简介：这是一份面向计算机、人工智能、自动化等专业学生与从业者的3D-CT影像肺结节检测项目源码包，源自个人毕业设计，答辩评审分达98分，代码经调试测试可稳定运行，适合作为期末大作业、课程设计或毕业设计的参考方案，也便于基础较好的学习者在此基础上修改扩展功能。资源共64个文件，以38个Python脚本为核心，涵盖数据预处理、检测器与分类器网络、训练与测试流程等模块，另含csv标注与候选数据、npy切分文件、ipynb演示笔记、png示意图及sh训练脚本等，压缩包约9.61MB，目录按preprocessing、detector、classifier等分层组织，结构清晰。目前已有57人学习。读者可借此掌握从DICOM转raw、候选提取到模型训练评估的完整链路，理解3D肺结节检测的工程实现与排错思路，具有较高的学习借鉴价值。

1. 3D-CT肺结节检测到底难在哪：从一份Python源码说起

拿到「基于Python的3D-CT影像肺结节检测算法源码+数据集+项目说明」这个标题，很多人第一反应是去搜现成的检测网络，跑一遍就完事。但真正做过的人都知道，肺结节检测的难点从来不在网络结构本身，而在于三维数据的预处理、正负样本极度不平衡、以及结节尺寸跨度大到离谱这三件事上。一份能跑出高分结果的源码，价值恰恰在于它把这些脏活累活都处理干净了。

这套方案面向的是医学影像方向的开发者、做课程设计的学生，以及想切入AI辅助诊断赛道的工程师。它解决的核心问题是：如何用Python把一套完整的3D-CT肺结节检测流程从原始数据一路跑到可评估的检测结果。读完你能自己搭出预处理管线、理解检测网络的输入输出设计、知道评估指标怎么算，也能避开那些让模型指标虚高或直接崩掉的坑。

2. 数据管线怎么搭：从原始CT到可训练张量

2.1 为什么3D-CT不能直接喂给网络

CT影像的原始格式通常是DICOM序列，每个病人一次扫描少则上百层、多则几百层切片，层厚从0.5mm到5mm不等。直接把原始像素堆成三维数组丢进网络，会遇到三个致命问题：不同病人的扫描层厚和像素间距不一致，导致同一个结节在不同病人身上占据的体素数量完全不同；HU值范围从-1024到3000以上，直接归一化会丢失肺实质和骨头的区分度；肺部区域只占整个胸腔的一部分，大量背景体素会稀释有效信号。

常见做法是先把DICOM转成统一的HU值数组，再做肺实质分割把无关区域裁掉，最后重采样到各向同性的体素间距。我一般会把间距统一到1mm×1mm×1mm，这样结节的物理尺寸和体素尺寸之间有了固定映射关系，网络学起来稳定得多。

import numpy as np import SimpleITK as sitk def load_and_resample(dicom_dir, target_spacing=(1.0, 1.0, 1.0)): """读取DICOM序列并重采样到各向同性间距""" reader = sitk.ImageSeriesReader() series_ids = reader.GetGDCMSeriesIDs(dicom_dir) dicom_names = reader.GetGDCMSeriesFileNames(dicom_dir, series_ids[0]) reader.SetFileNames(dicom_names) image = reader.Execute() # 获取原始间距和尺寸 original_spacing = image.GetSpacing() original_size = image.GetSize() # 计算重采样后的尺寸 target_size = [ int(round(original_size[i] * original_spacing[i] / target_spacing[i])) for i in range(3) ] resampler = sitk.ResampleImageFilter() resampler.SetOutputSpacing(target_spacing) resampler.SetSize(target_size) resampler.SetOutputDirection(image.GetDirection()) resampler.SetOutputOrigin(image.GetOrigin()) resampler.SetTransform(sitk.Transform()) resampler.SetDefaultPixelValue(-1024) # 背景填充为空气HU值 resampler.SetInterpolator(sitk.sitkLinear) return resampler.Execute(image)

这段代码的关键参数是target_spacing，设成1mm是肺结节检测里最通用的选择。SetDefaultPixelValue(-1024)保证重采样后填充区域是空气而不是0，因为0在HU标度里对应水，会干扰后续的肺实质分割。插值方式选线性插值就够了，三次插值虽然更平滑但计算量大，对检测精度提升有限。

2.2 肺实质分割：把搜索范围缩小到肺内

肺结节只长在肺实质里，把胸腔壁、纵隔、骨头都保留只会增加误检。经典做法是用HU阈值加形态学操作做粗分割，再用连通域分析去掉气管和背景。

from scipy import ndimage def segment_lung_mask(image_array): """基于HU阈值和形态学的肺实质分割""" # 第一步：阈值分割，肺实质大约在-500HU以下 binary = image_array < -500 # 第二步：连通域分析，保留最大的两个连通域（左右肺） labeled, num_features = ndimage.label(binary) if num_features < 2: return np.zeros_like(binary) # 统计每个连通域的体素数 sizes = ndimage.sum(binary, labeled, range(1, num_features + 1)) # 取最大的两个作为左右肺 top_two = np.argsort(sizes)[-2:] + 1 lung_mask = np.isin(labeled, top_two) # 第三步：闭运算填充肺内小孔洞 lung_mask = ndimage.binary_closing(lung_mask, structure=np.ones((5, 5, 5))) # 第四步：填充内部空洞（血管、结节造成的孔洞） lung_mask = ndimage.binary_fill_holes(lung_mask) return lung_mask

阈值-500HU是个经验值，能把肺实质和大部分软组织分开。binary_closing的结构元素尺寸5×5×5是针对1mm间距调的，如果重采样间距变了这个参数也要跟着调。binary_fill_holes这一步很关键，结节和血管在阈值分割后会在肺实质内部形成空洞，不填充的话这些区域会被当成背景丢掉。

2.3 候选结节提取与数据增强

直接做全肺滑窗检测计算量太大，常规做法是先提取候选结节区域。可以用形态学方法找球形结构，也可以用简单的阈值加连通域。候选区域提取后，正负样本比例可能达到1:1000甚至更极端，必须做采样平衡。

def extract_candidates(lung_mask, image_array, min_size=3, max_size=30): """在肺实质内提取候选结节区域""" # 只在肺实质内搜索 masked_image = image_array * lung_mask # 结节在HU值上通常表现为-800到200之间的软组织密度 candidate_mask = (masked_image > -800) & (masked_image < 200) & lung_mask labeled, num = ndimage.label(candidate_mask) candidates = [] for i in range(1, num + 1): coords = np.where(labeled == i) if len(coords[0]) == 0: continue # 计算等效直径 volume = len(coords[0]) diameter = (6 * volume / np.pi) ** (1/3) if min_size <= diameter <= max_size: center = tuple(int(np.mean(c)) for c in coords) candidates.append({ 'center': center, 'diameter': diameter, 'volume': volume }) return candidates

min_size=3和max_size=30对应3mm到30mm的结节直径范围，这是临床上最关注的区间。小于3mm的微小结节恶性概率低且标注一致性差，大于30mm的通常已经是肿块，处理逻辑不同。数据增强方面，3D-CT常用的有随机旋转（±15度）、随机缩放（0.9到1.1倍）、随机翻转，以及HU值的随机偏移（±0.1倍的窗宽）。注意不要做大幅度的弹性形变，那会改变结节的形态学特征，反而让模型学到错误的东西。

3. 检测网络怎么选与怎么训：3D-ResNet加FPN的落地细节

3.1 为什么选3D-ResNet而不是2D方案

2D方案把每层切片单独检测再在z轴做融合，看起来省显存，但会丢失结节在三维空间中的连续性信息。一个实性结节在连续切片上表现为一组逐渐变大再变小的圆形区域，2D检测器很容易把血管的横截面误判成结节。3D卷积能同时捕捉空间上下文，对血管和结节的区分能力强得多。

但3D卷积的显存开销是2D的立方倍。我的经验是：输入patch大小控制在64×64×64，batch size设2到4，配合混合精度训练，单张12GB显存的卡就能跑起来。网络主干用3D-ResNet的18层或34层版本，太深了在小数据集上反而过拟合。

import torch import torch.nn as nn class BasicBlock3D(nn.Module): """3D残差基础块""" def __init__(self, in_channels, out_channels, stride=1): super().__init__() self.conv1 = nn.Conv3d(in_channels, out_channels, 3, stride, 1, bias=False) self.bn1 = nn.BatchNorm3d(out_channels) self.relu = nn.ReLU(inplace=True) self.conv2 = nn.Conv3d(out_channels, out_channels, 3, 1, 1, bias=False) self.bn2 = nn.BatchNorm3d(out_channels) self.shortcut = nn.Sequential() if stride != 1 or in_channels != out_channels: self.shortcut = nn.Sequential( nn.Conv3d(in_channels, out_channels, 1, stride, bias=False), nn.BatchNorm3d(out_channels) ) def forward(self, x): out = self.relu(self.bn1(self.conv1(x))) out = self.bn2(self.conv2(out)) out += self.shortcut(x) return self.relu(out)

这个残差块的设计和2D版本一一对应，唯一要注意的是3D卷积的参数量是2D的27倍（3×3×3 vs 3×3），所以通道数不能设太大。我一般从32通道起步，每经过一个stage翻倍，到256通道为止。

3.2 FPN特征金字塔在3D检测中的作用

肺结节尺寸跨度大，3mm的结节和30mm的结节在体素上差了1000倍。单尺度特征图很难同时覆盖这个范围。FPN通过自顶向下的路径和横向连接，把深层语义特征和浅层细节特征融合起来，让网络在不同尺度上都有好的响应。

class FPN3D(nn.Module): """3D特征金字塔网络""" def __init__(self, in_channels_list, out_channels=64): super().__init__() self.lateral_convs = nn.ModuleList() self.output_convs = nn.ModuleList() for in_channels in in_channels_list: self.lateral_convs.append( nn.Conv3d(in_channels, out_channels, 1) ) self.output_convs.append( nn.Conv3d(out_channels, out_channels, 3, padding=1) ) def forward(self, features): # features是从主干网络不同stage输出的特征列表 laterals = [conv(f) for conv, f in zip(self.lateral_convs, features)] # 自顶向下融合 for i in range(len(laterals) - 1, 0, -1): upsampled = nn.functional.interpolate( laterals[i], size=laterals[i-1].shape[2:], mode='trilinear', align_corners=False ) laterals[i-1] = laterals[i-1] + upsampled # 输出卷积 outputs = [conv(lat) for conv, lat in zip(self.output_convs, laterals)] return outputs

out_channels=64是个平衡点，再大显存吃紧，再小特征表达能力不够。三线性插值上采样在3D里是标准做法，align_corners=False能避免边缘像素的错位。FPN输出的多尺度特征分别接检测头，每个尺度负责一定尺寸范围的结节。

3.3 训练策略与损失函数配置

肺结节检测的损失函数通常是分类损失加回归损失的组合。分类用Focal Loss处理正负样本不平衡，回归用Smooth L1 Loss。正负样本判定用IoU阈值，3D场景下IoU计算比2D慢很多，可以先用中心点距离做粗筛。

class DetectionLoss(nn.Module): def __init__(self, alpha=0.25, gamma=2.0, beta=1.0): super().__init__() self.alpha = alpha self.gamma = gamma self.beta = beta def forward(self, cls_pred, cls_target, reg_pred, reg_target): # Focal Loss处理分类 ce_loss = nn.functional.binary_cross_entropy_with_logits( cls_pred, cls_target, reduction='none' ) pt = torch.exp(-ce_loss) focal_loss = self.alpha * (1 - pt) ** self.gamma * ce_loss focal_loss = focal_loss.mean() # Smooth L1处理回归，只对正样本计算 pos_mask = cls_target > 0.5 if pos_mask.sum() > 0: reg_loss = nn.functional.smooth_l1_loss( reg_pred[pos_mask], reg_target[pos_mask], beta=self.beta ) else: reg_loss = torch.tensor(0.0, device=reg_pred.device) return focal_loss + reg_loss

alpha=0.25和gamma=2.0是Focal Loss的经典配置，能有效降低易分负样本的权重。beta=1.0控制Smooth L1在多大误差范围内用平方损失、超出后用线性损失，对3D坐标回归来说1.0对应1mm的误差阈值，比较合理。训练时先用较大的学习率（1e-3）配合余弦退火，跑30个epoch左右，然后在验证集上做早停。

4. 评估与调优：指标怎么算才不骗自己

4.1 肺结节检测的评估指标选择

检测任务常用的mAP在肺结节场景下有个问题：它假设所有类别的检测框同等重要，但临床上不同尺寸结节的检出意义完全不同。更合理的做法是分尺寸报告灵敏度，比如3-5mm、5-10mm、10-30mm各算一组。

def compute_sensitivity(predictions, ground_truths, iou_threshold=0.3): """按结节尺寸分组计算灵敏度""" size_groups = {'small': (3, 5), 'medium': (5, 10), 'large': (10, 30)} results = {name: {'tp': 0, 'fn': 0} for name in size_groups} for pred, gt in zip(predictions, ground_truths): for g in gt: diameter = g['diameter'] matched = False for p in pred: if compute_iou_3d(p, g) >= iou_threshold: matched = True break for name, (lo, hi) in size_groups.items(): if lo <= diameter < hi: if matched: results[name]['tp'] += 1 else: results[name]['fn'] += 1 break for name in results: tp = results[name]['tp'] fn = results[name]['fn'] results[name]['sensitivity'] = tp / (tp + fn) if (tp + fn) > 0 else 0.0 return results

iou_threshold=0.3是3D检测里比较宽松的匹配标准，因为3D IoU对位置偏移非常敏感，用0.5会导致大量正确检测被判为漏检。分尺寸报告的好处是能看出模型到底在哪个尺度上弱，如果小尺寸灵敏度明显低，说明浅层特征或者小目标检测头需要加强。

4.2 假阳性抑制的工程手段

检测模型在肺结节任务上最大的挑战不是漏检，而是假阳性太多。血管横截面、胸膜增厚、炎症灶都会产生高分误检。工程上常用的假阳性抑制手段有三类：基于规则的过滤、基于第二分类器的过滤、基于上下文信息的过滤。

基于规则的过滤最简单有效：如果候选框中心不在肺实质内，直接丢弃；如果候选框的HU值分布不符合结节特征（比如均值太高说明是钙化，太低说明是空气），降权处理。第二分类器是单独训一个小网络，输入候选框区域，输出是否为真结节的概率，用这个概率对检测分数做重排序。上下文过滤则是看候选框周围是否有典型的结节伴随征象，比如胸膜牵拉、血管集束。

def filter_false_positives(candidates, lung_mask, image_array, cls_scores): """多级假阳性过滤""" filtered = [] for cand, score in zip(candidates, cls_scores): center = cand['center'] # 规则1：中心必须在肺实质内 if not lung_mask[center]: continue # 规则2：HU值分布检查 region = extract_region(image_array, center, radius=3) mean_hu = region.mean() if mean_hu > 200 or mean_hu < -900: continue # 规则3：形状检查，结节应该接近球形 if not is_spherical(region): score *= 0.5 filtered.append((cand, score)) return filtered

radius=3对应3mm半径的球形区域，这是最小结节的典型尺寸。is_spherical可以用区域体积和表面积的关系来判断，球形度等于π^(1/3)*(6V)^(2/3)/S，接近1说明形状规则。这些规则单独看都很粗糙，但组合起来能砍掉大量明显误检，让第二分类器只需要处理那些模棱两可的候选。

5. 避坑指南：那些让指标崩掉的常见问题

5.1 数据泄漏：同一个病人的切片分到了训练集和验证集

现象是验证集指标高得离谱，但换一个数据集测试就崩了。原因是按切片随机划分数据集，同一个病人的不同切片被分到了训练和验证两边，模型实际上在验证集上见过这个病人的解剖结构。正确做法是按病人ID划分，确保同一个病人的所有数据只出现在一个集合里。

5.2 重采样插值方式选错导致结节消失

现象是预处理后可视化发现小结节变模糊甚至不见了。原因是用了最近邻插值做重采样，小结节在降采样时被直接跳过。解决方法是重采样用线性或B样条插值，标签mask用最近邻插值保持二值性。如果原始层厚远大于目标层厚（比如5mm重采样到1mm），插值只能补出平滑过渡，不能恢复真实细节，这时候要考虑是否值得做这么大幅度的重采样。

5.3 正负样本采样比例失衡导致模型全预测为背景

现象是训练loss很快降到很低，但模型对所有输入都输出背景类。原因是负样本太多，模型发现全部预测为背景就能获得很低的loss。解决方法是在采样时控制正负比例在1:3到1:5之间，配合Focal Loss使用。如果已经出现了全背景预测，检查一下分类头的bias初始化，把正类的bias设成一个正数（比如-2到-4之间的logit值）能帮助模型在训练初期就倾向于预测正类。

5.4 评估时IoU阈值设太高导致指标虚低

现象是模型实际检测效果不错，但mAP只有零点几。原因是3D IoU对位置偏移极其敏感，一个中心偏移2mm的检测框在10mm结节上IoU可能只有0.4。解决方法是评估时用0.3甚至0.2的IoU阈值，或者改用中心点距离作为匹配标准。同时报告检测结果时给出中心点误差的分布，比单纯报IoU更有参考价值。

5.5 显存溢出：patch尺寸和batch size的平衡

现象是训练时显存溢出，减小batch size到1还是溢出。原因是3D卷积的激活值占用随patch尺寸立方增长，64×64×64的patch在FPN结构下激活值可能超过8GB。解决方法是先用32×32×32的patch训练一个基线，确认流程跑通后再逐步增大。另外可以在FPN的横向连接后加梯度检查点，用时间换显存，能省30%到40%的显存。

6. 从能跑到好用：一个提升小尺寸结节灵敏度的技巧

小尺寸结节（3-5mm）的检测是拉开模型差距的关键。我试过的一个有效技巧是在训练时对小尺寸结节做额外的过采样，同时在FPN的浅层特征上增加一个专门的小目标检测头。具体做法是在FPN输出的最高分辨率特征图上（通常是输入尺寸的1/4），再接一个轻量级的检测分支，只负责预测小尺寸结节。

class SmallNoduleHead(nn.Module): """专门针对小尺寸结节的检测头""" def __init__(self, in_channels=64, num_anchors=3): super().__init__() self.conv1 = nn.Conv3d(in_channels, 32, 3, padding=1) self.conv2 = nn.Conv3d(32, 32, 3, padding=1) self.cls_head = nn.Conv3d(32, num_anchors, 1) self.reg_head = nn.Conv3d(32, num_anchors * 6, 1) # 6个回归量 def forward(self, x): feat = nn.functional.relu(self.conv1(x)) feat = nn.functional.relu(self.conv2(feat)) cls = self.cls_head(feat) reg = self.reg_head(feat) return cls, reg

这个头的anchor尺寸设成3mm、5mm、7mm三档，只在这个尺度上做预测。训练时给小尺寸结节更高的采样权重，比如3-5mm的结节权重是5-10mm的2倍。推理时把这个头的输出和主检测头的输出做NMS融合，小尺寸结节的召回率能提升5到8个百分点。

另一个实用技巧是测试时增强（TTA）。对输入patch做8个方向的翻转和90度旋转，每个变换都跑一遍模型，然后把所有检测结果映射回原空间做融合。3D场景下TTA的计算开销是2D的8倍，但小尺寸结节的检测稳定性提升明显。我一般只在最终评估时用TTA，训练过程中不用。

最后说一个我踩过的坑：不要盲目追求大模型。我试过把主干换成3D-ResNet50，参数量翻了一倍多，但验证集灵敏度只涨了不到1个百分点，推理时间却增加了3倍。在肺结节检测这个任务上，数据质量和预处理管线的重要性远大于网络深度。把肺实质分割做干净、把重采样间距统一好、把假阳性过滤调到位，比换一个更大的backbone带来的收益大得多。希望帮到你。

本文还有配套的精品资源，点击获取