MobileNetV3+Unet实战：5步搞定医学图像分割模型搭建（附代码）
医学图像分割一直是计算机视觉领域的热门研究方向，尤其在临床诊断中，精准的病灶分割能极大提升医生的工作效率。传统分割方法往往需要庞大的计算资源，而移动端和嵌入式设备的普及，让轻量级模型成为刚需。本文将手把手教你如何用MobileNetV3结合Unet搭建一个高效的医学图像分割模型，从环境配置到模型优化，全程附带可运行的代码片段。
1. 环境准备与数据预处理
在开始模型搭建前，需要配置合适的开发环境。推荐使用Python 3.8+和TensorFlow 2.x版本，这两个版本的组合在兼容性和性能上都有不错的表现。安装核心依赖只需一行命令：
pip install tensorflow==2.6.0 opencv-python matplotlib numpy
医学图像数据通常以DICOM或PNG格式存储，预处理是关键的第一步。我们需要统一图像尺寸并做标准化处理：
import cv2
import numpy as np
def preprocess_image(image_path, target_size=(224,224)):
# 读取图像并转为灰度
img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
# 调整尺寸
img = cv2.resize(img, target_size)
# 归一化
img = img.astype(\’float32\’) / 255.0
# 增加通道维度
img = np.expand_dims(img, axis=-1)
return img
注意：医学图像往往对比度较低，可以考虑使用CLAHE（对比度受限的自适应直方图均衡化）来增强特征。
对于标注数据（mask），需要确保其与原始图像严格对齐。常见的数据增强技巧包括：
- 随机旋转（-15°到15°）
- 水平/垂直翻转
- 弹性变形
- 添加高斯噪声
2. MobileNetV3主干网络配置
MobileNetV3作为轻量级网络的代表，有两种变体：Large和Small。医学图像分割通常选择Small版本，在精度和速度间取得更好平衡。我们可以直接调用TensorFlow中的预训练权重：
from tensorflow.keras.applications import MobileNetV3Small
def get_mobilenetv3_backbone(input_shape=(224,224,1)):
# 将单通道图像复制到三通道
inputs = tf.keras.layers.Input(shape=input_s
