- 博客(30)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 《医学影像处理技术与实现：从入门到精通》(更新版，带链接)
第 1 章 医学影像处理概述 第 2 章 数字图像处理基础 第 3 章 数学与算法基础 第 4 章 医学影像预处理 第 5 章 医学影像分割技术 第 6 章 医学影像重建与配准 第 7 章 医学影像特征提取与分析 第 8 章 各模态影像处理实战 第 9 章 医学影像项目实战 第 10 章 医学影像伦理与安全 第 11 章 深度学习前沿技术 第 12 章 医学影像与临床结合 第 13 章 挑战与未来趋势
2026-11-05 14:33:33
117
原创 第 1 章 医学影像处理概述
本章按"历史—价值—模态—流程—工具"五条线索展开：1回顾医学影像从胶片到 AI 的四次范式跃迁，并梳理其在诊断、治疗规划、多学科协作与健康管理中的核心作用；2 系统介绍 X 射线、CT、MRI、超声、PET 五大模态的成像原理、临床定位与数据处理难点，并给出横向对比；3 建立"采集 → 预处理 → 分割 → 配准 → 特征 → 决策"的完整处理链条，指出医学影像与自然图像的本质差异；4 介绍 DICOM/NIfTI 数据标准、PACS 数据流转与 Python 工具链；5 本书结构与学习路线。
2026-10-30 15:38:46
410
原创 第 13 章 挑战与未来趋势
这个领域最稀缺的不是会写 U-Net 的人，也不是会读片的人，而是能在两者之间无损翻译的人——听得懂"窗宽窗位"背后的临床意图，也讲得清"Dice 与 Hausdorff"对放疗计划的实际影响。本书的全部设计（概念必落场景、代码必可运行、指标必问临床意义）都是在训练这种双语能力。
2026-10-30 12:24:36
372
原创 第 12 章 医学影像与临床结合
本章展示三条通往临床的路径，分别对应三种不同的临床价值形态——影像组学与精准医疗：影像不再只是"诊断工具"，而是与基因组学、临床数据融合的预后与治疗决策依据——从"看见肿瘤"到"预测它会对哪种治疗敏感"；实时影像导航与手术规划：影像从术前走向术中，毫秒级的配准与渲染让"透视眼"成为外科医生的现实；移动端与边缘计算：让 AI 诊断走出三甲医院的服务器机房，进入基层、急诊车与野外——模型压缩与离线部署的工程艺术。
2026-10-29 17:09:40
613
原创 第 11 章 深度学习前沿技术
第 5、9 章的 U-Net 与分类网络解决了"有充足标注"场景的问题，但医学影像的现实恰恰相反：数据多、标注少；体数据大、显存小；中心间分布差异大、数据又不可共享。本章的三个前沿方向正是对这些（痛点）约束——三维医学影像处理、自监督与弱监督学习和生成模型与迁移学习。
2026-10-29 10:38:50
226
原创 第 10 章 医学影像伦理与安全
本章按三条主线展开：数据隐私保护（10.1）讲解 HIPAA/GDPR/中国法规的要求与去标识化、差分隐私的技术实现；算法可靠性与临床验证（10.2）覆盖对抗鲁棒性测试、临床试验设计规范与多中心验证；伦理挑战（10.3）讨论算法偏见、可解释性信任与责任界定。本章是全书从"技术"走向"落地"的桥梁——一个不能通过本章检验的系统，技术指标再高也不应进入临床。
2026-10-27 14:59:42
308
原创 第 9 章 医学影像项目实战
本章首先建立医学影像项目的工程方法论（9.1：数据集获取、标注规范、项目管理），然后通过两个端到端案例完整走通从数据到交付的全过程——胸部 CT 肺炎检测系统（9.2，分类 + 定位任务）与病理 WSI 辅助诊断（9.3，弱监督 + Transformer 任务）。
2026-10-26 16:46:29
436
原创 第 8 章 各模态影像处理实战
本章按模态组织三个完整的实战 pipeline：CT（8.1：肺结节检测量化 + 骨骼三维重建）、MRI（8.2：脑皮层分割体积计算 + DTI 纤维束追踪）、超声与病理（8.3：斑点噪声抑制与器官分割 + 细胞核检测与组织分型）。每个 pipeline 都按"临床问题 → 数据理解 → 处理流程 → 代码实现 → 质控要点"的统一结构展开，读者可以直接以此为基础搭建自己的系统。
2026-10-26 11:40:37
261
原创 第 7 章 医学影像特征提取与分析
本章导读分割回答了"病灶在哪里"，但临床医生更关心的是"它有多大、是什么形状、内部纹理如何、恶性可能性多高"。本章完成从"图像"到"数字"的跨越：形态学分析（7.1）把分割掩码转化为体积、形状等几何量；纹理与影像组学分析（7.2）从像素灰度的空间排列中挖掘人眼无法感知的定量信息；计算机辅助诊断（7.3）则把这些特征组织成完整的决策系统。
2026-10-22 17:00:41
334
原创 第 6 章 医学影像重建与配准
本章导读前面章节处理的图像都是"已经存在"的——但 CT、MRI、PET 的原始数据并不是图像，而是投影值、k-space 采样点、光子符合计数。重建（Reconstruction） 是从原始测量数据反演出图像的过程，是医学影像的"出生环节"；配准（Registration） 则是把不同时间、不同模态、不同患者的图像对齐到同一空间，是"让影像之间可比较"的关键环节。没有好的重建，一切下游处理都是空中楼阁；没有好的配准，多模态融合与纵向随访就无从谈起。
2026-10-22 09:24:56
304
原创 DTI处理软件——PANDA的使用教程
DTI（Diffusion Tensor Imaging），即弥散张量成像，是MRI的一种特殊形式。如果说核磁共振成像是追踪水分子中的氢原子，那么弥散张量成像便是依据水分子移动方向制图。DTI是目前惟一能够有效观察和追踪脑白质纤维束的非侵入性检查方法，能以三维的形式显示活体脑白质纤维束，能够立体、直观的显示纤维束的走形变化，从而实现对人的神经纤维精细成像。
2026-10-20 17:21:39
245
原创 第 5 章 医学影像分割技术
本章导读分割（Segmentation）是医学影像处理中最核心的任务——它回答"病灶在哪里、器官边界在哪"这一临床根本问题。准确的器官分割是放疗计划的前提，精确的肿瘤分割是疗效评估的基础，细胞核分割是病理诊断量化的第一步。可以说，本书后续章节的配准、重建、影像组学、CAD，几乎都以分割为前置步骤或最终目标。
2026-10-20 15:04:16
371
原创 第 4 章 医学影像预处理
本章导读在医学影像项目中，有一句广为流传的话：“数据预处理决定了模型性能的下限，算法决定了上限”。深度学习研究者经常发现：同样的网络结构，仅因预处理流程的差异，Dice 系数可以相差 10 个百分点以上。预处理不是"锦上添花"的前奏，而是整个 pipeline 中最容易出错、最影响结果的环节。本章围绕医学影像预处理的四大核心任务展开：格式处理、标准化与归一化、去噪和增强。全章以"工程实现"为主线，每个知识点都配套可直接运行的代码，并强调临床场景中的陷阱与最佳实践。
2026-10-16 16:27:27
336
原创 第 3 章 数学与算法基础
本章要回答的是"为什么可以这样操作，以及更复杂的算法建立在什么数学地基之上"。医学影像处理的每一个核心任务——重建、分割、配准、分类、生成——背后都有明确的数学支撑：几何变换是线性代数里的矩阵乘法，去噪是概率意义上的估计问题，重建与网络训练是最优化问题。本章不追求数学上的完备证明，而是以"够用、能用、知道用在哪"为目标，帮助读者建立三块基石：线性代数与概率论（3.1）、最优化方法（3.2）、常用编程工具与库（3.3）。
2026-10-12 17:08:29
367
原创 第 2 章 数字图像处理基础
医学影像本质上是一种特殊的数字图像——它记录的不只是可见光下的形态，而是人体内部组织对不同物理信号（X 射线、射频脉冲、声波、γ 光子等）的响应。要对其进行有效处理，必须先建立扎实的数字图像处理基础。 本章沿"**如何表示 → 如何变换 → 如何评价**"三条主线展开：2.1 节建立图像的数学表示；2.2 节讲解基本操作；2.3 节进入频域，介绍傅里叶变换与小波变换；2.4 节转向"形状"，系统讲解形态学图像处理——它是分割后处理与病灶增强的日常工具；2.5 节介绍“如何评价处理结果”。
2026-10-12 11:37:50
311
原创 医学影像处理概述
1.1 医学影像的发展与价值1.1.1 医学影像技术的演进医学影像技术的发展就像一部“看清人体内部”的科技进化史，从最初的模糊轮廓到如今的精准“透视”，每一步都在刷新医生对人体的认知。1895年，德国物理学家伦琴发现X射线，能穿透人体并在胶片上留下骨骼的影子 —— 这是人类第一次“看见”身体内部的结构（比如骨折的骨头）。当时的X射线只能拍摄黑白影像，主要显示骨骼，肌肉、器官等软组织几乎看不清，而且辐射剂量较高。一句话：X射线率先出现，第一次看到了骨头的样子。
2026-10-09 17:04:26
153
原创 球囊导管的结构组成与工作原理
球囊导管的本质是 **“以微创方式，将可控的机械扩张力精准传递到体内病变部位”**，通过球囊的 “膨胀 - 收缩” 循环，实现管腔狭窄的撑开、病变组织的塑形或临时封堵，同时可结合药物、刀片等附加功能，提升治疗效果。其技术关键在于 “精准定位（导丝引导 + 影像辅助）”“压力可控（避免组织损伤）” 和 “材料适配（兼顾柔韧性与扩张强度）”，是现代介入医学中最基础、最核心的器械之一。
2025-10-11 21:00:00
2434
原创 医学影像处理技术与实现：从入门到精通
第 1 章 医学影像处理概述1.1 医学影像的发展与价值医学影像技术的演进医学影像在临床诊断、治疗规划中的核心作用1.2 医学影像的分类与特点常见成像模态：CT、MRI、超声、PET、X 光、病理切片等不同模态的成像原理、分辨率、临床应用场景对比1.3 医学影像处理的关键任务预处理、分割、重建、配准、增强、量化分析、计算机辅助诊断（CAD）第 2 章 数字图像处理基础2.1 图像的数学表示像素、灰度值、色彩空间（RGB、HSV、Lab）图像矩阵、分辨率、位深度、DICOM 格式解析。
2025-07-02 09:21:54
1094
原创 运行MMSegmentation遇到“RuntimeError: CUDA error: an illegal memory access was encountered”
出现这个问题的原因很可能是因为mask没有处理好。解决方案是：检查mask的像素值是否存在类别之外的值，如果存在的话，分析存在的原因，并给出解决办法。例如，以我遇到的为例，只需要设置一个阈值，令小于阈值的像素为0，大于阈值的像素为1即可。这样处理后，数据量再多也没再报错。
2024-01-09 15:25:53
1019
1
原创 Win10+PyCharm利用MMSegmentation训练自己的数据集
在mmseg/datasets中新建一个以自己的数据集命名的py文件，例如，我新建了一个名为cag.py的文件。"""@Title: 创建一个自己的数据集"""'.png'."""# 类别和对应的RGB配色classes=('background', 'vessel'), # 类别标签名称palette=[[0, 0, 0], [255, 255, 255]]) # 类别标签上色的RGB颜色# 指定图像扩展名，标注扩展名。
2023-09-18 20:00:00
2186
1
原创 Win10系统下MMSegmentation的环境配置
更新conda至最新版 conda update -n base -c defaults conda。官方指导中给的是“使用MIM 安装MMCV”，而安装这种方式安装后运行代码时往往报错。删除虚拟环境 conda remove --name xxx(虚拟环境的名称)6. 安装mmcv （！重要，与官网教程中的不同！2. 创建一个虚拟环境（这样不会影响其它已安装的环境）5. 安装pytorch和cuda。7. 安装scipy等其它所需的库。4. 先配置下载源，只需配置一次。运行软件：PyCharm。
2023-09-07 17:27:52
731
原创 一款容易上手的数据增强库Albumentations
github.comAlbumentations是一个基于OpenCV的数据增强库，支持多种计算机视觉任务，如分类、语义分割、实例分割、目标检测和位姿识别。提供一个简单统一的api接口，适用于所有数据类型：图像（RBG图像、灰度图像、多光谱图像），分割mask，边界框和关键点。大概有70多种不同的图像增强方法，相比torch自带的，这个库函数有更多的图像预处理方法。最大特点：快！在相同的预处理下，albumentations的速度最快。
2023-04-20 17:55:48
2812
原创 conda虚拟环境下sklearn库安装避雷
sklearn库是在Numpy、Scipy和matplotlib的基础上开发而成的，因此在安装sklearn库之前先安装这些依赖库。
2022-09-08 17:08:04
2549
原创 新购电脑已装显卡，但控制面板里找不到“NVIDIA 控制面板”怎么办？
新购电脑，在电脑属性——设备管理器中能查看到显卡，但是控制面板里找不到“NVIDIA 控制面板”选项 或 在桌面空白处右击找不到“NVIDIA 控制面板”选项。
2022-07-05 09:47:23
27682
原创 ‘nvidia-smi‘ 不是内部或外部命令，也不是可运行的程序或批处理文件
'nvidia-smi' 不是内部或外部命令，也不是可运行的程序或批处理文件
2022-05-20 13:38:29
17199
11
原创 Windows10系统下CUDA和cuDNN安装教程
安装之前，先简单了解一下CUDA和cuDNN：CUDA (ComputeUnified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如谷歌的Tensorflow、加州大学伯克利分校的流行caffe软件。简单的插入式设计可以让开
2022-05-20 13:31:32
29134
14
原创 图像分割之水平集（1）
图像分割是图像处理技术中的一项关键技术，被广泛应用于医学影像处理、计算机视觉等多个领域。图像分割的目的是将图像中所代表不同特征的区域划分为互不相交的区域，从而获得目标的位置及轮廓特征。因此，图像分割是特征提取的基础和前提，图像分割的效果直接影响后续操作。本文主要简洁介绍众多图割算法中的一种——基于水平集的分割算法。1、水平集的简介 基于几何变形模型的水平集方法最早
2015-05-11 20:27:38
9224
DRLSE距离正则化水平集演化算法的MATLAB代码
2015-05-13
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人