3D CNN帕金森病分类任务中通道数不匹配RuntimeError求助

错误根源 #

报错提示模型期望输入为1通道，但实际得到4通道，本质是输入张量的维度格式不符合PyTorch 3D卷积的要求：

• PyTorch中nn.Conv3d要求输入格式为 (batch_size, num_channels, depth, height, width)
• 你的单个NIFTI文件是(193,229,193)（无通道维度），当batch_size=4时，DataLoader堆叠后得到(4,193,229,193)，模型误将batch_size的维度当成了通道数，导致输入维度被识别为(1,4,193,229,193)（此处1是错误的batch维度，4被误判为通道数）。

具体修复步骤 #

1. 修复自定义数据集（CustomDataset）的维度输出 #

在CustomDataset的__getitem__方法中，必须给加载的3D图像添加通道维度（医学影像多为单通道）。修改示例：

class CustomDataset(Dataset):
    def __init__(self, root_dir, transform=None):
        self.root_dir = root_dir
        self.transform = transform
        self.file_list = [f for f in os.listdir(root_dir) if f.endswith('.nii') or f.endswith('.nii.gz')]

    def __len__(self):
        return len(self.file_list)

    def __getitem__(self, idx):
        # 加载NIFTI文件（以nibabel为例）
        img_path = os.path.join(self.root_dir, self.file_list[idx])
        img = nibabel.load(img_path).get_fdata()
        # 关键：添加通道维度，从(D,H,W)转为(1,D,H,W)
        img = torch.from_numpy(img).unsqueeze(0)
        # 应用transform
        if self.transform:
            img = self.transform(img)
        # 加载对应标签（根据你的数据集逻辑补充）
        label = ... 
        return img, label

注意：若ToTensor()会改变维度顺序，需确保最终返回的张量是(1,D,H,W)格式。

2. 验证DataLoader输出维度 #

训练前添加调试代码，确认输入维度符合要求：

# 取出一个batch的输入检查维度
for imgs, labels in train_loader:
    print(f"输入张量维度：{imgs.shape}")
    # 正确格式应为 (4,1,193,229,193)，即(batch_size, channels, D, H, W)
    break

3. 修正模型线性层输入维度 #

当前模型fc1的输入维度计算有误，两次MaxPool3d（步长2）后，原维度(193,229,193)的计算逻辑为：

• 第一次池化后：(193//2=96, 229//2=114, 193//2=96)
• 第二次池化后：(96//2=48, 114//2=57, 96//2=48)
  修改模型的初始化和forward方法，同时用自动flatten替代硬编码：

class CNN3D(nn.Module):
    def __init__(self, num_channels=1):
        super(CNN3D, self).__init__()
        self.conv1 = nn.Conv3d(num_channels, 32, kernel_size=3, stride=1, padding=1)
        self.pool = nn.MaxPool3d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv3d(32, 64, kernel_size=3, stride=1, padding=1)
        # 修正线性层输入维度
        self.fc1 = nn.Linear(64 * 48 * 57 * 48, 128)  
        self.fc2 = nn.Linear(128, 3)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        # 自动适配batch_size计算flatten维度，避免硬编码出错
        x = x.view(x.size(0), -1)  
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

4. 明确模型初始化参数 #

显式传入通道数参数，避免默认值歧义：

model = CNN3D(num_channels=1)

验证修复 #

运行调试代码确认输入维度为(batch_size,1,D,H,W)后，启动训练即可解决通道不匹配的RuntimeError。

内容的提问来源于stack exchange，提问作者Zubair