本文介绍了基于MONAI 3D U-Net的腹部CT多器官分割项目，该项目实现了从3D NIfTI数据预处理到多器官分割的完整流程。作者详细阐述了3D医学影像处理的关键环节，包括数据方向统一、体素间距标准化、HU值归一化以及patch训练策略。项目使用BTCV数据集，验证集平均Dice达78%，测试集69.32%。文章重点分析了3D与2D医学分割的核心差异，强调空间信息处理和工程配置的重要性，并指

这个项目对我最大的价值，不是单纯得到一个 94%–95% 的 Dice，也不是证明 2D U-Net 有多强，而是让我第一次完整走完了医学影像分割项目的基本流程。从猫狗大战到脾脏分割，任务从分类变成了像素级预测；数据从普通图片变成了 CT volume；输出从类别标签变成了 mask；评价指标从 accuracy 变成了 Dice；模型也从分类网络变成了 encoder-decoder 结构的 U

这个项目里我做了两类模型：一个是自己写的简单 CNN，另一个是基于 ResNet-18 的迁移学习。自定义 CNN 主要由卷积、ReLU、池化和全连接层组成。卷积层可以理解成一组可学习的特征探测器。不同卷积核会在图片上滑动，提取不同局部特征。浅层卷积可能学到边缘、直线、纹理、颜色变化这些低级特征，越往后可能组合出耳朵、鼻子、脸部轮廓这些更高级的视觉特征。这里很重要的一点是，卷积核不是人工固定好的滤

绝对禁止算力端系统睡眠或挂起。操作系统默认会在一段时间不操作后进入“睡眠挂起”状态。一旦睡眠挂起，网卡断电，SSH 瞬间断开，所有正在训练的程序直接被冻结或杀死。算力端如果是Windows系统：在台式机上打开设置->系统->电源和睡眠。将“屏幕”设置为“从不”或“10分钟”（关闭屏幕没关系，不影响 GPU 运算）。将“睡眠”务必设置为“从不”。算力端是Linux系统：为了彻底防止 Linux 桌面