SAM-Med3D：面向三维医疗体数据的通用分割模型 （代码仓库笔记）

SAM-Med3D 代码仓库组成及运行流程总结

一、代码仓库简介

项目定位：SAM-Med3D 面向体数据（CT/MRI）的通用分割，基于 SAM 思想扩展到 3D。仓库内容可分为「核心代码、数据与权重、运行与评估脚本」三大块，便于快速上手测试、训练/微调与评估。

1）目录结构与关键文件

• 核心模型（segment_anything/）

  • image_encoder3D.py：3D 图像编码器
  • prompt_encoder3D.py：3D 提示（点/框等）编码器
  • mask_decoder3D.py：3D 掩码解码器
  • build_sam3D.py：模型构建与加载工具

• 训练与微调

  • train.py：训练主程序（支持交互式提示模拟与损失计算）
  • train.sh：单卡训练启动脚本
  • train_ddp.sh：多卡分布式训练脚本

• 评估与验证

  • medim_val_single.py：单样本快速验证
  • medim_val_dataset.py：数据集批量评估
  • val_for_single_data.sh / val_on_dataset.sh：评估脚本入口
  • utils/compute_dataset_metrics.py：Dice、NSD 等指标计算

• 数据处理与配置（utils/）

  • prepare_data_from_nnUNet.py：将 nnU-Net 格式转换为本项目所需格式（重采样、掩码二值化）
  • data_loader.py：数据加载与基础增强
  • data_paths.py：训练/测试数据路径集中配置（img_datas 列表）

2）数据与预训练权重

• 数据集：提供 SA-Med3D-140K（约 143K 个 3D 掩码，245 类），可从 Hugging Face 获取。
• 预训练模型：提供 SAM-Med3D-turbo 等权重（Hugging Face / Google Drive / 百度网盘），建议微调以提升下游性能。

3）快速上手（模型测试）

（1）环境准备

# 创建并激活虚拟环境
conda create --name sammed3d python=3.10 
conda activate sammed3d

# 安装依赖管理工具 uv
pip install uv

# 安装 PyTorch 及相关库（按需替换为你的 CUDA 对应版本）
uv pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0

# 安装医学影像处理依赖
uv pip install torchio opencv-python-headless matplotlib prefetch_generator monai edt surface-distance medim

（2）单样本验证
在 medim_val_single.py 中设置路径：

img_path = "./test_data/Seg_Exps/ACDC/ACDC_test_cases/patient101_frame01_0000.nii.gz"
gt_path  = "./test_data/Seg_Exps/ACDC/ACDC_test_gts/patient101_frame01.nii.gz"
out_path = "./test_data/Seg_Exps/ACDC/ACDC_test_SAM_Med3d/patient101_frame01.nii.gz"

运行：

python medim_val_single.py

提示：需要 ground-truth 掩码用于生成提示点；若无真实标签，可临时手工标注“伪标签”。

4）训练 / 微调流程

（1）准备权重（推荐）

ckpt_path = "https://huggingface.co/blueyo0/SAM-Med3D/blob/main/sam_med3d_turbo.pth"
# 示例：使用 MedIM 快速创建（如已安装）
model = medim.create_model("SAM-Med3D", pretrained=True, checkpoint_path=ckpt_path)

将下载的 .pth 放入 ckpt/ 并在训练脚本中通过 --checkpoint 指定。

（2）准备数据

• 建议结构（每个任务一套图像与二值掩码）：

data/train
  ├── adrenal/ct_WORD
  │   ├── imagesTr/word_0025.nii.gz
  │   └── labelsTr/word_0025.nii.gz
  ├── liver/ct_WORD
  │   └── ...

• nnU-Net 数据可用 utils/prepare_data_from_nnUNet.py 转换。
• 在 utils/data_paths.py 设置训练目录：

img_datas = [
  "data/train/adr