在医学图像分割（如 u-net 训练）中，图像与对应掩码必须接受**严格一致的随机几何变换**（如旋转、翻转），否则标签错位将导致模型学习失败；本文提供基于 `torchvision.transforms.v2` 的可靠解决方案。
在使用 PyTorch 进行语义分割或实例分割任务（例如训练 U-Net 模型）时，一个常见却极易被忽视的关键点是：图像（image）和其对应的分割掩码（mask）必须共享完全相同的随机变换参数。例如，若某次迭代中图像被随机旋转了 23.7° 并水平翻转，掩码也必须执行完全相同的操作——而非各自独立采样新参数。而你当前代码中的问题正在于此：
if self.transform is not None:
image = self.transform(image) # ← 独立采样一次 RandomRotation 参数
mass_mask = self.transform(mass_mask) # ← 再次独立采样！参数很可能不同
torchvision.transforms.v2（推荐用于新项目）中，每个 Transform 实例在每次调用时都会重新生成随机参数（如 RandomRotation.degrees 是从 [-35, 35] 中独立采样），因此两次调用 self.transform(…) 本质是两次不相关的随机过程，导致图像与掩码形变失配。
✅ 正确解法：将图像与掩码沿通道维度拼接后统一变换，再切分还原。这保证了二者经历的是同一组随机参数。
✅ 推荐实现（适配 torchvision.transforms.v2）
修改你的 __getitem__ 方法如下：
