用nibabel读取.nii.gz为numpy.ndarray后转torch.tensor，注意轴序调整、affine保留、插值模式区分及内存管理。
怎么用PyTorch读取.nii.gz文件并转成Tensor
PyTorch本身不支持直接加载NIfTI，必须借助nibabel或SimpleITK做底层解析，再手动转torch.Tensor。推荐用nibabel，轻量、API清晰、对头文件兼容性好。
常见错误是忽略NIfTI的仿射矩阵（affine）和数据方向——这会导致后续配准、可视化错位，但torch.Tensor本身不存这些元信息，必须自己保留或归一化后丢弃。
- 用
nib.load(path).get_fdata(dtype=np.float32)读取，返回numpy.ndarray，形状通常是(W, H, D)（非(D, H, W)），注意PyTorch习惯是(C, D, H, W)，需手动调整轴序 - 若含多个通道（如多期相MRI），原始NIfTI一般仍是单数组，需按协议拆分；不要依赖
header里的dim[0]自动判别，有些厂商写得不准 - 务必调用
np.ascontiguousarray()再转torch.from_numpy()，否则可能触发copy警告或运行时崩溃
为什么torchvision.transforms不能直接用在3D医学图像上
torchvision.transforms所有算子（如RandomRotation、CenterCrop）默认只处理2D（H, W）或3D RGB（C, H, W），对(C, D, H, W)结构完全无感知——传进去会报ValueError: Expected 3D or 4D input或静默损坏Z轴。
真正能用的只有Normalize（需改mean/std为4维）、ToTensor（其实不需要，你已自己转了）这类纯数值操作。
- 旋转/翻转/缩放必须用
torch.nn.functional.interpolate+torch.rot90组合，或封装scipy.ndimage的rotate/zoom，注意插值模式：CT用nearest，MRI用bilinear或trilinear -
RandomAffine无法直接扩展到3D，因为其内部矩阵构造硬编码了2D；可改用monai.transforms.RandAffine（专为医学设计），但会引入额外依赖 - 裁剪操作要小心：
CenterCrop若强行设size=(64, 64, 32)会失败，必须重写为沿D、H、W三轴分别切片
如何写一个安全的NIfTI Dataset类（支持mask同步变换）
医疗任务常需图像+标签（segmentation mask）同步增强，比如旋转CT同时旋转对应肿瘤mask。关键点不是“怎么变”，而是“怎么保证像素级对齐”——mask必须用nearest插值，图像可用trilinear，两者不能混用同一插值器。
最简健壮实现是：所有空间变换先生成参数（角度、偏移、缩放因子），再分别应用到image和mask，且mask强制mode="nearest"。
- 在
__getitem__里统一调用nib.load()，避免多进程下文件句柄冲突；nibabel不是线程安全的，但load后立刻get_fdata()就没事 - mask路径命名需与image严格对应（如
case001.nii.gz→case001_seg.nii.gz），不要靠正则猜，容易错配 - 务必检查image和mask的
affine是否一致：np.allclose(img.affine, seg.affine)，不一致说明预处理出错，应报错中断而非静默继续
内存爆炸？3D体数据batch size卡在1怎么办
NIfTI体数据动辄512×512×200 float32，单样本超200MB，torch.utils.data.DataLoader默认pin_memory=True + 多worker会把整块数据复制数份，GPU显存没爆，CPU内存先崩了。
根本解法不是调小batch_size，而是控制数据生命周期：只在__getitem__里加载、变换、转tensor，用完立刻del掉numpy数组，并在transform里避免中间变量缓存。
- 禁用
DataLoader的prefetch_factor（设为1），或干脆关掉num_workers>0——医学影像IO本就不快，多进程收益低，反而增加内存抖动 - 用
torch.cuda.empty_cache()没用，真正有效的是在__getitem__末尾加del data_np, seg_np，再gc.collect()（需import gc） - 如果必须大batch，考虑用
torch.compile（PyTorch 2.0+）加速transform逻辑，但仅限纯torch ops；含scipy或cv2的代码会被fallback
3D医学影像的“格式正确”和“变换对齐”比速度更难验证，建议每次新增transform后，用itkwidgets或napari抽样可视化原始+增强后的image/mask叠层，肉眼确认结构没漂移——这点没法自动化，但漏掉就会让模型学歪。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
