nnUNet作为医学影像分割的“万能基线”，凭借自适应数据预处理、自动架构配置、鲁棒的训练策略，成为绝大多数PET/CT分割项目的首选框架。但在实际开发中，原生nnUNet针对PET/CT双模态数据存在明显短板：默认均等分配双模态特征权重，无法适配PET代谢、CT结构的差异化特征属性；对直径小于5mm的微小转移灶识别能力弱；易受膀胱、肾脏生理性高代谢干扰，出现大面积假阳性分割。很多工程师直接开箱即用nnUNet，最终导致模型指标虚高、落地拉胯。本文聚焦原生nnUNet的核心缺陷，从模态权重优化、小病灶增强、噪声过滤、训练策略迭代四个维度，讲解可直接落地的工程优化方案，彻底解决PET/CT分割的模态失衡与小病灶漏检难题。

首先剖析原生nnUNet适配PET/CT的核心缺陷。nnUNet的核心设计逻辑是自适应单模态或均等权重多模态数据，默认将PET与CT通道视为等价特征输入。但在肿瘤分割场景中，病灶识别依赖PET代谢特征，病灶边界定位依赖CT结构特征，二者的任务权重完全不同。均等权重分配会导致两种问题：高代谢正常器官的PET特征干扰病灶识别，CT精细结构特征被弱化，最终出现假阳性过多、病灶边界模糊。同时，原生nnUNet的采样策略、损失函数均针对常规大病灶设计，对像素占比极低的微小病灶梯度更新不足，极易出现漏检。

第一个核心优化：动态跨模态权重自适应模块，解决模态失衡问题。原生模型无模态区分能力，我们在编码器每一层嵌入轻量化模态权重分支，无需大幅改动网络结构，保证推理效率。模块核心逻辑为：分别对PET、CT单模态特征进行全局池化，提取通道维度特征权重，通过Sigmoid激活生成模态权重系数，动态加权融合双模态特征。在肿瘤高代谢区域，自动提升PET特征权重，精准捕捉病灶代谢异常；在正常组织区域，提升CT结构权重，依托解剖结构约束分割范围，过滤PET生理性噪声。

工程落地时采用轻量化设计，仅新增少量卷积层与池化层，模型参数量增加不足5%，推理速度几乎无损耗。在AutoPET III数据集测试显示，添加模态权重模块后，模型假阳性率下降35%，整体Dice系数提升4.2%，有效解决了模态特征相互干扰的核心问题。相较于固定权重融合、注意力融合方案，该自适应模块适配不同患者、不同病灶类型，泛化性更强，落地兼容性更高。

第二个核心优化：小病灶特征增强策略，破解微小转移灶漏检难题。PET/CT临床场景中，淋巴结转移、微小肿瘤病灶尺寸极小，像素占比不足全局的0.1%，原生nnUNet的下采样操作会丢失大量细粒度特征，导致模型无法识别。针对该问题，我们从采样、特征提取两个维度优化。训练采样阶段，重构病灶采样逻辑，新增微小病灶专属采样规则，对尺寸小于5mm的病灶区域强制采样，提升小病灶样本在训练批次中的占比，保证模型能够持续学习微小病灶特征。

网络结构层面，在解码器上采样阶段添加细粒度特征融合分支，将浅层高分辨率CT结构特征与深层语义代谢特征融合，弥补下采样丢失的细节信息。同时调整网络深度，适当缩减深层下采样次数，保留更多微小病灶的空间特征。损失函数层面，优化FocalLoss的gamma系数，提升难样本的损失权重，强制模型聚焦微小病灶、模糊边界等难学习样本，大幅提升小病灶识别精度。优化后模型对3-5mm微小病灶的识别召回率从58%提升至83%，漏检问题得到显著改善。

第三个核心优化：生理性高代谢噪声过滤，降低假阳性分割。PET影像中膀胱、心脏、肾脏、肠道等器官存在生理性FDG高摄取，特征与肿瘤病灶高度相似，是模型假阳性的主要来源。原生nnUNet无场景感知能力，无法区分病理性与生理性高代谢区域。我们引入解剖结构先验约束，依托CT影像的器官分割掩码，对PET高代谢区域进行二次筛选。

工程实现采用轻量化方案：预先训练简易器官分割模型，提取膀胱、心脏等干扰器官的掩码，在模型推理阶段，对分割结果进行后处理，剔除干扰器官内的高代谢伪病灶区域。同时统计正常器官的代谢值阈值，动态过滤超出正常生理范围的异常值，精准区分肿瘤病理性高代谢与器官生理性高代谢。该后处理方案无需重新训练主模型，即插即用，落地成本极低，可快速降低模型误分割率。

第四个核心优化：训练策略精细化调优，适配PET/CT数据特性。原生nnUNet的默认超参适配通用医学影像，针对PET/CT数据存在训练收敛慢、过拟合风险高的问题。首先优化数据增强策略，摒弃剧烈随机变换，采用适配3D医学影像的温和增强：随机翻转、轻微旋转、高斯模糊，避免形变破坏人体解剖结构与代谢特征对应关系。禁用随机裁剪、大幅度缩放等激进增强，防止模态特征错位。

正则化策略优化：适当提升权重衰减系数，抑制模型过拟合；开启Dropout随机失活，弱化冗余特征依赖。学习率策略调整为warmup+余弦退火，前10轮缓慢预热学习率，避免初期梯度震荡，中期稳步下降，后期精细微调，保证模型收敛至最优参数。同时采用早停机制，监控验证集Dice指标，防止过拟合，保存最优模型权重。

最后进行消融实验验证优化效果，基线原生nnUNet在测试集Dice为0.812，小病灶召回率58%，假阳性率12.3%；添加模态权重模块后Dice提升至0.854；叠加小病灶增强策略后小病灶召回率提升至83%；最终融合噪声过滤与训练优化后，整体Dice达到0.891，假阳性率降至4.1%，各项指标均实现大幅提升。

本次优化全程基于原生nnUNet框架改造，无复杂模块堆叠，轻量化、易部署、可复用，适配绝大多数PET/CT肿瘤分割落地场景。核心思路不依赖复杂SOTA模型，而是针对业务数据特性做针对性优化，这也是工业级算法落地的核心逻辑：好用、稳定、高效远胜于理论指标最优。