脑血管缺陷分割Keras数据生成器报numpy数组shape广播错误

• 核心报错触发点是load_img函数中的images = np.array(images)代码行：你加载的npy样本维度各不相同，numpy默认无法将不同形状的数组合并为一个规则的高维张量，因此先抛出参差不齐序列的弃用警告，后续尝试自动广播对齐失败后直接抛出ValueError。
• 隐藏的逻辑问题：Keras要求同一批次内的所有输入样本形状必须完全一致，就算你给numpy数组添加dtype=object参数规避警告，输出的object类型数组也无法直接喂入模型训练。

根据你的训练需求可以选择以下两种常用方案： #

方案1：统一调整为固定尺寸（最推荐，训练稳定性最高） #

医学影像分割场景下最常用的处理方式，对所有影像和配对mask做一致的缩放/裁剪/填充，调整到同一个目标尺寸（比如选择样本中占比最高的[512,512,140]，或者统一对齐到最大尺寸[560,560,141]）。
修改后的代码示例：

import numpy as np
from scipy.ndimage import zoom

# 影像缩放用三线性插值，保留灰度信息
def resize_3d_image(img, target_shape=(512,512,140)):
    zoom_factor = [t/s for t, s in zip(target_shape, img.shape)]
    return zoom(img, zoom_factor, order=3)

# Mask缩放用最近邻插值，避免标签值错乱
def resize_3d_mask(mask, target_shape=(512,512,140)):
    zoom_factor = [t/s for t, s in zip(target_shape, mask.shape)]
    return zoom(mask, zoom_factor, order=0)

def load_img(img_dir, img_list, target_shape=(512,512,140), is_mask=False):
    images=[]
    for i, image_name in enumerate(img_list):    
        if image_name.endswith('.npy'):
            image = np.load(img_dir+image_name)
            # 统一调整尺寸
            if is_mask:
                image = resize_3d_mask(image, target_shape)
            else:
                image = resize_3d_image(image, target_shape)
            # 新增通道维度，适配3D分割模型的[batch, H, W, D, channel]输入要求
            image = np.expand_dims(image, axis=-1)
            images.append(image)
    # 此时所有样本形状一致，可以正常转换为标准numpy张量
    return np.array(images)

# 生成器部分调整load_img的调用参数
def imageLoader(img_dir, img_list, mask_dir, mask_list, batch_size, target_shape=(512,512,140)):
    L = len(img_list)
    while True:
        batch_start = 0
        batch_end = batch_size
        while batch_start < L:
            limit = min(batch_end, L)            
            X = load_img(img_dir, img_list[batch_start:limit], target_shape, is_mask=False)
            Y = load_img(mask_dir, mask_list[batch_start:limit], target_shape, is_mask=True)
            yield (X,Y)
            batch_start += batch_size   
            batch_end += batch_size

如果不想做图像缩放，也可以替换为填充+随机裁剪逻辑：小于目标尺寸的边用0填充到目标尺寸，大于目标尺寸的边随机裁剪到目标尺寸，注意要保证影像和mask的填充/裁剪参数完全一致即可。 #

方案2：同批次尺寸对齐（适配支持动态输入的模型） #

如果你的模型支持动态输入尺寸，可以提前把所有样本按形状分组，生成器按组取样本生成批次，保证同一批次内的样本形状一致，不同批次可以有不同的尺寸。这种方案不需要修改原始影像内容，但需要额外做样本分组预处理。

不要直接使用os.listdir的结果作为样本列表，要先对两个目录的文件列表排序并校验文件名一致，避免出现影像和mask配对错误的问题。

内容的提问来源于stack exchange，提问作者Sehreen Zehra