1. 课程导入与3D Slicer工程定位

医学影像处理工程的核心任务，是把CT、MRI、PET、超声等断层序列，转化为可测量、可分割、可三维重建、可导航、可复现的工程化数据对象。它不只是“看图”，而是围绕影像数据完成一整套可验证的处理链：读取与配准、体素与灰度理解、分割与标注、三维表面或体数据重建、测量与定量分析、可视化与报告输出，最终服务于术前规划、术中导航、放疗计划、植入物设计、生物力学仿真和科研统计。3D Slicer正是这条链路上被广泛使用的开源平台，它把DICOM读取、体数据渲染、分割、配准、路径规划、扩展模块和Python脚本统一在一个桌面环境中，使临床医生、工程师和研究者可以在同一套数据上协作。

从工程定位看，3D Slicer不是单一功能的“建模软件”，而是一个可扩展的医学影像工作站。它的底层以VTK、ITK、Qt和Python为核心，上层通过模块（Module）组织功能。常见模块包括DICOM浏览器、Volumes、Models、Segment Editor、Markups、Registration、Transforms、Scene Views、Screen Capture等。对课程而言，理解“数据对象—模块—场景”的关系比记住按钮位置更重要：一个患者影像进入Slicer后，会形成Volume节点、Segmentation节点、Model节点、Transform节点和Markup节点，它们共同构成一个可保存的MRML场景。工程化处理的关键，就是让这些节点之间的依赖关系清晰、可追溯、可复现。

在临床与科研工作流中，3D Slicer通常承担三类角色。第一类是“数据入口与质控站”：读取DICOM，检查层厚、间距、方向、窗宽窗位和序列完整性，避免后续分割建立在错误几何上。第二类是“分割与三维重建工作台”：用阈值、区域生长、水平集、AI辅助分割等方法提取器官、病灶、血管或骨结构，再生成表面模型或标签图。第三类是“规划与验证平台”：在三维视图中放置标记点、测量角度距离、设计穿刺路径、配准术前与术中影像，并把结果导出为STL、OBJ、NRRD、NIfTI或DICOM-SEG等格式，供打印、导航或仿真使用。

本课程的整体路线按“数据—分割—重建—配准—规划—输出—复现”展开，但不会把每一节都写成线性步骤。前段先建立坐标系、体素、灰度、DICOM标签和场景节点等基础概念；中段进入分割、表面重建、测量与配准；后段进入路径规划、影像组学、Python批处理和工程化交付。实战项目会围绕一个可公开获取或自行构造的示例数据集展开，例如头部CT或腹部MRI。示例参数只作为教学假设，例如层厚1.0 mm、像素间距0.7 mm×0.7 mm、重建核B30f、窗宽400 HU、窗位40 HU；这些数值用于说明处理逻辑，不代表任何真实患者的实测结果。

为了让读者一开始就看清Slicer在工程链中的位置，下面用一张信号与数据流关系图表示从原始DICOM到可交付成果的路径。图中同时标出质控点、关键节点和常见输出格式，便于后续章节反复对照。

从这张图可以看到，Slicer工程不是“打开影像—点几下—导出”这么简单。真正决定结果可用性的，是每一步的数据对象是否被正确建立、几何信息是否被保留、节点之间的依赖是否可追溯。例如，在分割之前若没有检查方向矩阵，后续生成的STL模型可能在空间上翻转；在配准之前若没有统一坐标系，测量出的距离和角度就失去意义。因此，本课程会把“质控”和“可复现”贯穿始终，而不是只教按钮操作。

课程实战项目将采用一个完整的示例任务：从一组头部CT开始，完成颅骨与脑室分割、三维表面重建、关键解剖标记点放置、术前穿刺路径设计，并导出STL与DICOM-SEG。过程中会使用Segment Editor中的阈值和区域生长，使用Markups放置路径起点与靶点，使用Transforms检查配准关系，最后用Python脚本批量保存场景和输出文件。示例数据与参数均为教学假设，读者可以用自己的合规数据替换，但处理逻辑和检查点保持一致。