在医学图像分割（如 u-net 训练）中，必须保证图像和对应掩码经历完全一致的几何变换（如旋转、翻转），否则会导致标签错位；本文提供基于 `torchvision.transforms.v2` 的可靠同步增强方案，并详解原理与实现细节。
在使用 PyTorch 进行语义分割任务（如乳腺肿块分割）时，一个常见但极易被忽视的关键问题是：图像（image）和掩码（mask）必须共享完全相同的随机变换参数。你当前的代码中分别对 image 和 mass_mask 调用 self.transform()，看似合理，实则存在根本性缺陷——RandomRotation、RandomHorizontalFlip 等随机变换每次调用都会独立采样新参数（例如不同的旋转角度或是否翻转），导致图像与掩码空间错位，严重破坏监督信号。
✅ 正确做法是：将图像与掩码“绑定”为单个张量，一次性完成变换，再解耦。核心思想是沿通道维度（dim=0）拼接二者，使变换操作作用于同一输入，从而天然保证几何一致性。
以下是推荐的修复方案（适配 torchvision.transforms.v2）：
