Boundary-loss 3D距离图计算：WMH数据集预处理与3D-CNN扩展技巧

发布时间：2026/7/27 13:52:55

Boundary-loss 3D距离图计算：WMH数据集预处理与3D-CNN扩展技巧

【免费下载链接】boundary-lossOfficial code for "Boundary loss for highly unbalanced segmentation", runner-up for best paper award at MIDL 2019. Extended version in MedIA, volume 67, January 2021.项目地址: https://gitcode.com/gh_mirrors/bo/boundary-loss

Boundary-loss是GitHub加速计划中一个专注于医学图像分割的开源项目，其核心功能是通过边界损失函数解决高度不平衡分割问题，尤其在3D距离图计算和WMH数据集预处理方面表现出色。本文将详细介绍如何利用Boundary-loss进行3D距离图计算、WMH数据集预处理以及3D-CNN扩展的实用技巧。

一、3D距离图计算核心原理

Boundary-loss的边界损失函数本质上是网络预测（softmax输出）与预计算距离图之间的逐像素乘法，因此距离图的计算是实现边界损失的关键环节。项目中距离图的计算主要通过one_hot2dist函数实现，该函数定义在utils.py中。

距离图的计算需要考虑图像的分辨率信息，在preprocess/slice_wmh.py中可以看到相关代码实现：

distmap: np.ndarray = one_hot2dist(one_hot_gt.numpy(), resolution=(rx, ry, rz), dtype=np.float32)

其中rx、ry、rz分别表示三个维度的分辨率，通过原始图像的物理尺寸计算得到。这种基于分辨率的距离图计算方法能够确保距离值的物理意义准确性，为后续的边界损失计算提供可靠基础。

二、WMH数据集预处理完整流程

WMH（脑白质高信号）数据集的预处理是Boundary-loss项目中的重要环节，主要通过preprocess/slice_wmh.py实现。预处理流程包括以下关键步骤：

2.1 数据加载与分辨率调整

首先加载原始WMH数据，包括FLAIR序列、T1序列和对应的 ground truth 标签。然后根据目标尺寸（通常为256x256）对图像进行重采样，同时计算各维度的分辨率参数。

2.2 3D距离图预计算

在WMH数据集预处理中，3D距离图的计算是核心步骤之一。代码中明确标注了这一过程：

# Pre-compute the 3d distance map rx = dx * w / 256 ry = dy * h / 256 rz = dz one_hot_gt: Tensor = class2one_hot(torch.tensor(resized_gt[None, ...], dtype=torch.int64), K=2)[0] distmap: np.ndarray = one_hot2dist(one_hot_gt.numpy(), resolution=(rx, ry, rz), dtype=np.float32)

这段代码首先将标签转换为one-hot编码格式，然后调用one_hot2dist函数计算3D距离图，并将结果保存到指定目录。

2.3 数据保存与组织

预处理后的数据会被保存到不同的目录中，便于后续模型训练使用：

save_dir_flair: Path = Path(dest_dir, flair_dir) save_dir_t1: Path = Path(dest_dir, t1_dir) save_dir_gt: Path = Path(dest_dir, gt_dir) save_dir_distmap_npy: Path = Path(dest_dir, "3d_distmap")

这种结构化的数据组织方式有助于提高训练过程中的数据读取效率。