1. 课程导入与3D医学影像工程全景
3D医学影像工程的核心，是把体数据从“能看见”推进到“能判断、能定位、能分类、能复核”。在二维阅片中，医生逐层浏览切片并在脑中重建空间关系；而在3D医学影像工程中，我们让算法直接面对体素网格，输出病灶的立体位置、范围、类别以及置信度。理解这一转变，是进入本课程的第一把钥匙。
检测与分类：任务边界先分清
在医学影像AI中，检测回答“有没有、在哪里、有多大”，分类回答“是什么、属于哪一类、恶性概率多高”。两者常被混用，但工程实现差异很大。
- 3D检测：输入为体数据（如CT的DICOM序列），输出为三维边界框或病灶中心点坐标，典型指标是召回率、FROC、每例假阳性数。例如肺结节检测中，输出格式常为
(x, y, z, w, h, d)加置信度。 - 3D分类：输入为整个体积或检测裁剪出的ROI立方块，输出类别标签或概率，典型指标是AUC、准确率、敏感度/特异度。例如将肺结节分为良性、恶性、炎性三类。
- 检测+分类级联：先检测候选病灶，再对每个候选做分类，是临床中最常见的工程组合。
边界不清会直接导致工程错误：把分类模型当检测用，模型只会说“这张CT有结节”，却给不出位置；把检测模型当分类用，则无法回答“这个结节是良性还是恶性”。因此，本课程后续每个任务都会先明确输出空间与评价指标。
典型模态：CT、MRI、PET的工程差异
三种模态在3D工程中的处理方式不同，不能套用同一套预处理和网络配置。
| 模态 | 物理含义 | 典型体素间距 | 工程要点 |
|---|---|---|---|
| CT | X射线衰减系数（HU） | 0.6–1.0 mm 层内，1–5 mm 层厚 | 需做HU窗宽窗位归一化，肺窗/纵隔窗影响检测灵敏度 |
| MRI | 质子密度、T1/T2弛豫 | 0.5–1.0 mm 各向同性较常见 | 多序列配准、强度不均匀校正，无固定HU标准 |
| PET | 放射性示踪剂摄取（SUV） | 3–5 mm，分辨率低 | 常与CT融合，关注SUVmax阈值与代谢体积 |
以肺结节为例：CT上结节与血管的HU差异明显，检测模型可依赖灰度对比；MRI上同样大小的病灶可能因序列不同而信号反转，必须做多通道输入；PET上小结节受部分容积效应影响，SUV会被低估，检测阈值需相应调整。这些差异决定了预处理、增强策略和评价方式的选择。
临床价值：从辅助阅片到量化随访
3D医学影像工程的临床价值主要体现在三方面：效率——自动检出大量切片中的可疑病灶，减少漏诊；量化——给出体积、直径、SUVmax等可追踪指标，支持疗效评估；一致性——同一患者多次随访用同一算法测量，减少人工测量波动。例如肺结节随访中，体积倍增时间（VDT）是判断良恶性的重要依据，算法可稳定计算两次CT的结节体积变化。
工程流程：从DICOM到临床报告
一个完整的3D医学影像工程链路通常包含以下环节，每个环节都有明确的输入输出和常见陷阱。
- 数据接入：读取DICOM序列，解析像素数据、层厚、像素间距、方向矩阵。常见问题：层厚不均、缺失切片、方向标记错误。
- 预处理：重采样到各向同性（如1×1×1 mm³）、强度归一化、裁剪或填充到固定尺寸（如128×128×128）。CT常用肺窗[-1000, 400] HU截断后归一化到[0,1]。
- 标注与划分：由放射科医生勾画病灶边界或标注类别，按患者划分训练/验证/测试集，避免同一患者数据泄漏。
- 模型构建：检测常用3D U-Net、V-Net、3D RPN；分类常用3D ResNet、DenseNet或ViT 3D变体。
- 训练与调优：损失函数检测用Focal Loss + 回归损失，分类用交叉熵；数据增强包括随机旋转、缩放、弹性形变、MixUp。
- 评估与部署：在独立测试集上计算指标，导出ONNX/TensorRT，集成到PACS或阅片工作站。
以肺结节检测为例，一个可运行的训练配置示例：输入128×128×128，体素间距1 mm，batch size 4，初始学习率1e-4，Adam优化器，训练200 epoch，每20 epoch衰减0.5。这些参数属于教学示例，实际需根据显存和数据量调整。
# 示例：3D检测数据加载核心参数（教学示例）
patch_size = (128, 128, 128)
spacing = (1.0, 1.0, 1.0)
hu_window = (-1000, 400)
batch_size = 4
lr = 1e-4
epochs = 200
学习路线：本课程如何展开
课程按“数据—检测—分类—评估—部署”推进。先掌握DICOM解析与预处理，再实现3D检测网络并理解FROC评价，随后进入分类与多任务学习，最后完成模型压缩与临床集成。每一章都会给出可复现的代码片段、参数配置和结果判读方法。