深度学习项目课：医学影像与图像分割

算法数学

课程简介

已有 1 人浏览发布 2026-09-14 更新 2026-09-29

这门课的主题落在两条线的交叉处：一条是医学影像的读取、特征与分割建模，一条是把训练好的模型通过 Web 服务真正跑起来。它不是一个只讲模型结构的理论课，也不是只教框架 API 的操作手册，而是把「医学图像数据怎么进 → 特征怎么提 → 分割模型怎么训 → 结果怎么部署成接口」这条链路串起来。对需要拿源码对照实践的开发者来说，价值主要在于可以看到每个环节的代码组织方式和工程取舍。

技术栈构成与数据入口

医学影像和普通 RGB 图像最大的差别在数据格式。CT、MRI 这类数据往往是三维体数据，带有体素间距、方向矩阵、原点坐标等空间信息，直接用 OpenCV 或 PIL 读取会丢掉这些元信息。课程第一部分围绕 SimpleITK 展开，从安装到读取，重点在于理解医学图像的坐标体系：像素间距（spacing）、方向（direction）、原点（origin）如何共同决定一个体素在物理空间中的位置。这一层如果理解错，后续的配准、裁剪、重采样都会出问题。SimpleITK 的 Image 对象与 NumPy 数组之间的转换、GetArrayFromImage 与 GetImageFromArray 的方向保持，是这一部分需要动手验证的关键点，单看讲解容易忽略坐标系翻转带来的隐患。

影像组学与特征提取

影像组学（Radiomics）是一条相对独立的工程路线：不直接端到端训练深度网络，而是先手工定义并提取大量定量特征，再交给传统机器学习分类器。课程覆盖了特征提取的方法与影像组学的实现过程，涉及形状特征、一阶灰度统计特征、纹理特征（如 GLCM、GLRLM 这类）的提取思路。这部分代码的可复用性较高，特征提取器一旦写好，换个数据集、换套标签就能复用。需要注意的工程细节包括：ROI 掩膜与图像的对齐、灰度离散化 bin 宽度的选择、以及特征归一化对后续分类器的影响。这些在真实项目里比模型结构更影响最终指标。

从训练到部署：Django 作为服务层

第二部分把 Django 引入进来，用人脸识别、文本分类、图像分类几个任务演示机器学习应用的部署。这里的重点不是 Django 本身的 Web 开发，而是模型推理如何嵌进请求-响应周期：模型在什么时候加载、放在进程内还是单独服务、请求进来后如何做预处理和结果封装。对图像分割这种输出为掩膜的任务，还要考虑返回形式——是返回可视化叠加图，还是返回掩膜本身供前端继续处理。把这些决策落在代码里，是这一部分区别于「只跑通 notebook」的地方。

Unet 与眼底血管分割综合案例

第三部分先讲图像分割的基础与分类（语义分割、实例分割等的区别与适用场景），然后落到一个完整案例：基于眼底血管的 Unet 分割。眼底血管分割是医学图像分割里的经典任务，血管细、对比度低、类别极不平衡，正好能暴露分割项目里的典型问题——损失函数如何选（交叉熵与 Dice 类损失的组合）、数据增强怎么做、评价指标为什么不能只看准确率。Unet 的编码器-解码器加跳跃连接结构在这里不是背下来的图，而是要和实际的前景/背景比例、输入尺寸、上采样方式对应起来看。案例最后再接回 Django 完成部署，形成从数据到服务的闭环。

怎么用这份资料自学

先把 SimpleITK 的读取与坐标变换单独跑通，用一份公开的医学影像数据集验证体素间距和方向是否被正确保留，这是后面所有步骤的地基。
影像组学部分建议自己换一组 ROI 重新提一遍特征，观察哪些特征对标签更敏感，理解特征工程在这类任务里的上限和局限。
Unet 案例不要只跑默认配置，尝试改动损失函数权重、输入尺寸和增强策略，记录指标变化，建立对超参的直觉。
部署环节重点看模型加载时机与请求处理流程，尝试把推理部分抽成独立接口，理解 Web 服务与模型推理解耦的工程意义。
把每个模块的代码当作可拆分的组件来读，而不是按视频顺序线性看完，遇到能复用的封装就单独整理出来。

整体来看，这份资料的定位是工程对照材料：它给出了一条从医学影像数据到分割模型再到 Web 服务的具体实现路径，适合边看边改、边跑边调，而不是被动浏览。真正吃透它，靠的是把每个环节的代码拆开、替换、重跑一遍，在改动中理解为什么这样设计。

本课程第一部分首先介绍了医学图像处理软件SimpleITK安装和使用，包括SimpleITK读取医学图像数据的方法等。其次介绍了关于图像特征提取的方法和医学影像组实现的过程。第二部分的内容讲述了关于使用Django框架部署机器学习的应用，包括人脸识别、文本分类和图像分类等。第三部分介绍图像分割的基础内容和分类，并使用Unet模型训练了基于眼底血管的图像分割综合案例，最后使用Django框架部署图像分割的案例。

课程推荐

《深度学习项目课：医学影像与图像分割》本课程第一部分首先介绍了医学图像处理软件SimpleITK安装和使用，包括SimpleITK读取医学图像数据的方法等。其次介绍了关于图像特征提取的方法和医学影像组实现的过程。第二部分的内容讲述了关于使用Django框架部署机器学习的应用，包括人脸识别、文本分类和图像分类等。第三部分介绍图像分割的基础内容和分类，并使用Unet模型训练了基于眼底血管的图像分割综合案例，最后使用Django框架部署图像分割的案例。【技能收获】学完可掌握：核心实战技能、项目驱动学习。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而非仅会使用 API。若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。

视频目录（56 节）

* 1 虚拟机软件的介绍和使用.mp4

* 2 SimpleITK读取医学图像数据.mp4

* 3 Windows下安装SimpleITK.mp4

* 4 SimpleITK读取序列文件.mp4

* 5 SimpleITK文件的转换.mp4

* 6 获取图像的基本信息.mp4

* 7 SimpleITK获取元数据.mp4

* 8 SimpleITK创建不同类型的图像.mp4

* 9 图形类型的转换.mp4

* 10 医学图像的显示.mp4

* 11 医学的图像的翻转和显示.mp4

* 12 医学图像数据的调整与显示.mp4

* 13 医学图像的特征检测.mp4

* 14 医学影像数据介绍.mp4

* 15 创建新的标签.mp4

* 16 处理nii的文件.mp4

* 17 医学图像的特征抽取.mp4

* 18 读取处理后的数据HGG和LGG.mp4

* 19 特征选取的过程.mp4

* 20 模型的训练和评价及保存.mp4

* 21 加载训练后的模型完成预测.mp4

* 22 程序的运行方法.mp4

* 23 基于Django项目的综合案例.mp4

* 24 Django工程和子应用的搭建.mp4

* 25 Django项目的静态资源和启动.mp4

* 26 人脸识别页面的跳转.mp4

* 27 人脸识别页面的搭建和图片上传的get请求.mp4

* 28 图片上传类型错误处理.mp4

* 29 图片上传的实现步骤.mp4

* 30 图片上传的实现过程.mp4

* 31 人脸检测函数的实现.mp4

* 32 上传图片完成人脸检测.mp4

* 33 文本分类页面搭建.mp4

* 34 文本分类的视图函数.mp4

* 35 图像分类页面的搭建.mp4

* 36 文本分类的预测函数实现过程.mp4

* 37 机器学习图像分类的图片上传.mp4

* 38 加载svm模型完成图片预测.mp4

* 39 图像分类视图控制函数.mp4

* 40 模型的训练过程介绍.mp4

* 41 文本分类模型的训练过程.mp4

* 42 图像分割的基本概念.mp4

* 43 Unet模型的介绍.mp4

* 44 使用虚拟环境安装TensorFlow.mp4

* 45 数据集的预处理过程.mp4

* 46 数据处理成张量的形式.mp4

* 47 预测过程数据的预处理.mp4

* 48 加载模型完成预测.mp4

* 49 Unet模型的训练.mp4

* 50 Django搭建图像分割的页面.mp4

* 51 Django实现图像分割的图片上传.mp4

* 52 Django实现图像分割的视图函数.mp4

* 53 图像分割预测函数编写.mp4

* 54 分割模型的前向计算和结果保存.mp4

* 55 图像分割的图片回显.mp4

* 56 虚拟数字人的运行过程.mp4