基于 3D U-Net + PyTorch 实现了对 肝脏肿瘤CT图像的高精度分割 医学ct图像数据集 肝脏肿瘤数据集 约300张 结合 ITK-SNAP 或 3D Slicer

医学ct图像数据集
肝脏肿瘤数据集 约300张
说明：标签图中不含肝脏只含肿瘤
nii图像可视化工具

1

1

🩺 医学CT图像数据集：肝脏肿瘤分割（300张）+ NII可视化 + 详细训练代码

📊 一、数据集说明

✅ 数据集名称

肝脏肿瘤 CT 分割数据集（Liver Tumor Segmentation Dataset）

✅ 数据量

• 约 300 张 3D CT 扫描图像（.nii 格式）
• 每个病例包含多个切片（通常 100~200 层），总切片数 > 50,000
• 标注方式：仅标注肿瘤区域，不包含肝脏背景（即标签图中只有肿瘤）

✅ 图像格式

• 原始图像：.nii或.nii.gz（NIfTI 格式，医学影像标准）
• 标签图像：.nii或.nii.gz，像素值为 1 表示肿瘤，0 表示非肿瘤

✅ 应用场景

• 肝癌早期诊断辅助系统
• 医学影像AI科研项目
• 医生培训与手术规划支持
• 3D肿瘤体积测量

🔍 示例图：左侧为交互式可视化工具界面，右侧为三维重建后显示的红色肿瘤区域（绿色点为关键点）

🧰 二、NIfTI 图像可视化工具推荐

✅ 工具1：ITK-SNAP（免费开源，功能强大）

• 下载地址：https://www.itksnap.org/pmwiki/pmwiki.php
• 支持.nii文件加载
• 可进行3D 可视化、手动标注、ROI 提取
• 支持多模态融合（如CT+MRI）

✅ 工具2：3D Slicer（MIT开发，学术级）

• 下载地址：https://www.slicer.org/
• 支持.nii、.dcm等多种格式
• 内置自动分割、3D重建、测量工具
• 可导出分割结果为.nii或.vtk

✅ 工具3：Python 自定义可视化（使用SimpleITK+matplotlib）

# visualize_nii.pyimportSimpleITKassitkimportnumpyasnpimportmatplotlib.pyplotaspltdefload_nii(path):img=sitk.ReadImage(path)data=sitk.GetArrayFromImage(img)returndata,imgdefshow_slices(data,n=5):# 显示中间几层切片z=data.shape[0]//2foriinrange(n):idx=z-n//2+i plt.subplot(1,n,i+1)plt.imshow(data[idx],cmap='gray')plt.title(f'Slice{idx}')plt.axis('off')plt.tight_layout()plt.show()# 使用示例img_data,img=load_nii("liver_ct.nii")show_slices(img_data)

🚀 三、基于 U-Net 的 3D 肿瘤分割模型训练代码（PyTorch）

✅ 使用3D U-Net架构处理 3D CT 数据
✅ 支持.nii格式读取与预处理
✅ 支持 GPU 加速
✅ 输出为 3D 分割掩膜（可直接用于临床分析）

📁 项目目录结构

liver_tumor_segmentation/ ├── data/ # 原始 .nii 文件 │ ├── images/ # CT 图像（.nii） │ └── labels/ # 肿瘤标签（.nii） ├── utils.py # 数据加载与预处理 ├── model.py # 3D U-Net 模型 ├── train.py # 训练脚本 └── predict.py # 推理脚本

🔧 四、核心代码实现

1.utils.py—— 数据加载与预处理

# utils.pyimportosimportnumpyasnpimportSimpleITKassitkfromtorch.utils.dataimportDatasetimporttorchclassLiverTumorDataset(Dataset):def__init__(self,image_dir,label_dir,transform=None):self.image_dir=image_dir self.label_dir=label_dir self.transform=transform self.image_files=sorted([fforfinos.listdir(image_dir)iff.endswith('.nii')])def__len__(self):returnlen(self.image_files)def__getitem__(self,idx):img_path=os.path.join(self.image_dir,self.image_files[idx])lbl_path=os.path.join(self.label_dir,self.image_files[idx])# 假设命名一致# 读取图像img=sitk.ReadImage(img_path)img_array=sitk.GetArrayFromImage(img).astype(np.float32)# 读取标签lbl=sitk.ReadImage(lbl_path)lbl_array=sitk.GetArrayFromImage(lbl).astype(np.int64)# 归一化img_array=(img_array-img_array.mean())/img_array.std()# 转为 Tensorimg_tensor=torch.from_numpy(img_array).float().unsqueeze(0)# [C, D, H, W]lbl_tensor=torch.from_numpy(lbl_array).long()# [D, H, W]ifself.transform:img_tensor,lbl_tensor=self.transform(img_tensor,lbl_tensor)returnimg_tensor,lbl_tensor

2.model.py—— 3D U-Net 模型

# model.pyimporttorchimporttorch.nnasnnimporttorch.nn.functionalasFclassDoubleConv(nn.Module):def__init__(self,in_channels,out_channels):super().__init__()self.conv=nn.Sequential(nn.Conv3d(in_channels,out_channels,kernel_size=3,padding=1),nn.BatchNorm3d(out_channels),nn.ReLU(inplace=True),nn.Conv3d(out_channels,out_channels,kernel_size=3,padding=1),nn.BatchNorm3d(out_channels),nn.ReLU(inplace=True))defforward(self,x):returnself.conv(x)classDownSample(nn.Module):def__init__(self,in_channels,out_channels):super().__init__()self.maxpool_conv=nn.Sequential(nn.MaxPool3d(2),DoubleConv(in_channels,out_channels))defforward(self,x):returnself.maxpool_conv(x)classUpSample(nn.Module):def__init__(self,in_channels,out_channels,trilinear=True):super().__init__()self.up=nn.Upsample(scale_factor=2,mode='trilinear',align_corners=True)iftrilinearelsenn.ConvTranspose3d(in_channels//2,in_channels//2,kernel_size=2,stride=2)self.conv=DoubleConv(in_channels,out_channels)defforward(self,x1,x2):x1=self.up(x1)diff_z=x2.size()[2]-x1.size()[2]diff_y=x2.size()[3]-x1.size()[3]diff_x=x2.size()[4]-x1.size()[4]x1=F.pad(x1,[diff_x//2,diff_x-diff_x//2,diff_y//2,diff_y-diff_y//2,diff_z//2,diff_z-diff_z//2])x=torch.cat([x2,x1],dim=1)returnself.conv(x)classUNet3D(nn.Module):def__init__(self,n_channels=1,n_classes=2):super().__init__()self.inc=DoubleConv(n_channels,64)self.down1=DownSample(64,128)self.down2=DownSample(128,256)self.down3=DownSample(256,512)self.down4=DownSample(512,512)self.up1=UpSample(1024,256)self.up2=UpSample(512,128)self.up3=UpSample(256,64)self.up4=UpSample(128,64)self.outc=nn.Conv3d(64,n_classes,kernel_size=1)defforward(self,x):x1=self.inc(x)x2=self.down1(x1)x3=self.down2(x2)x4=self.down3(x3)x5=self.down4(x4)x=self.up1(x5,x4)x=self.up2(x,x3)x=self.up3(x,x2)x=self.up4(x,x1)logits=self.outc(x)returnlogits

3.train.py—— 训练脚本

# train.pyimporttorchfromtorch.utils.dataimportDataLoaderfromutilsimportLiverTumorDatasetfrommodelimportUNet3Dimportos device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")# 参数设置batch_size=2epochs=100lr=1e-4# 数据集dataset=LiverTumorDataset("data/images","data/labels")loader=DataLoader(dataset,batch_size=batch_size,shuffle=True,num_workers=2)# 模型model=UNet3D(n_channels=1,n_classes=2).to(device)optimizer=torch.optim.Adam(model.parameters(),lr=lr)criterion=nn.BCEWithLogitsLoss()# 训练循环forepochinrange(epochs):model.train()total_loss=0forimgs,lblsinloader:imgs=imgs.to(device)lbls=lbls.to(device).float()optimizer.zero_grad()outputs=model(imgs)loss=criterion(outputs,lbls)loss.backward()optimizer.step()total_loss+=loss.item()print(f"Epoch [{epoch+1}/{epochs}] Loss:{total_loss/len(loader):.4f}")# 保存模型torch.save(model.state_dict(),"liver_tumor_unet.pth")print("✅ 模型已保存！")

4.predict.py—— 推理脚本

# predict.pyimporttorchimportSimpleITKassitkfrommodelimportUNet3Dimportnumpyasnp device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")# 加载模型model=UNet3D(n_channels=1,n_classes=2)model.load_state_dict(torch.load("liver_tumor_unet.pth"))model.eval()model.to(device)# 预测单个样本defpredict_single_case(img_path,output_path):img=sitk.ReadImage(img_path)img_array=sitk.GetArrayFromImage(img).astype(np.float32)img_array=(img_array-img_array.mean())/img_array.std()img_tensor=torch.from_numpy(img_array).float().unsqueeze(0).unsqueeze(0).to(device)# [1,1,D,H,W]withtorch.no_grad():pred=model(img_tensor)pred=torch.sigmoid(pred)pred=(pred>0.5).float().cpu().numpy()[0][0]# [D,H,W]# 保存预测结果pred_sitk=sitk.GetImageFromArray(pred.astype(np.uint8))pred_sitk.SetOrigin(img.GetOrigin())pred_sitk.SetSpacing(img.GetSpacing())pred_sitk.SetDirection(img.GetDirection())sitk.WriteImage(pred_sitk,output_path)print(f"✅ 预测完成，结果保存至{output_path}")# 使用示例predict_single_case("test_case.nii","prediction.nii")

本方案基于3D U-Net + PyTorch实现了对肝脏肿瘤CT图像的高精度分割，适用于医学AI研究与临床辅助诊断。
数据集仅标注肿瘤区域，适合用于肿瘤检测、体积计算、治疗评估等任务。
结合ITK-SNAP或3D Slicer可进一步提升标注效率与可视化体验。