1. 项目缘起：为什么医疗图像超分需要“从头开始”？

最近在做一个关于医学影像超分辨率重建的项目，本以为是个“调包侠”的活，结果从第一步——找数据开始，就踩了一路的坑。网上那些关于自然图像超分的教程铺天盖地，但一到医疗领域，你会发现很多“理所当然”的步骤都变得不那么顺理成章。比如，你很难找到一个现成的、包含高分辨率（HR）和对应低分辨率（LR）图像对的数据集。大多数公开的医疗影像数据集，如BraTS、LiTS、CheXpert等，提供的都是单一分辨率的图像，它们是为分割、分类任务设计的，而不是为超分任务准备的“配对数据”。

这就引出了医疗图像超分实战的第一个核心难题：数据从哪里来？你不能直接用自然图像超分那套方法，从网上下个DIV2K数据集就开始跑。医疗图像有其特殊性：模态多样（CT、MRI、X光、超声）、数据隐私性强、标注成本极高。因此，一个标准的流程往往是：先找到一个开源的高质量HR医疗图像数据集，然后通过模拟退化的方式，人为地生成对应的LR图像，从而构建出可用于模型训练的图像对。这个过程，我称之为“退化构建”。

听起来简单，不就是加个模糊、降个采样吗？但实际操作中，从数据集的寻找、筛选、下载，到退化模型的参数选择、代码实现，每一步都有门道，稍不注意就会导致模型学偏或者效果不佳。这篇文章，我就把自己从零开始，构建一个可用于训练的医疗图像超分数据集的全过程，包括中间遇到的各种“坑”和解决方案，完整地记录下来。无论你是刚接触这个领域的研究生，还是需要在项目中快速上手的工程师，希望这份“踩坑实录”能帮你省下大量摸索的时间。

2. 开源医疗图像数据集：寻找与筛选实战指南

第一步是找到合适的“原料”——高质量的高分辨率医疗图像。这里的“高质量”不仅指图像本身清晰，更要求数据集的权威性、规范性和易用性。

2.1 主流数据源平台与检索策略

不要漫无目的地用“medical image dataset”去谷歌搜索，那样效率极低。应该直接瞄准几个权威的、经过社区验证的数据平台：

1. Kaggle Datasets：这是首选。Kaggle上的数据集通常经过整理，格式相对统一，并且附有社区讨论和Notebook示例，能帮你快速理解数据结构。你可以用“CT”、“MRI”、“X-ray”、“ultrasound”结合“high resolution”、“3D”、“volumetric”等关键词搜索。例如，搜索“CT high resolution”可能会找到一些肺部或腹部的CT扫描数据集。

2. Grand Challenge：这是一个专注于医学图像分析挑战赛的平台。上面许多挑战赛都会提供训练数据。即使你不参加比赛，也可以下载这些数据用于研究（务必仔细阅读其数据使用协议）。这里的图像质量通常很高，因为都是用于顶级学术竞赛的。

3. The Cancer Imaging Archive (TCIA)：这是美国国家癌症研究所维护的宝藏库，包含海量的、多模态的癌症影像数据。数据非常专业，但下载流程可能稍显复杂，需要注册并签署数据使用协议。对于严肃的学术研究，TCIA是不可绕过的一站。

4. PhysioNet：如果你做的是心脏超声（Echocardiography）或心电图等相关影像的超分，PhysioNet是绝佳选择。

检索心法：不要只搜“数据集”，多尝试“challenge”、“competition”、“benchmark”这些词。因为举办比赛的数据集，往往在数据质量和任务定义上更清晰。例如，寻找“BraTS challenge”就能获得多模态脑瘤MRI数据。

2.2 数据集评估的四个关键维度

找到几个候选数据集后，如何判断它是否适合做超分？我总结了四个必须检查的维度：

1. 分辨率与位深：这是超分任务的“生命线”。务必查看数据集的描述文档，确认图像的原始分辨率（例如，CT图像可能是512x512每层，层厚0.625mm）和像素位深（通常是16位无符号整数）。避免选择那些已经经过严重压缩或下采样的数据集。
2. 数据格式：医疗图像常见格式有DICOM（原始数据，包含丰富的元数据）、NIfTI（.nii或.nii.gz，常用于脑影像）、NRRD、MHD/RAW等。优先选择NIfTI或MHD这类易于用SimpleITK、NiBabel等库直接读取和处理的格式。如果只有DICOM，你需要准备额外的代码来将其转换为体积数据。
3. 数据规模与多样性：超分模型需要一定的数据量来学习。至少要有几十个病例（Volume），每个病例包含几十到几百张切片（Slice）。同时，注意数据的多样性（不同医院、不同扫描设备）以避免模型过拟合到特定设备噪声上。
4. 许可协议：这是最容易踩坑的地方！务必仔细阅读Data Usage Agreement (DUA)或License。明确是否允许用于学术研究、是否允许二次分发（即使是在团队内部）、是否需要署名。有些数据集明确禁止用于任何商业目的。我曾因为忽略了一个数据集的“禁止用于AI模型训练”条款，导致前期工作白费。

注意：在TCIA等平台下载数据，通常需要使用其提供的NBIA Data Retriever或TCIA REST API等专用工具进行批量下载，直接浏览器下载大体积数据几乎不可行。提前准备好这些工具能节省大量时间。

2.3 实战案例：以“LiTS”数据集为例

以肝脏肿瘤分割挑战赛的LiTS (Liver Tumor Segmentation)数据集为例。它包含130个对比增强的腹部CT扫描体积，格式为.nii。这是一个非常典型的优质HR数据源。

下载踩坑记录：

• 坑1：下载工具与断点续传：LiTS数据单个病例体积较大，总数据量超过50GB。使用浏览器直接下载极易因网络波动中断。解决方案是使用wget或aria2命令行工具，并支持断点续传。例如：wget -c [文件链接]。如果数据集提供的是FTP列表，可以写一个简单的Shell脚本循环下载。
• 坑2：数据解压与结构：下载下来的常常是分卷压缩包（如part1.rar, part2.rar）。需要在Windows下用WinRAR或7-Zip，或在Linux下用unrar命令（可能需要安装）按顺序解压。解压后，务必核对文件数量是否与文档说明一致。
• 坑3：数据读取与预览：解压得到.nii文件后，不要急于处理。先用一个简单的Python脚本，利用nibabel库读取一个文件，查看其形状（shape）、仿射矩阵（affine）和像素值范围。这是验证数据是否完整无损的关键一步。

  import nibabel as nib import numpy as np img = nib.load('lits_case_001.nii') data = img.get_fdata() print(f"Shape: {data.shape}") # 例如 (512, 512, 120) print(f"Data type: {data.dtype}") print(f"Value range: [{np.min(data)}, {np.max(data)}]") # 可以简单可视化中间一层 import matplotlib.pyplot as plt plt.imshow(data[:, :, data.shape[2]//2], cmap='gray') plt.show()

完成这一步，你就拥有了宝贵的HR图像库。接下来，我们要以此为基础，制造出它们的“低质量”版本——LR图像。

3. 退化构建：如何科学地“弄糊”一张医疗图像？

在自然图像超分中，退化模型通常简化为一个高斯模糊+双三次下采样。但对于医疗图像，尤其是CT和MRI，这样的简化过于粗糙，无法模拟真实的临床低分辨率图像成因，导致训练出的模型在真实场景中泛化能力差。

3.1 医疗图像退化的物理本质

你需要根据图像模态，思考其LR版本是如何产生的：

• CT图像：低分辨率可能源于扫描层厚增大（为了降低辐射剂量或加快扫描速度）、重建卷积核变平滑（为了降低噪声），或者原始投影数据不足（稀疏视图重建）。这本质上是一个三维各向异性的退化过程（层内分辨率 vs. 层间分辨率）。
• MRI图像：低分辨率可能源于K空间数据欠采样（加速采集）、接收线圈信噪比限制，或扫描序列参数调整（如增大体素大小）。这通常涉及频域（K空间）的复杂操作。
• X光/超声：退化更多与传感器限制、散射噪声和压缩伪影有关。

对于大多数入门和中等需求的项目，我们无法完全模拟物理过程，但可以采用一个更合理的三维退化模型来逼近。

3.2 实战退化流程设计与代码实现

一个更贴近实际的流程是：各向异性高斯模糊 + 各向异性下采样 + 噪声添加。

步骤1：三维高斯模糊为什么是三维？因为CT/MRI是体积数据。层内（x-y平面）和层间（z轴）的模糊程度（标准差σ）应该不同。通常，层间（由于层厚）的模糊会更严重。

import numpy as np from scipy.ndimage import gaussian_filter def anisotropic_3d_gaussian_blur(volume, sigma_xy, sigma_z): """ 对三维体积数据进行各向异性高斯模糊。 :param volume: 3D numpy array, (H, W, D) :param sigma_xy: x-y平面（层内）的高斯核标准差 :param sigma_z: z轴（层间）的高斯核标准差 :return: 模糊后的体积数据 """ # scipy的gaussian_filter允许为每个维度指定不同的sigma blurred_volume = gaussian_filter(volume, sigma=[sigma_xy, sigma_xy, sigma_z]) return blurred_volume

参数选择心得：sigma_xy通常取0.5-1.5（对应轻微到中度模糊），sigma_z可以取sigma_xy的1.5-3倍，以模拟更差的层间分辨率。具体值需要通过观察真实LR图像或文献来确定。

步骤2：各向异性下采样下采样倍数（scale factor）在三个维度上也可以不同。例如，常见的设置是层内下采样2倍或4倍，层间下采样倍数可能更大。

import torch import torch.nn.functional as F def anisotropic_downsample(volume, scale_factor_xy, scale_factor_z, mode='area'): """ 使用PyTorch进行各向异性下采样。假设输入为numpy，先转tensor。 :param volume: 3D numpy array :param scale_factor_xy: x-y平面的下采样倍数 :param scale_factor_z: z轴的下采样倍数 :param mode: 插值模式，'area'（区域平均）适合降采样，'trilinear'也可 :return: 下采样后的numpy array """ # 转换为PyTorch Tensor，并添加批次和通道维度 [1, 1, H, W, D] tensor_vol = torch.from_numpy(volume).float().unsqueeze(0).unsqueeze(0) # 计算目标尺寸 D, H, W = volume.shape target_D = int(D / scale_factor_z) target_H = int(H / scale_factor_xy) target_W = int(W / scale_factor_xy) # 使用插值进行下采样 downsampled = F.interpolate(tensor_vol, size=(target_D, target_H, target_W), mode=mode, # 对于下采样，'area'模式能更好地抗混叠 align_corners=False) return downsampled.squeeze().cpu().numpy()

关键提示：这里我选择了mode='area'，它实际上是对局部区域求平均，类似于平均池化，比简单的'trilinear'插值在下采样时更能避免引入高频混叠伪影，这在图像处理中更“正确”。

步骤3：添加噪声医疗图像噪声模型复杂（如CT的量子噪声、MRI的Rician噪声）。一个实用的简化是添加高斯噪声，但噪声强度应与信号强度相关（即信噪比SNR）。

def add_gaussian_noise(image, snr_db): """ 添加高斯噪声，达到指定的信噪比(SNR)。 :param image: 输入图像/体积 :param snr_db: 信噪比，单位dB :return: 加噪后的图像 """ # 计算信号功率 signal_power = np.mean(image ** 2) # 将dB转换为线性比 snr_linear = 10 ** (snr_db / 10.0) # 计算所需的噪声功率 noise_power = signal_power / snr_linear # 生成高斯噪声 noise = np.random.randn(*image.shape) * np.sqrt(noise_power) noisy_image = image + noise # 确保值域不越界（对于CT的HU值，可能需要clip到合理范围） return noisy_image

参数选择：SNR的取值范围很广，对于模拟低质量图像，可以设置在10dB到20dB之间。你需要根据目标模态的典型噪声水平来调整。

完整的退化管道： 将以上步骤串联起来，并注意操作顺序：先模糊（抗混叠），再下采样，最后加噪。这个顺序符合大多数图像采集系统的物理过程。

def degrade_volume(hr_volume, scale_xy=2, scale_z=2, sigma_xy=1.0, sigma_z=2.0, snr_db=15): """完整的退化流程""" # 1. 各向异性模糊 blurred = anisotropic_3d_gaussian_blur(hr_volume, sigma_xy, sigma_z) # 2. 各向异性下采样 lr_volume = anisotropic_downsample(blurred, scale_xy, scale_z, mode='area') # 3. 添加噪声 lr_noisy = add_gaussian_noise(lr_volume, snr_db) return lr_noisy

3.3 退化参数调优：如何验证你的LR图像“够真”？

这是最考验经验的一步。你生成的LR图像，应该与你从真实低端设备或快速扫描协议中获得的图像视觉上相似。

1. 主观视觉对比：将生成的LR图像上采样回HR尺寸（用简单的双三次插值），与原始HR图像并排显示。观察边缘的模糊程度、噪声纹理是否看起来“自然”。过于平滑或出现规则条纹（混叠）都不对。
2. 客观指标辅助：计算噪声功率谱（NPS）和调制传递函数（MTF）是更科学的方法，但这需要一定的图像处理知识。一个更简单的替代方案是，计算LR图像（上采样后）与HR图像在不同频带的小波系数能量比，确保高频信息有合理的衰减。
3. 领域知识咨询：如果可能，拿着你生成的图像对，去请教放射科医生或影像物理师：“这种模糊和噪声水平，看起来像我们那台老机器/快速扫描协议出来的图吗？”他们的反馈是无价的。

4. 数据预处理、配对与管理：构建高效训练流水线

有了HR和LR体积数据对，还不能直接扔进模型。我们需要将其处理成模型可以消化的小块（Patches），并建立一套高效的数据加载流程。

4.1 从3D体积到2D/3D训练块

大多数超分模型（尤其是基于CNN的）目前仍以处理2D切片为主，因为3D模型计算开销巨大。因此，常见的做法是将3D体积沿Z轴切片，得到一堆2D图像对（HR slice 和 LR slice）。

关键决策点：是否使用重叠采样？

• 非重叠采样：简单，速度快，数据量少。适合数据量本身很大的情况。
• 重叠采样：在HR图像上以小于Patch尺寸的步长滑动裁剪，可以极大地扩充训练数据量，尤其对于小数据集至关重要，能有效防止过拟合。

def extract_2d_patches(volume_hr, volume_lr, patch_size=128, stride=64, scale=2): """ 从配对的HR和LR体积中提取2D图像块。 注意：LR体积的尺寸已经是HR的 1/scale。 """ patches_hr = [] patches_lr = [] D, H, W = volume_hr.shape # 假设我们只从中间一部分切片采样，避免边缘切片质量不佳 start_z = D // 4 end_z = 3 * D // 4 for z in range(start_z, end_z): slice_hr = volume_hr[z, :, :] # 对应的LR切片索引需要根据下采样倍数计算 z_lr = int(z / scale) # 这里假设Z轴也下采样了scale倍 slice_lr = volume_lr[z_lr, :, :] # 在HR切片上滑动窗口 for i in range(0, H - patch_size + 1, stride): for j in range(0, W - patch_size + 1, stride): patch_hr = slice_hr[i:i+patch_size, j:j+patch_size] # LR Patch的起始位置需要按比例缩放 i_lr, j_lr = i // scale, j // scale patch_lr_size = patch_size // scale patch_lr = slice_lr[i_lr:i_lr+patch_lr_size, j_lr:j_lr+patch_lr_size] if patch_hr.shape == (patch_size, patch_size) and patch_lr.shape == (patch_lr_size, patch_lr_size): patches_hr.append(patch_hr) patches_lr.append(patch_lr) return np.array(patches_hr), np.array(patches_lr)

注意事项：提取的Patch需要经过归一化。医疗图像（如CT的HU值）有明确的物理范围，例如CT肝脏窗宽窗位（如-100到200 HU）。归一化应基于这个有意义的范围，而不是整个图像的最小最大值，以保留对比度信息。

4.2 构建PyTorch Dataset与DataLoader

这是将数据高效喂给模型的标准做法。我们需要一个自定义的Dataset类。

import torch from torch.utils.data import Dataset, DataLoader import os from glob import glob class MedicalSRDataset(Dataset): def __init__(self, hr_dir, lr_dir, patch_size=128, scale=2, is_train=True): """ :param hr_dir: 存放HR .npy文件的文件夹 :param lr_dir: 存放对应LR .npy文件的文件夹 :param patch_size: 训练时随机裁剪的大小 :param scale: 超分倍数 :param is_train: 训练模式会进行随机裁剪和增强 """ self.hr_paths = sorted(glob(os.path.join(hr_dir, '*.npy'))) self.lr_paths = sorted(glob(os.path.join(lr_dir, '*.npy'))) # 确保配对 assert len(self.hr_paths) == len(self.lr_paths) self.patch_size = patch_size self.scale = scale self.is_train = is_train def __len__(self): return len(self.hr_paths) def __getitem__(self, idx): hr = np.load(self.hr_paths[idx]) # 假设已保存为numpy数组 lr = np.load(self.lr_paths[idx]) if self.is_train: # 随机裁剪 H, W = hr.shape lr_patch_size = self.patch_size // self.scale # 随机生成HR Patch的左上角坐标 top = np.random.randint(0, H - self.patch_size) left = np.random.randint(0, W - self.patch_size) hr_patch = hr[top: top+self.patch_size, left: left+self.patch_size] # LR Patch的坐标对应缩放 lr_top, lr_left = top // self.scale, left // self.scale lr_patch = lr[lr_top: lr_top+lr_patch_size, lr_left: lr_left+lr_patch_size] # 数据增强：随机水平/垂直翻转、旋转 if np.random.rand() > 0.5: hr_patch = np.fliplr(hr_patch) lr_patch = np.fliplr(lr_patch) if np.random.rand() > 0.5: hr_patch = np.flipud(hr_patch) lr_patch = np.flipud(lr_patch) k = np.random.randint(0, 4) hr_patch = np.rot90(hr_patch, k) lr_patch = np.rot90(lr_patch, k) else: # 验证/测试模式，不裁剪，或进行固定裁剪 hr_patch, lr_patch = hr, lr # 转换为Tensor，并添加通道维度 (H, W) -> (1, H, W) hr_tensor = torch.from_numpy(hr_patch).float().unsqueeze(0) lr_tensor = torch.from_numpy(lr_patch).float().unsqueeze(0) # 在这里进行归一化，例如归一化到[-1, 1]或[0, 1] # hr_tensor = (hr_tensor - mean) / std return lr_tensor, hr_tensor # 使用示例 train_dataset = MedicalSRDataset(hr_dir='./train_hr', lr_dir='./train_lr', is_train=True) train_loader = DataLoader(train_dataset, batch_size=16, shuffle=True, num_workers=4, pin_memory=True)

性能优化点：num_workers> 0 可以并行加载数据，pin_memory=True在GPU训练时能加速数据从CPU到GPU的传输。确保你的.npy文件存储在高速SSD上以获得最佳IO性能。

4.3 数据存储格式选择：.npy vs. .h5 vs. LMDB

当数据量极大（成千上万个Patch）时，文件系统读取数万个小.npy文件会成为瓶颈。此时应考虑更高效的数据格式：

• HDF5 (.h5)：可以将所有数据存储在一个文件中，通过数据集（Dataset）索引。读写速度快，支持压缩。PyTorch可以通过h5py库配合自定义Dataset读取。
• LMDB：Lightning Memory-Mapped Database，读性能极高，是许多大型深度学习项目（如StyleGAN）的选择。但需要将数据序列化为键值对存储，代码稍复杂。
• TFRecord (TensorFlow)或WebDataset：如果是TensorFlow生态或有超大数据集需要流式读取，可以考虑这些格式。

对于中小规模项目（几百个病例），将每个病例或每个Patch保存为单独的.npy文件，管理起来最简单直观。当数据规模升级时，再考虑迁移到HDF5或LMDB。

5. 环境配置、依赖管理与可复现性保障

项目代码写好了，数据集也准备好了，但在另一台机器或几个月后自己复现时，却因为环境问题跑不起来，这是最令人沮丧的。医疗图像处理涉及的科学计算库版本依赖复杂，必须做好环境管理。

5.1 依赖清单与虚拟环境

强烈建议使用conda或venv创建独立的Python虚拟环境。并使用pip的requirements.txt或conda的environment.yml文件记录所有依赖。

一个典型的environment.yml文件可能长这样：

name: medical_sr channels: - pytorch - nvidia - conda-forge - defaults dependencies: - python=3.8 - pytorch=1.12.1 - torchvision=0.13.1 - cudatoolkit=11.3 - nibabel=4.0.2 - scipy=1.8.1 - numpy=1.22.4 - opencv=4.6.0 - matplotlib=3.5.3 - jupyter - pip - pip: - tensorboard - h5py

使用conda env create -f environment.yml即可一键创建完全相同的环境。注意PyTorch与CUDA版本的匹配，这通常是最大的坑。

5.2 路径管理与配置文件

代码中不要出现硬编码的绝对路径。所有路径（数据路径、模型保存路径、日志路径）都应通过配置文件或命令行参数管理。

推荐使用Python的argparse或更强大的hydra、yacs库。一个简单的config.py：

import os from pathlib import Path class Config: # 数据路径 data_root = Path('/path/to/your/project/data') raw_hr_dir = data_root / 'LiTS/raw_hr' processed_lr_dir = data_root / 'LiTS/processed_lr_scale2' patch_train_dir = data_root / 'LiTS/patches_train' # 训练参数 batch_size = 16 num_epochs = 200 learning_rate = 1e-4 scale = 2 # 模型保存路径 save_dir = Path('./experiments') save_dir.mkdir(exist_ok=True) # 将配置保存为JSON，便于复现 def save(self, path): import json with open(path, 'w') as f: json.dump(self.__dict__, f, indent=4, default=str) # 处理Path对象

在代码中统一使用cfg.raw_hr_dir来引用路径。这样，当数据移动或在不同机器上运行时，只需修改一处配置。

5.3 随机种子固定

为了确保实验可复现，必须固定所有随机种子。

import random import numpy as np import torch def set_seed(seed=42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed(seed) torch.cuda.manual_seed_all(seed) # if you are using multi-GPU. torch.backends.cudnn.deterministic = True torch.backends.cudnn.benchmark = False os.environ['PYTHONHASHSEED'] = str(seed)

在程序开始时调用set_seed()，这样每次运行的数据增强顺序、模型初始化等都会一致。

6. 从构建到训练：衔接与初步验证

数据管道搭建完毕，环境也配置好了，最后一步是将它们与超分模型训练流程连接起来，并进行初步验证，确保整个链路没有低级错误。

6.1 训练循环中的数据处理集成

在训练主循环中，从DataLoader中取出的已经是配对的lr_batch和hr_batch张量。

model = YourSRModel().cuda() optimizer = torch.optim.Adam(model.parameters(), lr=cfg.learning_rate) criterion = torch.nn.L1Loss() # 超分常用L1 Loss for epoch in range(cfg.num_epochs): for iter, (lr_imgs, hr_imgs) in enumerate(train_loader): lr_imgs, hr_imgs = lr_imgs.cuda(), hr_imgs.cuda() optimizer.zero_grad() sr_imgs = model(lr_imgs) # 模型预测 loss = criterion(sr_imgs, hr_imgs) loss.backward() optimizer.step() # ... 记录日志等

6.2 至关重要的初步验证：可视化！

在投入大量时间训练前，做一个简单的Sanity Check：

1. 检查数据形状：打印一个batch的lr_imgs.shape和hr_imgs.shape，确认其符合预期（如[16, 1, 64, 64]和[16, 1, 128, 128]）。
2. 可视化样本对：从训练集中取几个样本，将LR图像（用双三次插值上采样到HR尺寸）、生成的SR图像（用初始化的模型跑一次前向，此时模型是随机的，输出应该是噪声）、HR图像并排显示。这能直观检查数据配对是否正确、归一化是否合理。
3. 过拟合一个小数据集：用一个非常小的数据集（比如2-3个样本），让模型训练几十个epoch。如果模型能够迅速将训练损失降到接近0，并且预测结果看起来像那么回事（虽然细节不对，但结构大致正确），说明整个数据流、模型前向传播、损失计算、反向传播的链路是通的。如果连这么小的数据都学不了，那肯定是代码有bug。

6.3 常见链路错误排查

• Loss为NaN或异常大：检查数据归一化。CT的HU值范围可能是[-1000, 2000]，直接输入网络会导致梯度爆炸。确保归一化到合理的范围，如[0, 1]或[-1, 1]。
• 模型输出全黑或全灰：检查模型最后一层激活函数。对于图像回归任务，最后一层通常不应该有非线性激活（如Sigmoid、Tanh），除非你特意将输出范围限制在(0,1)或(-1,1)。通常直接使用线性输出。
• GPU内存溢出：检查Patch尺寸和Batch Size是否过大。3D数据尤其耗内存。可以从小的Patch（如64x64）和Batch Size（如4）开始。

走完以上所有步骤，你不仅获得了一个可用于训练的医疗图像超分数据集，更搭建了一条从原始数据到模型训练的可控、可复现的完整流水线。这套流程的价值远不止于一个项目，它为你处理任何医学影像分析任务奠定了坚实的数据工程基础。记住，在医疗AI中，高质量、构建合理的数据管道，往往是成功的一半，甚至更多。