PyTorch使用DICOM数据训练Unet++异常 权重过小疑似DataLoader问题

一、数据加载器潜在问题 #

• DICOM与NIfTI空间匹配错误：当前代码读取的NIfTI是3维数组，通常格式为(宽, 高, 切片数)，仅做transpose(0,1)操作后直接和单张2维DICOM匹配，本质是每次都取了NIfTI的第一个切片作为所有样本的标注，标注完全错误，模型无法学习有效特征，导致权重无更新、导出文件偏小。
• DICOM归一化逻辑错误：直接除以255是普通RGB图像的归一化规则，DICOM存储的多是CT的HU值（范围-1024~3000+）或MRI灰度值，直接除以255会导致输入数值范围完全异常，模型无法提取有效特征。
• GT路径匹配风险：通过固定字符串切片生成GT路径容错率极低，很容易出现路径不存在、匹配到错误标注的问题，没有做存在性校验的情况下会加载无效标注。

二、训练流程潜在问题 #

• 维度不匹配导致损失计算无效：如果模型输出SR和标注GT的维度不一致，拉平后计算损失时会触发广播机制，得到的损失完全无效，模型不会收敛。
• 损失函数与任务不匹配：当前用的BCE损失仅适用于二分类任务，如果是多类分割且未做GT的one-hot编码，损失计算完全错误。
• 优化器配置错误：学习率设置异常、优化器未正确绑定模型参数，都会导致权重几乎不更新，保存的权重接近初始值，文件大小偏小。

三、快速定位步骤 #

1. 在__getitem__返回前打印image.shape、GT.shape、image.min()、image.max()、GT.min()、GT.max()，确认输入、标注的维度和数值范围符合预期。
2. 取单个batch打印loss数值，如果loss长期固定或者无规则乱跳，优先排查数据匹配和损失函数问题。
3. 训练1个epoch后推理单样本，如果输出全黑/全白，说明模型完全未学习到特征，优先排查数据问题。

四、修复代码示例 #

数据加载器修复 #

import os
def __getitem__(self, index):
    image_path = self.image_paths[index]
    # GT路径加存在性校验
    image_GT_path = image_path[:8]+'_'+image_path[8:12]+'.nii'
    GT_path = os.path.join(self.GT_paths, image_GT_path)
    assert os.path.exists(GT_path), f"标注路径不存在：{GT_path}"
    
    # DICOM按模态正确归一化，以下为CT脑窗示例，可根据你的数据调整窗宽窗位
    ds = dcmread(os.path.join(self.root, image_path))
    image = ds.pixel_array.astype(np.float32)
    window_min = 40 - 120//2
    window_max = 40 + 120//2
    image = np.clip(image, window_min, window_max)
    image = (image - window_min) / (window_max - window_min)
    image = torch.from_numpy(image).unsqueeze(0) # 输出维度(1, H, W)

    # 读取NIfTI并匹配对应切片，切片索引需根据你的文件名规则调整
    GT_3d = nib.load(GT_path).get_fdata(dtype=np.float32)
    slice_idx = int(image_path[8:12]) 
    GT = GT_3d[..., slice_idx] # 取和DICOM对应的切片，维度(H,W)
    # 二分类标注确保为0/1值
    GT = np.clip(GT, 0, 1).astype(np.float32)
    GT = torch.from_numpy(GT).unsqueeze(0) # 输出维度(1, H, W)

    return image, GT, image_path

训练流程校验 #

在损失计算前增加维度校验：

assert SR.shape == GT.shape, f"输出维度{SR.shape}与标注维度{GT.shape}不匹配"

内容的提问来源于stack exchange，提问作者mono