必须用nn.Conv3d处理CT/MRI体数据，输入须为(N, C, D, H, W)形状，需permute调整；上采样优先选nn.ConvTranspose3d防伪影，显存紧张时kernel_size从2起步，预处理须严格对齐图像与标签的affine矩阵。
PyTorch 3D卷积层怎么选：Conv3d vs ConvTranspose3d
处理CT或MRI这类体数据，必须用3D卷积，不能套用2D模型改尺寸。PyTorch里核心是nn.Conv3d和nn.ConvTranspose3d，不是简单把Conv2d的参数加一维就完事。
关键区别在输入张量形状：Conv3d要求输入是(N, C, D, H, W)（批次、通道、深度、高、宽），而多数医学图像加载后是(D, H, W, C)或(H, W, D)，必须手动permute。漏掉这步会报Expected 5-dimensional input错误。
-
in_channels通常为1（灰度CT）或4（多序列MRI），别按RGB习惯设3 - 3D卷积核大小如
kernel_size=3实际是(3, 3, 3)，显存占用是2D的3倍以上，小显存机器建议从kernel_size=2起步 - 上采样阶段优先用
ConvTranspose3d而非Upsample+Conv3d，后者易导致网格伪影（checkerboard artifacts）
医学图像预处理绕不开的三个坑
直接送原始DICOM进网络？大概率训练崩溃。医学图像的像素值范围、方向、分辨率差异极大，PyTorch本身不处理这些。
最常踩的坑是忽略resample和normalize顺序：先重采样到各向同性（如1mm³），再窗宽窗位截断（CT常用window_center=-600, window_width=2000），最后除以标准差——不是除255。
- DICOM读取推荐
pydicom+torchio，避免自己写affine矩阵变换；torchio.Subject能统一管理图像/标签/元数据 - 标签图（segmentation mask）必须和图像做**同步空间变换**，用
torchio.RandomAffine时要传image_interpolation='nearest'，否则分割边界模糊 - 批量训练时
torch.utils.data.DataLoader的collate_fn需重写，因3D张量尺寸不一致（不同病灶大小），不能依赖默认default_collate
nn.Upsample在3D分割里为什么总出错
用nn.Upsample(scale_factor=2, mode='trilinear')上采样时，如果输入尺寸不是2的整数幂（比如(64, 128, 96)），插值结果会轻微偏移，导致解码器输出和原始图像对不齐。这不是bug，是三线性插值的固有特性。
正确做法是：在nn.Upsample后接一层nn.Conv3d（kernel_size=1），或者直接换用ConvTranspose3d并手动计算output_padding。例如从(32, 64, 48)上采到(64, 128, 96)，需设output_padding=(0, 0, 0)还是(1, 0, 0)，得根据stride和kernel_size反推。
- 验证方法：用全1张量输入，检查输出尺寸是否严格等于目标尺寸，别只看loss下降
-
mode='nearest'虽无偏移但会丢失细节，仅适合粗粒度定位任务 - nn.Upsample在ONNX导出时有兼容问题，生产部署建议全程用
ConvTranspose3d
验证集Dice系数卡在0.7上不去？检查标签对齐
医学图像分割模型在训练集上Dice达0.9，验证集却卡在0.7，八成是验证时没复现训练时的空间变换流程。尤其当使用torchio的RandomFlip或RandomElasticDeformation时，验证必须关掉随机性，但容易漏掉Resample的target_spacing参数未对齐。
一个硬指标：验证前用torchio.Image加载同一组数据，打印.affine矩阵，确保图像和标签的仿射矩阵完全一致。哪怕差一个e-8，重采样后位置就偏了。
- 调试技巧：保存中间张量为NIfTI，用ITK-SNAP可视化，比看数字更直观
- 多类别分割时，
nn.CrossEntropyLoss要求标签是(N, D, H, W)长整型，不是(N, C, D, H, W)，否则静默失败 - 小目标（如肺结节）建议用
FocalLoss替代Dice，PyTorch原生不提供，需自行实现，注意logits要经过softmax再进focal term
实际部署时，torch.jit.trace对含动态shape操作（如基于mask裁剪ROI）支持有限，这类逻辑最好剥离到推理预处理中。
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！
