dataset 类需要返回图像张量和掩码张量，形状分别是 [C, H, W] 和 [1, H, W]。2 分割任务里，图像和掩码必须做完全相同的空间变换，否则标签就对不上了。下面是一个带基础增强的实现：
import torch from torch.utils.data import Dataset, DataLoader import torchvision.transforms.functional as TF import random class TumorSegDataset(Dataset): def __init__(self, img_dir, mask_dir, file_list, img_size=256): self.img_dir = img_dir self.mask_dir = mask_dir self.file_list = file_list self.img_size = img_size def __len__(self): return len(self.file_list) def __getitem__(self, idx): fname = self.file_list[idx] img = Image.open(os.path.join(self.img_dir, fname)).convert("L") mask = Image.open(os.path.join(self.mask_dir, fname)).convert("L") img = TF.resize(img, [self.img_size, self.img_size]) mask = TF.resize(mask, [self.img_size, self.img_size], interpolation=TF.InterpolationMode.NEAREST) if random.random() > 0.5: img = TF.hflip(img) mask = TF.hflip(mask) img = TF.to_tensor(img) img = (img - img.mean()) / (img.std() + 1e-8) mask = (TF.to_tensor(mask) > 0.5).float() return img, mask逻辑说明：图像用双线性插值缩放，掩码必须用最近邻插值，否则边缘会出现 0 到 1 之间的灰度值，二值化后边界会偏移。水平翻转是医学图像里少数可以安全使用的增强方式，垂直翻转和旋转要谨慎，因为脑部结构有明确的上下方向。归一化用单张图的均值和标准差，比用整个数据集的统计量更适应不同扫描仪的亮度差异。
参数说明：img_size设为 256 是速度和精度的折中，显存不够可以降到 128，但小肿瘤会丢细节。hflip概率 0.5 是常规选择，如果数据量本身就少，可以加到 0.7 但不要再高。
3.2 U-Net 结构与输出通道设置
2 分割任务的输出通道是 1，最后用 Sigmoid 激活，配合 BCE 损失。如果误设成 2 通道加 Softmax，训练也能跑，但等价于把二分类当多分类做，收敛会慢一些，而且推理时还要 argmax，多一步没必要。
import torch.nn as nn class DoubleConv(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.net = nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True), nn.Conv2d(out_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True), ) def forward(self, x): return self.net(x) class UNet(nn.Module): def __init__(self, in_ch=1, out_ch=1, base=32): super().__init__() self.d1 = DoubleConv(in_ch, base) self.d2 = DoubleConv(base, base*2) self.d3 = DoubleConv(base*2, base*4) self.pool = nn.MaxPool2d(2) self.bottleneck = DoubleConv(base*4, base*8) self.up3 = nn.ConvTranspose2d(base*8, base*4, 2, stride=2) self.u3 = DoubleConv(base*8, base*4) self.up2 = nn.ConvTranspose2d(base*4, base*2, 2, stride=2) self.u2 = DoubleConv(base*4, base*2) self.up1 = nn.ConvTranspose2d(base*2, base, 2, stride=2) self.u1 = DoubleConv(base*2, base) self.out = nn.Conv2d(base, out_ch, 1) def forward(self, x): d1 = self.d1(x) d2 = self.d2(self.pool(d1)) d3 = self.d3(self.pool(d2)) b = self.bottleneck(self.pool(d3)) u3 = self.u3(torch.cat([self.up3(b), d3], dim=1)) u2 = self.u2(torch.cat([self.up2(u3), d2], dim=1)) u1 = self.u1(torch.cat([self.up1(u2), d1], dim=1)) return torch.sigmoid(self.out(u1))逻辑说明：编码器逐层下采样提取语义特征，解码器逐层上采样恢复空间分辨率，跳跃连接把编码器的细节特征直接送到解码器对应层，这是 U-Net 能同时抓住全局位置和局部边界的关键。base=32控制模型宽度，显存 8GB 以内可以跑，如果显存充足可以加到 64 提升容量。
参数说明：out_ch=1对应 2 分割，输出经过 Sigmoid 后每个像素值在 0 到 1 之间，表示属于肿瘤的概率。推理时用 0.5 作为阈值二值化，如果发现漏检多可以降到 0.4，误检多就升到 0.6。
3.3 Dice + BCE 组合损失与训练循环
2 分割任务里前景像素占比很低，单用 BCE 会让模型倾向于全预测背景，因为这样损失也很低。Dice 损失直接优化重叠度，对类别不平衡更鲁棒。常见做法是两者加权相加。
class DiceBCELoss(nn.Module): def __init__(self, weight=0.5): super().__init__() self.weight = weight self.bce = nn.BCELoss() def forward(self, pred, target): bce_loss = self.bce(pred, target) pred_flat = pred.view(-1) target_flat = target.view(-1) inter = (pred_flat * target_flat).sum() dice_loss = 1 - (2 * inter + 1e-6) / (pred_flat.sum() + target_flat.sum() + 1e-6) return self.weight * bce_loss + (1 - self.weight) * dice_loss model = UNet().cuda() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) criterion = DiceBCELoss(weight=0.5) for epoch in range(50): model.train() for img, mask in train_loader: img, mask = img.cuda(), mask.cuda() pred = model(img) loss = criterion(pred, mask) optimizer.zero_grad() loss.backward() optimizer.step()逻辑说明：Dice 损失的分母加 1e-6 防止除零，分子加 1e-6 是平滑项，避免前景极小时梯度爆炸。weight=0.5表示 BCE 和 Dice 各占一半，如果发现边界不够准，可以把 Dice 权重提高到 0.7。
参数说明：学习率 1e-3 配合 Adam 是常规起点，训练后期如果损失不降可以降到 1e-4。批大小根据显存调整，256 尺寸下 8GB 显存大概能放 16 到 32 张切片。
4. 评估与可视化：Dice、IoU 和预测掩码叠加
4.1 逐病例计算 Dice 与 IoU
评估不能只看整体像素准确率，因为背景占绝大多数，全预测背景也能拿到 95% 以上的准确率。2 分割任务的核心指标是 Dice 系数和 IoU，而且应该逐病例计算再取平均，避免大肿瘤病例主导指标。
def compute_metrics(pred, target, threshold=0.5): pred_bin = (pred > threshold).float() inter = (pred_bin * target).sum() union = pred_bin.sum() + target.sum() - inter dice = (2 * inter + 1e-6) / (pred_bin.sum() + target.sum() + 1e-6) iou = (inter + 1e-6) / (union + 1e-6) return dice.item(), iou.item() model.eval() case_dice = {} with torch.no_grad(): for img, mask, case_id in val_loader: img, mask = img.cuda(), mask.cuda() pred = model(img) for i in range(img.size(0)): d, _ = compute_metrics(pred[i], mask[i]) case_dice.setdefault(case_id[i], []).append(d) avg_dice = np.mean([np.mean(v) for v in case_dice.values()]) print("逐病例平均 Dice: {:.4f}".format(avg_dice))逻辑说明：把同一病例的所有切片 Dice 先求平均，再对所有病例求平均，这样每个病例权重相同。如果直接对所有切片求平均，切片多的病例会主导结果。
参数说明：阈值 0.5 是默认值，实际部署时可以根据验证集上的 Dice 曲线选最优阈值，通常在 0.4 到 0.6 之间。
4.2 可视化代码：把预测结果画回原图
可视化不只是为了好看，它能直接暴露模型是「真的学会了分割」还是「在猜大致位置」。下面这段代码把原图、真实掩码、预测掩码并排显示，预测区域用红色叠加。
def visualize_prediction(img, mask, pred, threshold=0.5): img_np = img.squeeze().cpu().numpy() mask_np = mask.squeeze().cpu().numpy() pred_np = (pred.squeeze().cpu().numpy() > threshold).astype(np.uint8) overlay = np.stack([img_np]*3, axis=-1) overlay = (overlay - overlay.min()) / (overlay.max() - overlay.min() + 1e-8) overlay[pred_np == 1] = [1, 0, 0] fig, axes = plt.subplots(1, 4, figsize=(16, 4)) axes[0].imshow(img_np, cmap="gray"); axes[0].set_title("原图") axes[1].imshow(mask_np, cmap="gray"); axes[1].set_title("真实掩码") axes[2].imshow(pred_np, cmap="gray"); axes[2].set_title("预测掩码") axes[3].imshow(overlay); axes[3].set_title("预测叠加") for ax in axes: ax.axis("off") plt.show()逻辑说明：先把图像归一化到 0 到 1 方便叠加，然后把预测前景涂成红色。重点看第三张和第四张：预测掩码应该是干净的连通区域，如果出现大量散点或空洞，说明模型没收敛好或者后处理需要加连通域过滤。
参数说明：阈值同样默认 0.5，可视化时可以把阈值调低到 0.3 看看模型是否「过度敏感」，调高到 0.7 看看是否「过于保守」，这能帮你判断模型的置信度分布。
5. 避坑与排查：2 分割任务里最容易翻车的 5 个地方
5.1 掩码像素值没确认，训练损失一直震荡
现象：训练前几个 epoch 损失下降，之后突然反弹，Dice 在 0.3 到 0.6 之间来回跳。原因：掩码用的是 0/255 编码，但代码里直接当 0/1 用，to_tensor之后掩码值变成 0 到 1 之间的浮点数，二值化阈值 0.5 把大量边界像素判成前景，标签噪声极大。解决：读数据前先np.unique(mask)确认编码，统一转成 0/1 再进网络。
5.2 按切片随机划分，验证集指标虚高
现象：验证集 Dice 比训练集还高，或者两个指标都高得离谱，但可视化一看预测全是糊的。原因：同一病例的相邻切片高度相似，随机划分导致验证集里混入了训练集见过的病例，模型只是记住了病例特征而不是学会了分割。解决：按病例 ID 划分，用GroupShuffleSplit或手动按病例分，确保验证集病例在训练阶段完全没出现。
5.3 图像和掩码增强不同步，标签错位
现象：训练损失能降，但预测掩码总是偏移几个像素，边界 Dice 特别低。原因：图像做了随机旋转或缩放，掩码没做同样的变换，或者掩码用了双线性插值导致边缘模糊。解决：图像和掩码必须用同一组随机参数做空间变换，掩码插值一律用最近邻。
5.4 前景占比极低时 BCE 损失失效
现象：模型输出几乎全黑，Dice 接近 0，但 BCE 损失看起来不高。原因：肿瘤区域只占 1% 到 5%，模型全预测背景就能拿到很低的 BCE，梯度被背景像素主导。解决：用 Dice + BCE 组合损失，或者给 BCE 加pos_weight参数提高前景权重，也可以改用 Focal Loss。
5.5 推理时忘记切换 eval 模式，BatchNorm 统计量出错
现象：训练时指标正常，推理时同一张图每次预测结果都不一样。原因：模型还在 train 模式，BatchNorm 用当前批次的统计量而不是训练时累积的滑动平均，单张推理时统计量偏差极大。解决：推理前必须model.eval()，并用torch.no_grad()包住前向过程。
6. 进阶技巧：用连通域后处理和阈值搜索把 Dice 再提一截
模型训练完之后，别急着交差。2 分割任务的预测掩码里经常出现孤立的小噪点，或者肿瘤区域中间有空洞，这些用简单的连通域后处理就能去掉。我一般会先做连通域分析，保留面积最大的连通区域，再把小于某个像素数的区域直接抹掉。
from scipy import ndimage def postprocess(pred_mask, min_size=50): labeled, num = ndimage.label(pred_mask) if num == 0: return pred_mask sizes = ndimage.sum(pred_mask, labeled, range(1, num + 1)) max_label = np.argmax(sizes) + 1 cleaned = (labeled == max_label).astype(np.uint8) for i in range(1, num + 1): if i != max_label and sizes[i-1] < min_size: cleaned[labeled == i] = 0 return cleaned逻辑说明：ndimage.label把二值掩码里的连通区域编号，sizes统计每个区域的像素数。保留最大区域是因为 2 分割任务里通常只有一个肿瘤主体，小区域大概率是噪点。min_size=50是经验值，256 尺寸下小于 50 像素的区域基本可以忽略。
参数说明：如果肿瘤本身可能多发，就不要只保留最大区域，改成保留所有面积大于min_size的区域。min_size根据图像分辨率调整，512 尺寸下可以设到 200。
阈值搜索是另一个低成本提分手段。模型输出的概率图里，0.5 不一定是最优阈值。可以在验证集上从 0.3 到 0.7 以 0.05 为步长扫一遍，选 Dice 最高的阈值。
best_thr, best_dice = 0.5, 0 for thr in np.arange(0.3, 0.75, 0.05): dice_list = [] with torch.no_grad(): for img, mask in val_loader: img, mask = img.cuda(), mask.cuda() pred = model(img) pred_bin = (pred > thr).float() inter = (pred_bin * mask).sum() dice = (2 * inter + 1e-6) / (pred_bin.sum() + mask.sum() + 1e-6) dice_list.append(dice.item()) avg = np.mean(dice_list) if avg > best_dice: best_dice, best_thr = avg, thr print("最优阈值: {:.2f}, Dice: {:.4f}".format(best_thr, best_dice))逻辑说明：阈值搜索要在验证集上做，不能碰测试集。找到最优阈值后，推理时固定用这个值。注意如果验证集和测试集分布差异大，阈值可能不通用，这时候还是用 0.5 更稳妥。
我自己的习惯是：每次训完一个分割模型，先跑一遍逐病例 Dice，再做连通域后处理，最后扫一遍阈值，三步下来通常能比裸模型提升 2 到 5 个 Dice 点。这些操作不涉及重新训练，成本极低，但效果立竿见影。医学图像分割这个方向，模型结构固然重要，数据管线和后处理的细节往往才是拉开差距的地方。希望帮到你。
本文还有配套的精品资源，点击获取
