Anatomic-kinetic fusion network for pituitary gland and microadenoma segmentation in multi-phase DCE-MRI 复现报告
1. 报告摘要
本报告围绕论文《Anatomic-kinetic fusion network for pituitary gland and microadenoma segmentation in multi-phase DCE-MRI》对应开源项目 AKF-Net，主要记录于 H200 服务器上的源码获取、环境适配、依赖安装、硬编码修复、合成数据构造、训练链路验证与推理链路验证全过程。
本次工作已经完成以下目标：
- 成功在 H200 服务器上部署 AKF-Net 运行环境
- 解决源码下载、依赖兼容、GPU 选择、显存冲突等实际工程问题
- 在无真实数据的前提下，自行构造 NIfTI 格式合成数据集
- 成功跑通训练、验证、checkpoint 保存、推理与指标计算全链路
- 得到可复现的训练日志与推理结果
注：本次结果属于工程级复现与冒烟测试，不等同于论文指标复现。由于缺少论文所使用的真实私有 DCE-MRI 数据集，因此当前结果不能用于证明论文性能结论，但可以证明该方法在目标硬件环境上具备可运行性与后续实验基础。
2. 项目背景
AKF-Net 是针对多期动态增强磁共振成像（DCE-MRI）中垂体及垂体微腺瘤分割任务提出的网络。项目仓库提供了训练脚本、测试脚本、模型结构和部分工具函数，但整体属于典型科研代码风格，并非可直接部署的工程化项目。
在实际部署前，代码中存在以下问题：
config.py 中写死了作者本地数据路径
main_train.py 和 main_test.py 中写死了 CUDA_VISIBLE_DEVICES
requirements.txt 中依赖版本较老
推理脚本使用了 matplotlib，但依赖文件中未声明
代码中存在 np.bool 等对新版本 numpy 不友好的写法
模型推理输出为 pkl，并非直接面向医学图像分析系统的 nii.gz
3. 复现目标
3.1 链路打通
成功获取源码
成功安装环境
成功在 H200 上启动训练
成功输出 checkpoint
成功运行推理与指标计算
3.2 后续正式实验准备
为未来接入真实 DCE-MRI 数据建立标准流程
给导师或后续成员提供可复用的部署依据
为真实数据上的论文复现、性能对比和改进实验打基础
4. 实验环境
4.1 硬件环境
GPU：NVIDIA H200
服务器环境：Linux
4.2 软件环境
本人最终采用的关键软件栈如下：
Python 3.10
PyTorch 2.4.1
torchvision 0.19.1
CUDA 12.4 对应 PyTorch 轮子
MONAI 1.3.1
SimpleITK 2.3.1
batchgenerators 0.25
numpy 1.23.5
scipy 1.13.1
scikit-learn 1.5.0
tensorboard 2.17.0
tqdm 4.66.4
matplotlib 3.8.4
说明：仓库原始依赖中写的是 torch==1.12.1，这一版本更适合 CUDA 11.x 时代环境，不适合作为 H200 上的部署方案，因此实际部署时采用了新版 PyTorch 。
5. 代码修复
5.1 去除硬编码
原始代码中：
main_train.py 写死使用某一块 GPU
main_test.py 也写死使用某一块 GPU
这在多人共享服务器上非常不方便，因此删除了这两处 CUDA_VISIBLE_DEVICES 硬编码，改为在命令行启动时指定 GPU，例如：
bash
CUDA_VISIBLE_DEVICES=1 python main_train.py
CUDA_VISIBLE_DEVICES=1 python main_test.py5.2 处理缺失依赖
推理脚本实际使用了 matplotlib，但原始依赖文件中未包含，部署时已补装。
5.3 采用适合 H200 的 PyTorch 版本
为了兼容 H200 与较新的 CUDA 环境，未直接沿用仓库原始的 torch==1.12.1，而是采用了：
bash
pip install torch==2.4.1 torchvision==0.19.1 --index-url https://download.pytorch.org/whl/cu1246. 无真实数据条件下的解决方案
由于当前无法获得论文使用的真实私有 DCE-MRI 数据集，且仓库主分支也未实际提供可直接运行的 dataset/sample_data，因此为了验证训练链路与推理链路，本人采用了"构造最小合成数据集"的方式进行冒烟测试。
目前如下：
验证代码是否能真正从输入走到输出
验证数据组织格式是否正确
验证模型能否完成前向传播、反向传播和参数更新
验证推理脚本、checkpoint 加载与指标计算是否可用
7. 合成数据的构造思路与生成步骤
7.1 数据组织格式
合成数据严格仿照 AKF-Net 源码要求组织为：
text
/home/akf_synth_data/
├── train.txt
├── test.txt
├── image/
│ ├── 001/
│ │ └── cor.nii.gz
│ ├── 002/
│ │ └── cor.nii.gz
│ ├── 003/
│ │ └── cor.nii.gz
│ └── 004/
│ └── cor.nii.gz
└── label/
├── 001.nii.gz
├── 002.nii.gz
├── 003.nii.gz
└── 004.nii.gz其中：
001/002/003 作为训练样本
004 作为测试样本
7.2 数据形状设计
为了兼容源码处理流程，合成数据设计成：
图像张量形状：(7, 7, 320, 320)
标签张量形状：(7, 320, 320)
这里的含义是：7 个 DCE 相位、7 个切片、每张切片大小为 320 x 320
该设置与源码中的：
frame_num = 7
patch_size = [5, 128, 128]
crop_size = [128, 128]
能够较好兼容。
7.3 结构模拟方式
在每个切片中，人工构造了两个区域：
-
垂体区域
用一个较大的椭圆区域表示
标签值记为
1 -
微腺瘤区域
在垂体附近构造一个较小的椭圆区域
标签值记为
2
图像强度方面：
背景添加少量高斯噪声
垂体区域在各期增强中呈现中等增强
微腺瘤区域在多期中呈现更明显的强度变化
上述目的是尽量模拟"多期动态增强"的基本特征。
7.4 合成数据生成代码
核心生成脚本如下：
python
import os
import numpy as np
import SimpleITK as sitk
root = "/home/duanyx/akf_synth_data"
cases = ["001", "002", "003", "004"]
H, W = 320, 320
phases = 7
slices = 7
yy, xx = np.mgrid[0:H, 0:W]
for i, case in enumerate(cases):
img = np.zeros((phases, slices, H, W), dtype=np.float32)
lab = np.zeros((slices, H, W), dtype=np.uint8)
cx = 160 + (i - 1) * 6
cy = 160 - (i - 1) * 4
for z in range(slices):
gland = (((xx - cx) / (30 + z * 0.3)) ** 2 + ((yy - cy) / (26 + z * 0.2)) ** 2) <= 1.0
adenoma = (((xx - (cx + 8)) / 11) ** 2 + ((yy - (cy - 6)) / 9) ** 2) <= 1.0
lab[z][gland] = 1
lab[z][adenoma] = 2
base = np.random.normal(0.03, 0.01, size=(H, W)).astype(np.float32)
for p in range(phases):
phase_gain = 0.05 + 0.03 * p
img[p, z] = (
base
+ gland.astype(np.float32) * (0.18 + phase_gain)
+ adenoma.astype(np.float32) * (0.28 + 1.8 * phase_gain)
)
case_dir = os.path.join(root, "image", case)
os.makedirs(case_dir, exist_ok=True)
sitk.WriteImage(sitk.GetImageFromArray(img), os.path.join(case_dir, "dyn_cor.nii.gz"))
sitk.WriteImage(sitk.GetImageFromArray(lab), os.path.join(root, "label", f"{case}.nii.gz"))
with open(os.path.join(root, "train.txt"), "w") as f:
f.write("001\n002\n003\n")
with open(os.path.join(root, "test.txt"), "w") as f:
f.write("004\n")8. 训练前配置调整
在冒烟测试阶段，为了尽快看到结果，对 config.py 做了小规模调整：
dataset_path 指向 /home/duanyx/akf_synth_data
batch_size 设为 1
n_epoch 设为 2
save_step 设为 1
这样设置的目的为快速验证训练逻辑、checkpoint 逻辑与验证逻辑。
9. 训练阶段结果展示
9.1 实际训练日志
训练在 H200 上完成了 2 个 epoch 的冒烟测试，核心日志如下：
text
Apr 03-19:41:04 LR epoch Loss DSC_BG DSC_MP DSC_MA
Apr 03-19:41:06 0.001000 0 1.13507 0.88262 0.33940 0.02335
Apr 03-19:41:11 0.001000 1 1.08119 0.98274 0.90721 0.000009.2 训练结果分析
训练流程成功执行完毕
验证阶段成功输出 Dice 指标
模型成功完成参数更新
checkpoint 保存逻辑能够触发
由于当前只训练了 2 个 epoch，且数据为人工构造的小规模合成数据，因此数值本身不具备医学意义，但其工程意义上训练链路是通的。
10. 推理阶段结果展示
10.1 推理日志
在训练完成后，将生成的最佳 checkpoint 写入 config.py 中，随后执行推理：
bash
CUDA_VISIBLE_DEVICES=1 python main_test.py推理阶段的关键输出如下：
text
Apr 03-19:43:33 start load checkpoint: runs/Apr03_19-40-59_zhenglab-h200/best_checkpoint_1.pt
Apr 03-19:43:33 load checkpoints succeed!
Apr 03-19:43:34 0th/1 004 volume data:
DSC: 0.75572, 0.00000 ||
RVD: 0.29310, 0.99769 ||
Jaccard: 0.60736, 0.00000 ||
ASD: 1.16239, 10.36967 ||
HD95: 3.00000, 20.63977 ||
PRE: 0.91239, 0.00000 ||
REC: 0.64497, 0.00000
Apr 03-19:43:34 All test data:
DSC: 0.75572, 0.00000 ||
RVD: 0.29310, 0.99769 ||
Jaccard: 0.60736, 0.00000 ||
ASD: 1.16239, 10.36967 ||
HD95: 3.00000, 20.63977 ||
PRE: 0.91239, 0.00000 ||
REC: 0.64497, 0.0000010.2 推理结果解读
上述结果说明：
checkpoint 可以被正确加载
模型推理过程执行成功
测试集遍历逻辑执行成功
指标计算函数（Dice、RVD、Jaccard、ASD、HD95、Precision、Recall）均可用
对于本次冒烟测试而言证明了：
- 训练输出不只是形式上存在，而是真能用于后续推理
- 模型从输入数据到评估结果的完整闭环已经建立
- 现有代码具备接入真实数据继续实验的基础
11. 实验评价
本次复现工作已经实现以下成果：
成功在 H200 环境中部署 AKF-Net
成功完成源码适配和依赖兼容
成功构造符合论文代码输入要求的合成 DCE-MRI 样例
成功跑通训练、验证、checkpoint 保存、推理和评估全链路
成功形成一套可重复的复现流程
12. 后续优化
如果后续能够获得真实 DCE-MRI 数据，优化工作如下：
- 将真实数据整理为 AKF-Net 要求的目录结构
- 恢复正式训练超参数，例如
n_epoch=800 - 在空闲 GPU 上运行完整训练
- 保存 checkpoint 并执行推理
- 统计论文中的核心指标
- 对比论文结果与本地结果差异
- 分析数据差异、预处理差异和训练设置差异
13. 结论
本次工作完成了 AKF-Net 在 H200 服务器上的工程级复现，验证了源码从数据输入、训练、验证、保存模型到推理评估的完整可运行性。在缺乏真实私有数据的情况下，通过人工构造多期 NIfTI 合成数据，成功实现了训练与推理闭环，证明该项目具备进一步开展真实数据实验的基础。