PyTorch需结合nibabel、自定义Dataset与transforms处理3D医学图像：nib.load().get_fdata()返回(W,H,D)，须transpose为(D,H,W)、expand_dims得(1,D,H,W)、ascontiguousarray后再转Tensor；tv.transforms不适用3D，应改用torch.nn.functional或自定义Composed3D；图像与mask需分离插值（trilinear vs nearest）；DataLoader需设pin_memory=True、num_workers谨慎调优，所有增强必须在CPU完成。
PyTorch 本身不提供开箱即用的三维医学图像数据流支持，必须组合 nibabel、torch.Tensor 构造规则、自定义 Dataset 和适配的 transforms 才能稳定跑通训练流程。硬套 torchvision.transforms 或直接用 DataLoader 默认参数，大概率在第一个 batch 就报错或输出错位。
怎么用 nibabel 正确读取 .nii.gz 并转成 PyTorch 兼容的 Tensor
关键不是“能不能读”，而是读出来的数组是否保留空间语义、能否无损进模型。常见错误是忽略轴序和内存布局：
-
nib.load(path).get_fdata(dtype=np.float32)返回的是(W, H, D)，不是 PyTorch 习惯的(C, D, H, W)；必须手动np.transpose(data, (2, 0, 1))调整为(D, H, W)，再加np.expand_dims(..., axis=0)得到(1, D, H, W) - 必须调用
np.ascontiguousarray()再传给torch.from_numpy()，否则可能触发RuntimeError: unable to open file（尤其 Windows 上多 worker 场景） - 仿射矩阵（
affine）不能丢——哪怕你后续只做分割，也要缓存下来用于后处理（如重采样回原始空间），torch.Tensor不存这个信息 - 多期相/多模态数据（如 T1+T2+FLAIR）通常打包在一个 .nii.gz 里，但
get_fdata()仍返回单数组；别信header['dim'][0]，有些厂商写错，应按协议拆（例如切片维度固定为 3，前三维是空间，第四维是模态）
为什么 torchvision.transforms 在 3D 医学图像上基本失效
它所有几何变换函数（RandomRotation、CenterCrop、RandomAffine）内部硬编码了 2D 坐标逻辑，传入 (1, D, H, W) 会直接报 ValueError: Expected 3D or 4D input，或者静默损坏 Z 轴（比如只旋转了 XY 平面，Z 被拉伸或截断）：
-
Normalize可用，但 mean/std 必须是长度为 1 的 list（单通道）或 shape(1,)，不能写成[0.5]后被广播成 4D 导致数值异常 -
RandomHorizontalFlip对(1, D, H, W)会 flip H 维，但如果你的数据是 axial 视图（Z 是 slice 方向），flip H 实际是左右翻转；若数据是 sagittal，则 flip H 就变成上下翻转——行为不可控 - 真正安全的做法：用
torch.nn.functional.interpolate控制缩放，用torch.rot90指定dims=(1, 2)或(2, 3)控制哪两个轴旋转，避免跨维度混淆 - 裁剪必须手写：例如
img[:, d0:d1, h0:h1, w0:w1]，不能依赖CenterCrop(size=(64, 64, 32))（它只接受二元 tuple）
如何同步增强图像和 segmentation mask（关键难点）
图像和 mask 必须像素级对齐，但插值策略绝不能一样：
立即学习“Python免费学习笔记（深入）”；
- 图像用
trilinear插值（保持灰度过渡自然），mask 必须用nearest（保证标签值不被模糊成 0.3/0.7 这类非法值） - 不能把两者拼成
(2, D, H, W)一起过同一个 interpolate —— 插值器不知道哪个通道是 label，会一视同仁地 trilinear，mask 就废了 - 推荐做法：先对图像做变换（如 rotate + interpolate），记录变换参数（旋转角、缩放因子、平移量），再用相同参数对 mask 做
scipy.ndimage.rotate(..., order=0)或torch.nn.functional.grid_sample(..., mode='nearest') - 如果用
monai.transforms，它内部已隔离 image/mask 插值模式，但引入了额外依赖；轻量项目建议自己封装一个Compose3D类，显式控制每步的 mode 参数
DataLoader 配置不当会导致 GPU 利用率长期为 0%
3D 医学数据单样本体积大（一个 256×256×128 的 float32 张量占 32MB），DataLoader 默认配置极易成为瓶颈：
-
num_workers > 0在 Windows 上容易崩溃，报OSError: unable to open file；Linux/macOS 下也建议从num_workers=1开始试，再逐步加 - 务必设
pin_memory=True，否则 CPU→GPU 数据拷贝慢 3–5 倍；但注意：只有 input 是float32且 device 是 CUDA 时才生效 - batch_size 不要贪大——3D U-Net 输入常为
(1, 64, 128, 128)，batch_size=4 在 RTX 3090 上就接近显存上限；先用batch_size=1跑通，再看nvidia-smi显存占用，逐步试探 - 如果用
torch.compile加速，注意它对动态 shape（如不同病人切片数不同）支持有限，建议先 pad/crop 到固定尺寸再 compile
最易被忽略的一点：所有增强操作必须在 CPU 上完成，DataLoader 的 worker 进程无法访问 GPU；一旦你在 transform 里写了 .cuda() 或用了 torch.cuda.amp，就会卡死或报 context 相关错误——这是纯 CPU 流水线，GPU 只在 model.forward() 阶段介入。
