摘要：腹部CT多器官分割一直是医学影像分割中极具挑战性的任务。腹腔内部器官种类多、软组织对比度低、不同器官边界模糊，器官形态、大小个体差异巨大。传统U‑Net依靠跳跃连接融合多尺度特征，但跳跃连接会无差别传递背景噪声；Attention‑U‑Net引入注意力门控模块，在几乎不增加大量参数量前提下，让网络“重点关注”目标脏器区域。本文结合完整开源工程代码，从数据集设计、网络原理、模块拆解、训练策略、评估指标、推理可视化、实验对比、工程坑点全方位解析2D腹部CT多类别器官分割方案，并给出可直接渲染的Mermaid网络结构图。 
1 研究背景与任务难点
在临床放射治疗、计算机辅助诊断流程中，腹部各个脏器的轮廓分割是基础环节。放疗靶区规划需要精准识别肝、肾、胃、胰腺等危及器官，避免射线对正常组织造成损伤。完全依靠医生手动逐切片勾画，一千多张CT切片需要耗费数小时人力，重复性差，不同医生标注结果存在差异。因此基于深度学习实现腹部多脏器自动分割具备很高临床应用价值。
腹部CT分割主要难点：
本项目数据集包含1000+腹部CT二维切片，分割目标：背景、主动脉、胆囊、脾、左肾、右肾、肝、胰腺、胃。项目实现两套基线模型：原生U‑Net，以及加入注意力门控的AttU‑Net，完整覆盖dataset、model、train、predict、utils工具模块，实现训练、验证、评估、推理可视化闭环。 
2 网络架构原理与Mermaid结构图
2.1 U‑Net网络结构
U‑Net由编码器（下采样路径）和解码器（上采样路径）组成。编码器使用重复卷积块+最大池化，不断降低特征图尺寸、提升通道数，捕获全局上下文语义；解码器通过上采样逐步恢复分辨率，通过跳跃连接把编码器同尺度特征直接拼接，弥补下采样丢失的细节信息，最后1×1卷积输出分类通道数，得到每个像素的类别得分图。
2.2 Attention‑U‑Net（AttU‑Net）改进点
AttU‑Net核心创新是Attention Gate注意力门控模块，插入到U‑Net每一个跳跃连接的拼接之前。
- 输入两个特征：g来自解码器上采样后的粗粒度门控特征；x来自编码器浅层高分辨率特征；
- 分别对g、x做1×1卷积降维，相加后经过ReLU、1×1卷积、Sigmoid生成0‑1之间注意力权重图；
- 将权重图与编码器特征x逐像素相乘，抑制背景无关区域，增强器官目标区域；
- 加权之后的编码器特征再和解码器上采样特征进行concat拼接。
优势：不需要额外预训练定位网络；前向传播抑制背景特征，反向传播时背景区域梯度被抑制，参数更新主要聚焦目标器官；计算开销可控，适合医学影像任务。
Mermaid：AttU‑Net整体网络结构图
Mermaid：注意力门控Attention Block内部子结构
3 数据集工程实现细节（MyDataset）
CT医学分割数据集存在一个特殊工程问题：mask保存为灰度图片，不同器官对应任意离散灰度，不是0,1,2…连续标签。如果直接送入CrossEntropyLoss会报错。
项目解决方案：
数据预处理流水线：
注意坑点：mask缩放必须使用INTER_NEAREST最近邻插值，不能用双三次插值，避免产生无效中间灰度值。
4 训练配置、损失函数与全套评估指标
- 损失函数：CrossEntropyLoss多分类交叉熵；
- 优化器：AdamW，weight‑decay=0.01；
- 学习率策略：余弦退火LambdaLR；
- 输入大小224×224；batch_size可调；
- 评价指标基于混淆矩阵ConfusionMatrix：Pixel‑Accuracy、Precision、Recall、F1‑Score、Dice、IoU，统计除背景外各个器官类别，同时计算mDice、mIoU均值，作为保存最优模型依据。
训练循环逻辑：
5 推理模块predict.py功能
推理流程：读取CT图像 → resize、窗处理、归一化、维度变换送入模型；model.eval()+torch.no_grad推理；argmax获取类别索引；依据grayList映射回原始mask灰度；resize还原原始图像分辨率；保存预测mask灰度图；绘制原图、轮廓叠加掩膜可视化三拼接对比图，输出至inference文件夹。
6 U‑Net与AttU‑Net对比分析
在本腹部CT数据集场景，AttU‑Net预期mDice、mIoU整体优于原生U‑Net，尤其对形态较小的胆囊、胰腺提升更明显。
基于 U‑Net 与 Attention‑U‑Net 的腹部 CT 多脏器自动分割实现
