开源项目：vesselFM

https://github.com/bwittmann/vesselFM

conda create -n vesselfm python=3.9 -y # 加-y自动确认 

conda activate vesselfm

cd F:\bzyy\python\vesselFM\vesselFM-main\vesselFM-main

pip install -e .

pip install -e . --force-reinstall -v   （重装）

# 5. 验证模块是否被识别 

python -c "import vesselfm; print('模块导入成功')"

【设置分割文件路径】

打开 vesselfm/seg/configs/inference.yaml，找到标注#TODO的部分，修改关键参数：

• 输入数据路径：指定你要分割的 3D 血管数据（如 NIfTI、HDF5 格式）；
• 输出路径：设置分割结果的保存位置；
• 模型参数（可选）：如输入分辨率、批次大小（batch size）、GPU 设备号等。

权重下载地址：
https://hf-mirror.com/bwittmann/vesselFM/tree/main

【运行推理脚本】  

python vesselfm/seg/inference.py

如果你的电脑有 NVIDIA GPU，但 PyTorch 是 CPU 版本，需重新安装 CUDA 版本的 PyTorch：

# 卸载现有PyTorch

pip uninstall torch torchvision torchaudio -y

# 安装适配CUDA 11.8的PyTorch（根据你的CUDA版本调整）

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

我的老显卡：NVIDIA GeForce GTX 1650，居然装了cu118，让GPU跑起来了。

inference.yaml关键参数调整解释

（1）batch_size 从 16→1

• 原理解释：batch_size=16 意味着同时在 GPU 上处理 16 个 128×128×128 的 3D patch，单 patch 仅数据本身就占约 0.2GB（float32），16 个就是 3.2GB，再加上模型参数（约 1GB），直接超 4GB 显存；
• 调整后：batch_size=1 仅同时处理 1 个 patch，数据显存占用仅 0.0125GB（64×64×64），大幅释放显存。

（2）patch_size 从 [128,128,128]→[64,64,64]

• 原理解释：3D patch 的显存占用与体积成正比（体积 = 长 × 宽 × 高），128³=2097152，64³=262144，体积是原来的 1/8，显存占用也同步降至 1/8；
• 精度说明：64×64×64 是 3D 血管分割的常用小窗口，结合 0.25 的重叠率，分割精度几乎无损失（重叠区会融合结果）。

（3）overlap 从 0.5→0.25

• 原理解释：重叠率 0.5 意味着每个 patch 有一半区域和相邻 patch 重复计算，会额外占用约 50% 的显存；
• 调整后：0.25 的重叠率既能保证分割结果的连续性，又能减少重复计算的显存开销，是 4GB GPU 的最优平衡。

最后生成这么个玩意。