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 0 人浏览发布 2026-09-14 更新 2026-09-14

医学影像分割是那种"看目录觉得都会、一上手就卡在数据格式上"的方向。这门课的价值不在于它讲了 U-Net——U-Net 的结构网上随便搜都有——而在于它把一条完整的链路摊开了：从 DICOM/NIfTI 这类真实医学数据怎么读进来，到特征怎么提，到分割模型怎么训，再到训练完的模型怎么变成一个别人能点开用的网页。这条链路里每一步都有独立的坑，而课程恰好把这几段拼在了一起。

先看数据层：SimpleITK 这段别跳

大多数图像分割教程用 PNG 或 JPG 开场，但真实医学影像不是这么存的。CT、MRI 数据带着空间信息、体素间距、方向矩阵，直接当普通图片读会丢掉关键的几何属性，后面配准、重采样、mask 对齐全部出问题。课程把 SimpleITK 放在开头，方向是对的。

这部分值得精看的不是安装步骤，而是读取之后对数据本身的处理：如何理解图像的方向与原点，如何把不同来源的影像和标注统一到同一坐标空间。如果你之前只做过自然图像的分割任务，这里的思维转换是必须的——医学影像里"一个像素多大"是有物理意义的，不是一个可以忽略的元数据。建议边看边拿一份公开的医学影像数据集实操，光看不动手，这段很容易滑过去。

影像组学与特征提取：容易被低估的一段

课程在 SimpleITK 之后接的是特征提取和影像组学实现。这一块在深度学习语境下经常被当成"传统方法"而略过，但它其实是理解医学影像任务的捷径。形状特征、纹理特征、灰度统计这些描述子，能让你直观感受到病灶区域到底"长什么样"，而不是把一切交给黑盒卷积。

更实际的用处是：当你的分割模型效果不理想时，从手工特征角度回看数据，往往比盲目调网络更快定位问题——是标注本身有噪声，还是目标区域对比度太低，或者是数据分布不均衡。这段建议作为对比视角来看，不必追求全部实现，但要理解每一类特征在描述什么。

Django 部署：把模型变成能用的东西

课程中间插了一整段 Django 部署内容，乍看和分割关系不大，其实是这门课区分于纯算法课的地方。它用图像分类、人脸识别、文本分类这类相对简单的任务做铺垫，把"模型推理服务怎么搭起来"这件事先讲透：请求怎么进来、预处理在哪一步做、结果怎么返回给前端。

这段的看点是工程侧的处理思路，而不是 Django 语法本身。如果你的目标是让分割模型真的跑在某个系统里，而不是只停在一个 notebook 里输出几张对比图，那这几节的信息密度比看起来高。可以先快速过一遍，等做完第三部分再回头细看部署细节，理解会深一层。

U-Net 眼底血管分割：全课的重心

眼底血管分割是个很典型的目标——结构细、分支多、对比度不稳定，细血管容易断，这是这个任务长期存在的难点，也是检验分割模型细节处理能力的合适场景。课程用 U-Net 在眼底血管数据上走了一遍完整训练流程，最后再把这个分割模型接到前面讲的 Django 部署里。

建议把重心放在这几件事上：数据增强对细结构的影响、损失函数的选择理由（血管分割里正负样本极度不均衡，普通的交叉熵会偏袒背景）、以及预测结果的后处理。这三点比网络结构本身更决定最终效果。训练完成后接部署，你会第一次完整走通"从影像到可用服务"的循环。

资料包怎么拆

数据处理与 SimpleITK 相关的内容单独抽出来，当作工具手册，以后遇到任何医学影像任务都能回来查。
特征提取部分作为参考实现存档，不必强求现在跑通，但保留代码便于日后对比。
部署相关内容统一归到一处，Django 的配置、路由、预处理逻辑是通用资产，换个模型也能复用。
眼底血管分割的完整案例作为主线材料，建议自己重跑一遍并改参数观察变化，这是全课最值得投入时间的部分。

整体判断：这门课不是那种章节之间互相独立的拼盘，它的顺序是有讲究的——数据、特征、部署、分割、再部署，环环相扣。真正吃透的关键在于别把它当视频刷，而是跟着眼底血管这个案例把数据到服务的链路自己走一遍。

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