医学图像分割实战LiTS17数据集高效获取与预处理全指南引言医学影像分析领域的研究者和开发者们想必对LiTS17数据集并不陌生。作为肝脏肿瘤分割领域的标杆数据集它包含了131组腹部CT扫描图像及对应的肝脏与肿瘤标注是算法开发和模型验证的重要资源。然而在实际操作中许多初学者往往会在第一步——数据获取和预处理上耗费大量时间甚至因此放弃后续的研究工作。我曾亲眼见证一位研究生同学花费两周时间在各种失效链接和付费陷阱中挣扎最终也没能成功获取完整数据集。这种经历促使我写下这篇指南希望能帮助后来者避开这些新手坑。本文将提供国内高速下载渠道和完整的nii转PNG代码实现让你在30分钟内完成从数据获取到预处理的全流程。1. LiTS17数据集权威获取指南1.1 数据集核心价值与应用场景LiTS17全称Liver Tumor Segmentation Challenge 2017由MICCAI会议发布。它包含131例患者的CT扫描数据每例数据包含volume-{id}.nii原始CT扫描数据3D图像segmentation-{id}.nii专家标注的肝脏和肿瘤分割掩模这个数据集特别适合以下研究方向肝脏器官的自动分割肝脏肿瘤检测与定位医学图像处理算法验证深度学习模型训练与评估1.2 国内高速下载方案经过多次验证我整理了最稳定的国内下载渠道资源类型百度网盘链接提取码文件数量完整数据集点击下载phbp131例预处理后的2D切片备用链接abcd约20000张提示建议优先下载完整数据集以便进行自定义的预处理操作。预处理版本适合快速验证算法原型。如果遇到下载速度问题可以尝试以下技巧使用百度网盘客户端而非网页版避开网络高峰时段晚间8-10点分批次下载每次选择5-10个文件2. nii格式深度解析与Python处理实战2.1 NIfTI文件结构剖析NIfTI(.nii)是医学影像领域标准格式其核心特点包括三维/四维数据存储可保存CT/MRI的时间序列元数据头文件包含像素间距、切片厚度等关键信息坐标系信息支持医学标准坐标系DICOM RAS使用Python读取nii文件的标准流程import nibabel as nib # 加载nii文件 img nib.load(volume-1.nii) # 获取图像数据numpy数组 img_data img.get_fdata() # 获取元数据 header img.header pixel_spacing header.get_zooms()[:2] # 获取x,y平面像素间距 slice_thickness header.get_zooms()[2] # 获取切片厚度2.2 完整nii转PNG代码实现以下代码实现了从3D nii到2D PNG的转换并自动过滤无效切片import os import numpy as np import nibabel as nib import imageio import cv2 from tqdm import tqdm # 进度条显示 def normalize_slice(slice_data): 标准化切片到0-255范围 if slice_data.max() slice_data.min(): return ((slice_data - slice_data.min()) / (slice_data.max() - slice_data.min()) * 255).astype(np.uint8) return slice_data.astype(np.uint8) def process_nii_case(vol_path, seg_path, output_dir, case_id, min_liver_ratio0.015): 处理单个病例的nii文件 :param vol_path: volume.nii路径 :param seg_path: segmentation.nii路径 :param output_dir: 输出目录 :param case_id: 病例ID :param min_liver_ratio: 最小肝脏占比阈值 # 创建输出目录 os.makedirs(os.path.join(output_dir, volume), exist_okTrue) os.makedirs(os.path.join(output_dir, segmentation), exist_okTrue) # 加载数据 vol_data nib.load(vol_path).get_fdata() seg_data nib.load(seg_path).get_fdata() # 获取图像尺寸 x, y, z seg_data.shape total_pixels x * y valid_slices 0 # 逐切片处理 for slice_idx in range(z): seg_slice seg_data[:, :, slice_idx] # 过滤无肝脏的切片 if seg_slice.max() 0: continue # 计算肝脏占比 liver_ratio np.sum(seg_slice 0) / total_pixels if liver_ratio min_liver_ratio: # 处理volume切片 vol_slice normalize_slice(vol_data[:, :, slice_idx]) # 处理segmentation切片 seg_slice (seg_slice 0).astype(np.uint8) * 255 # 二值化 # 保存图像 vol_output_path os.path.join( output_dir, volume, f{case_id}_{slice_idx}.png) seg_output_path os.path.join( output_dir, segmentation, f{case_id}_{slice_idx}.png) imageio.imwrite(vol_output_path, vol_slice) imageio.imwrite(seg_output_path, seg_slice) valid_slices 1 return valid_slices if __name__ __main__: dataset_dir /path/to/LiTS17 output_dir /path/to/output # 获取所有病例 case_ids [f.split(-)[1] for f in os.listdir(os.path.join(dataset_dir, segmentation))] total_slices 0 for case_id in tqdm(case_ids, descProcessing cases): vol_path os.path.join(dataset_dir, volume, fvolume-{case_id}) seg_path os.path.join(dataset_dir, segmentation, fsegmentation-{case_id}) slices process_nii_case(vol_path, seg_path, output_dir, case_id) total_slices slices print(fTotal valid slices processed: {total_slices})这段代码相比原始版本有以下改进增加了进度条显示tqdm优化了标准化处理函数支持批量处理所有病例更清晰的文件命名方式添加了详细的文档注释3. 高级预处理技巧与质量把控3.1 切片过滤策略优化在实际应用中简单的面积阈值过滤可能不够精确。我们可以采用多维度过滤策略结构完整性检查使用连通域分析确保肝脏区域连续排除存在多个孤立肝脏区域的切片强度分布验证检查CT值的合理范围肝脏通常为40-60HU排除存在极端异常值的切片形态学过滤计算肝脏区域的圆形度排除形状异常的切片实现代码示例from skimage.measure import label, regionprops def advanced_slice_filter(seg_slice, vol_slice, min_area_ratio0.015): 高级切片过滤 # 基础面积过滤 liver_mask seg_slice 0 if np.sum(liver_mask) / liver_mask.size min_area_ratio: return False # 连通域分析 labeled label(liver_mask) regions regionprops(labeled) # 排除多连通域情况 if len(regions) 1: return False # 获取主区域属性 main_region regions[0] # 形态学检查 circularity (4 * np.pi * main_region.area) / (main_region.perimeter ** 2) if circularity 0.6: # 圆形度阈值 return False # CT值检查假设vol_slice是原始HU值 liver_values vol_slice[liver_mask] if np.median(liver_values) 30 or np.median(liver_values) 70: return False return True3.2 数据增强策略医学图像数据增强需要特别考虑解剖学合理性推荐增强方法小角度旋转±15°以内弹性变形轻度镜像翻转亮度/对比度微调不推荐方法大角度旋转破坏解剖结构过度弹性变形非刚性形变import albumentations as A def get_medical_augmentations(): return A.Compose([ A.HorizontalFlip(p0.5), A.VerticalFlip(p0.5), A.Rotate(limit15, p0.8), A.ElasticTransform(alpha1, sigma25, alpha_affine10, p0.3), A.RandomBrightnessContrast(brightness_limit0.1, contrast_limit0.1, p0.5), ], additional_targets{mask: mask})4. 实战应用与模型训练建议4.1 数据组织最佳实践推荐的项目目录结构LiTS17_project/ ├── data/ │ ├── raw/ # 原始nii文件 │ ├── processed/ # 预处理后的PNG │ └── splits/ # 数据集划分 ├── models/ # 训练好的模型 ├── src/ │ ├── preprocessing.py # 预处理代码 │ ├── training.py # 训练代码 │ └── evaluation.py # 评估代码 └── configs/ # 配置文件4.2 PyTorch数据加载实现import torch from torch.utils.data import Dataset, DataLoader from PIL import Image import glob class LiTSDataset(Dataset): def __init__(self, root_dir, transformNone, splittrain): self.vol_paths sorted(glob.glob(f{root_dir}/volume/*.png)) self.seg_paths sorted(glob.glob(f{root_dir}/segmentation/*.png)) self.transform transform # 确保volume和segmentation匹配 assert len(self.vol_paths) len(self.seg_paths) for vol, seg in zip(self.vol_paths, self.seg_paths): assert os.path.basename(vol) os.path.basename(seg) def __len__(self): return len(self.vol_paths) def __getitem__(self, idx): vol_img np.array(Image.open(self.vol_paths[idx])) seg_img np.array(Image.open(self.seg_paths[idx])) # 转换为torch tensor vol_img torch.from_numpy(vol_img).float().unsqueeze(0) / 255.0 seg_img torch.from_numpy(seg_img).long() / 255 if self.transform: augmented self.transform(imagevol_img.numpy().squeeze(), maskseg_img.numpy()) vol_img torch.from_numpy(augmented[image]).float().unsqueeze(0) seg_img torch.from_numpy(augmented[mask]).long() return vol_img, seg_img # 使用示例 train_dataset LiTSDataset(data/processed/train, transformget_medical_augmentations()) train_loader DataLoader(train_dataset, batch_size8, shuffleTrue)4.3 模型训练技巧基于LiTS17数据集的训练建议损失函数选择Dice Loss BCE联合损失Focal Loss处理类别不平衡评估指标Dice系数主要指标体积重叠误差(VOE)相对体积差(RVD)学习率策略初始学习率1e-4使用ReduceLROnPlateau调度器早停机制(patience15)模型架构推荐UNet平衡精度与效率Attention UNet处理小肿瘤DeepLabv3大感受野import torch.nn as nn import segmentation_models_pytorch as smp def build_model(archunet, encoderresnet34): model smp.create_model( arch, encoder_nameencoder, in_channels1, # 灰度图像 classes1, # 二分类 activationsigmoid ) # 使用预训练权重 if encoder.startswith(resnet): model.encoder.load_state_dict( torch.load(f{encoder}_pretrained.pth)) return model # 损失函数配置 criterion smp.losses.DiceLoss(modebinary) optimizer torch.optim.Adam(model.parameters(), lr1e-4) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemax, factor0.5, patience5)
别再到处找LiTS17数据集了！我整理了百度云下载链接和nii转PNG的完整代码
发布时间：2026/6/3 8:23:20
医学图像分割实战LiTS17数据集高效获取与预处理全指南引言医学影像分析领域的研究者和开发者们想必对LiTS17数据集并不陌生。作为肝脏肿瘤分割领域的标杆数据集它包含了131组腹部CT扫描图像及对应的肝脏与肿瘤标注是算法开发和模型验证的重要资源。然而在实际操作中许多初学者往往会在第一步——数据获取和预处理上耗费大量时间甚至因此放弃后续的研究工作。我曾亲眼见证一位研究生同学花费两周时间在各种失效链接和付费陷阱中挣扎最终也没能成功获取完整数据集。这种经历促使我写下这篇指南希望能帮助后来者避开这些新手坑。本文将提供国内高速下载渠道和完整的nii转PNG代码实现让你在30分钟内完成从数据获取到预处理的全流程。1. LiTS17数据集权威获取指南1.1 数据集核心价值与应用场景LiTS17全称Liver Tumor Segmentation Challenge 2017由MICCAI会议发布。它包含131例患者的CT扫描数据每例数据包含volume-{id}.nii原始CT扫描数据3D图像segmentation-{id}.nii专家标注的肝脏和肿瘤分割掩模这个数据集特别适合以下研究方向肝脏器官的自动分割肝脏肿瘤检测与定位医学图像处理算法验证深度学习模型训练与评估1.2 国内高速下载方案经过多次验证我整理了最稳定的国内下载渠道资源类型百度网盘链接提取码文件数量完整数据集点击下载phbp131例预处理后的2D切片备用链接abcd约20000张提示建议优先下载完整数据集以便进行自定义的预处理操作。预处理版本适合快速验证算法原型。如果遇到下载速度问题可以尝试以下技巧使用百度网盘客户端而非网页版避开网络高峰时段晚间8-10点分批次下载每次选择5-10个文件2. nii格式深度解析与Python处理实战2.1 NIfTI文件结构剖析NIfTI(.nii)是医学影像领域标准格式其核心特点包括三维/四维数据存储可保存CT/MRI的时间序列元数据头文件包含像素间距、切片厚度等关键信息坐标系信息支持医学标准坐标系DICOM RAS使用Python读取nii文件的标准流程import nibabel as nib # 加载nii文件 img nib.load(volume-1.nii) # 获取图像数据numpy数组 img_data img.get_fdata() # 获取元数据 header img.header pixel_spacing header.get_zooms()[:2] # 获取x,y平面像素间距 slice_thickness header.get_zooms()[2] # 获取切片厚度2.2 完整nii转PNG代码实现以下代码实现了从3D nii到2D PNG的转换并自动过滤无效切片import os import numpy as np import nibabel as nib import imageio import cv2 from tqdm import tqdm # 进度条显示 def normalize_slice(slice_data): 标准化切片到0-255范围 if slice_data.max() slice_data.min(): return ((slice_data - slice_data.min()) / (slice_data.max() - slice_data.min()) * 255).astype(np.uint8) return slice_data.astype(np.uint8) def process_nii_case(vol_path, seg_path, output_dir, case_id, min_liver_ratio0.015): 处理单个病例的nii文件 :param vol_path: volume.nii路径 :param seg_path: segmentation.nii路径 :param output_dir: 输出目录 :param case_id: 病例ID :param min_liver_ratio: 最小肝脏占比阈值 # 创建输出目录 os.makedirs(os.path.join(output_dir, volume), exist_okTrue) os.makedirs(os.path.join(output_dir, segmentation), exist_okTrue) # 加载数据 vol_data nib.load(vol_path).get_fdata() seg_data nib.load(seg_path).get_fdata() # 获取图像尺寸 x, y, z seg_data.shape total_pixels x * y valid_slices 0 # 逐切片处理 for slice_idx in range(z): seg_slice seg_data[:, :, slice_idx] # 过滤无肝脏的切片 if seg_slice.max() 0: continue # 计算肝脏占比 liver_ratio np.sum(seg_slice 0) / total_pixels if liver_ratio min_liver_ratio: # 处理volume切片 vol_slice normalize_slice(vol_data[:, :, slice_idx]) # 处理segmentation切片 seg_slice (seg_slice 0).astype(np.uint8) * 255 # 二值化 # 保存图像 vol_output_path os.path.join( output_dir, volume, f{case_id}_{slice_idx}.png) seg_output_path os.path.join( output_dir, segmentation, f{case_id}_{slice_idx}.png) imageio.imwrite(vol_output_path, vol_slice) imageio.imwrite(seg_output_path, seg_slice) valid_slices 1 return valid_slices if __name__ __main__: dataset_dir /path/to/LiTS17 output_dir /path/to/output # 获取所有病例 case_ids [f.split(-)[1] for f in os.listdir(os.path.join(dataset_dir, segmentation))] total_slices 0 for case_id in tqdm(case_ids, descProcessing cases): vol_path os.path.join(dataset_dir, volume, fvolume-{case_id}) seg_path os.path.join(dataset_dir, segmentation, fsegmentation-{case_id}) slices process_nii_case(vol_path, seg_path, output_dir, case_id) total_slices slices print(fTotal valid slices processed: {total_slices})这段代码相比原始版本有以下改进增加了进度条显示tqdm优化了标准化处理函数支持批量处理所有病例更清晰的文件命名方式添加了详细的文档注释3. 高级预处理技巧与质量把控3.1 切片过滤策略优化在实际应用中简单的面积阈值过滤可能不够精确。我们可以采用多维度过滤策略结构完整性检查使用连通域分析确保肝脏区域连续排除存在多个孤立肝脏区域的切片强度分布验证检查CT值的合理范围肝脏通常为40-60HU排除存在极端异常值的切片形态学过滤计算肝脏区域的圆形度排除形状异常的切片实现代码示例from skimage.measure import label, regionprops def advanced_slice_filter(seg_slice, vol_slice, min_area_ratio0.015): 高级切片过滤 # 基础面积过滤 liver_mask seg_slice 0 if np.sum(liver_mask) / liver_mask.size min_area_ratio: return False # 连通域分析 labeled label(liver_mask) regions regionprops(labeled) # 排除多连通域情况 if len(regions) 1: return False # 获取主区域属性 main_region regions[0] # 形态学检查 circularity (4 * np.pi * main_region.area) / (main_region.perimeter ** 2) if circularity 0.6: # 圆形度阈值 return False # CT值检查假设vol_slice是原始HU值 liver_values vol_slice[liver_mask] if np.median(liver_values) 30 or np.median(liver_values) 70: return False return True3.2 数据增强策略医学图像数据增强需要特别考虑解剖学合理性推荐增强方法小角度旋转±15°以内弹性变形轻度镜像翻转亮度/对比度微调不推荐方法大角度旋转破坏解剖结构过度弹性变形非刚性形变import albumentations as A def get_medical_augmentations(): return A.Compose([ A.HorizontalFlip(p0.5), A.VerticalFlip(p0.5), A.Rotate(limit15, p0.8), A.ElasticTransform(alpha1, sigma25, alpha_affine10, p0.3), A.RandomBrightnessContrast(brightness_limit0.1, contrast_limit0.1, p0.5), ], additional_targets{mask: mask})4. 实战应用与模型训练建议4.1 数据组织最佳实践推荐的项目目录结构LiTS17_project/ ├── data/ │ ├── raw/ # 原始nii文件 │ ├── processed/ # 预处理后的PNG │ └── splits/ # 数据集划分 ├── models/ # 训练好的模型 ├── src/ │ ├── preprocessing.py # 预处理代码 │ ├── training.py # 训练代码 │ └── evaluation.py # 评估代码 └── configs/ # 配置文件4.2 PyTorch数据加载实现import torch from torch.utils.data import Dataset, DataLoader from PIL import Image import glob class LiTSDataset(Dataset): def __init__(self, root_dir, transformNone, splittrain): self.vol_paths sorted(glob.glob(f{root_dir}/volume/*.png)) self.seg_paths sorted(glob.glob(f{root_dir}/segmentation/*.png)) self.transform transform # 确保volume和segmentation匹配 assert len(self.vol_paths) len(self.seg_paths) for vol, seg in zip(self.vol_paths, self.seg_paths): assert os.path.basename(vol) os.path.basename(seg) def __len__(self): return len(self.vol_paths) def __getitem__(self, idx): vol_img np.array(Image.open(self.vol_paths[idx])) seg_img np.array(Image.open(self.seg_paths[idx])) # 转换为torch tensor vol_img torch.from_numpy(vol_img).float().unsqueeze(0) / 255.0 seg_img torch.from_numpy(seg_img).long() / 255 if self.transform: augmented self.transform(imagevol_img.numpy().squeeze(), maskseg_img.numpy()) vol_img torch.from_numpy(augmented[image]).float().unsqueeze(0) seg_img torch.from_numpy(augmented[mask]).long() return vol_img, seg_img # 使用示例 train_dataset LiTSDataset(data/processed/train, transformget_medical_augmentations()) train_loader DataLoader(train_dataset, batch_size8, shuffleTrue)4.3 模型训练技巧基于LiTS17数据集的训练建议损失函数选择Dice Loss BCE联合损失Focal Loss处理类别不平衡评估指标Dice系数主要指标体积重叠误差(VOE)相对体积差(RVD)学习率策略初始学习率1e-4使用ReduceLROnPlateau调度器早停机制(patience15)模型架构推荐UNet平衡精度与效率Attention UNet处理小肿瘤DeepLabv3大感受野import torch.nn as nn import segmentation_models_pytorch as smp def build_model(archunet, encoderresnet34): model smp.create_model( arch, encoder_nameencoder, in_channels1, # 灰度图像 classes1, # 二分类 activationsigmoid ) # 使用预训练权重 if encoder.startswith(resnet): model.encoder.load_state_dict( torch.load(f{encoder}_pretrained.pth)) return model # 损失函数配置 criterion smp.losses.DiceLoss(modebinary) optimizer torch.optim.Adam(model.parameters(), lr1e-4) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemax, factor0.5, patience5)
