使用UNet与MONAI分割脑肿瘤时推理输出偏白的问题求助

问题背景 #

基于MONAI库实现MRI脑肿瘤分割任务，数据集涵盖500名患者，每位患者对应3模态图像及分割掩码，采用UNet架构完成模型训练。推理阶段出现异常：当输入图像仅含少量非零像素时，网络输出在离散化前所有值均为1，最终预测结果整体偏白。

可能原因分析 #

• 样本分布失衡：训练集中这类“仅含少量非零像素”的极端样本占比极低，模型几乎没有学习到该类样本的特征模式，推理时只能输出训练中占绝对主导的类别预测值。
• 损失函数偏向性：若训练集中正常肿瘤样本（非稀疏）占比过高，交叉熵等常规损失函数会引导模型优先拟合高频样本，遇到稀疏输入时，直接输出最“保险”的高频类别结果。
• 预处理逻辑缺陷：稀疏输入的归一化/标准化过程可能存在问题——因非零像素过少，全局归一化会导致数据被过度缩放，使模型接收到的特征偏离训练时的分布。
• 激活函数特性影响：若输出层使用Sigmoid（二分类）或Softmax（多分类），当输入特征极弱时，模型权重的偏向性可能导致激活后输出趋近于1。

解决办法 #

• 补充极端样本并微调：从现有数据中筛选或通过数据增强生成这类稀疏样本（比如随机裁剪保留少量肿瘤区域），加入训练集进行模型微调，让模型学习该场景的特征。
• 更换鲁棒性更强的损失函数：改用DiceLoss、FocalLoss这类对样本不平衡更友好的损失；或使用WeightedCrossEntropyLoss，给稀疏样本对应的类别设置更高权重，平衡损失偏向。
• 修正预处理流程：针对稀疏输入调整归一化策略，比如采用基于非零像素的局部归一化替代全局归一化；确保输入像素值范围与训练时严格一致，避免过度缩放。
• 检查推理阶段逻辑：验证输出层激活函数的应用是否正确（比如多分类场景下是否正确执行Softmax）；可对输入添加前置判断，若非零像素占比过低，直接输出全背景掩码作为兜底处理。
• 增加正则化约束：在UNet中添加Dropout层或启用L2正则化，降低模型对高频样本的过拟合程度，提升对少见样本的泛化能力。

内容的提问来源于stack exchange，提问作者Alessandra Introvaia