nnUNet在BraTS2024数据集上的预处理与标签处理实践

背景介绍

医学图像分割领域最具挑战性的任务之一是对脑肿瘤的精确分割，而BraTS(Brain Tumor Segmentation)挑战赛提供了标准化的数据集用于算法评估。2024年版本的BraTS数据集在标签定义上与早期版本有所不同，这给使用nnUNet框架的研究者带来了预处理上的挑战。

标签差异问题分析

在标准nnUNet预处理流程中，默认配置只能处理标签编号为1、2、3的情况，对应着：

• 1代表水肿区域(ED)
• 2代表非增强肿瘤核心(NET)
• 3代表增强肿瘤(ET)

然而，BraTS2024数据集引入了新的标签编号系统，包含了0-4共5个类别。这种差异直接影响了nnUNet的标准预处理流程，特别是当用户需要专注于增强肿瘤(ET)分割时，需要特别注意标签映射关系。

解决方案实践

针对这一问题，可以采用以下技术方案：

1. 数据集转换脚本修改： 参考nnUNet中已有的BraTS2021数据集处理脚本(Dataset137)，根据2024版本的特点进行相应修改。主要修改内容包括：

   • 更新标签映射关系
   • 调整数据组织结构
   • 确保新的标签编号系统被正确处理

2. 自定义标签定义： 在dataset.json文件中，需要明确定义新的标签结构，例如：

   {
       "labels": {
           "background": 0,
           "whole_tumor": [1,2,3,4],
           "tumor_core": [2,3,4],
           "enhancing_tumor": [4]
       },
       "regions_class_order": [1,2,3,4]
   }
   

3. 预处理流程调整：

   • 确保数据归一化步骤适应新的图像特性
   • 验证裁剪和重采样参数是否适合2024数据
   • 检查数据增强策略的有效性

性能优化建议

对于特别关注增强肿瘤(ET)分割精度的用户，可以考虑：

1. 多阶段训练策略：

   • 先训练全肿瘤分割模型
   • 再针对肿瘤核心区域进行精细分割
   • 最后专注于增强肿瘤区域

2. 损失函数调整：

   • 对ET类别使用更高的权重
   • 考虑使用Dice+Focal Loss组合

3. 后处理优化：

   • 针对ET区域的特点设计特定后处理规则
   • 结合形态学操作提升分割结果连续性

经验总结

处理新版BraTS数据集时，关键在于理解标签系统的变化并相应调整预处理流程。nnUNet框架的灵活性允许用户通过修改数据集转换脚本和配置文件来适应这些变化。对于特定任务如ET分割，除了正确处理标签外，还需要考虑训练策略和损失函数的针对性优化。

建议研究者在正式训练前，先在小样本上验证预处理流程的正确性，特别是确认标签映射是否符合预期，这是确保后续模型性能的基础。同时，密切关注BraTS官方提供的任何数据说明更新，以便及时调整处理方法。