一、医学图像基础概念
1. 核心定义
医学图像处理：对CT、MRI、B超、X光、PET、病理切片等医学影像做预处理、分割、配准、重建、特征提取、智能诊断的技术，是AI医疗、计算机视觉落地核心方向。
2. 常见医学影像模态及特点
1. X光（X-ray）
- 二维透射成像、灰度图；骨骼对比度高，软组织弱
- 用途：胸片、骨折、牙科拍片
2. CT 计算机断层扫描
- 断层切片、HU亨氏单位量化密度；空间分辨率高
- 用途：肺部结节、肿瘤、脏器结构、骨骼病变
3. MRI 核磁共振
- 软组织分辨率极高，无辐射；多序列（T1、T2、FLAIR）
- 用途：脑部、脊髓、软组织、肿瘤浸润
4. B超/超声
- 实时动态、无辐射、低成本；噪声大、边缘模糊
- 用途：妇产、心脏、腹部脏器
5. PET/SPECT
- 功能成像，反映代谢活性；常与CT/MRI融合
- 用途：肿瘤分期、转移灶检测
6. 病理切片
- 显微彩色图像；细胞、组织级微观分析
- 用途：癌症病理分级、细胞检测
二、医学图像关键参数
1. 像素/体素
- 2D：像素；3D影像（CT/MRI）：体素Voxel
2. 空间分辨率：单位距离像素数，越小细节越清晰
3. 灰度动态范围：医学图像多为12bit/16bit，远超普通8bit图片
4. 窗宽窗位（CT核心）
- 窗位：中心HU值；窗宽：显示HU范围
- 作用：突出骨骼、肺、软组织等不同组织
5. 模态维度
- 2D：X光、单张病理
- 2.5D：切片序列
- 3D：CT/MRI容积数据
三、医学图像数据格式
1. DICOM 标准格式
- 医学影像通用标准格式，医院设备标配
- 包含：图像像素 + 患者信息、设备参数、层厚、窗宽窗位、序列信息
- 常用工具：pydicom（Python）、SimpleITK、3D Slicer
2. 常用衍生格式
- NIfTI：医疗AI最常用， .nii/.nii.gz ，适合3D容积处理
- PNG/JPG：普通2D切片可视化
- TIFF：病理超大切片（Whole Slide Image, WSI）
四、医学图像处理核心任务
1. 图像预处理（必做）
- 去噪：高斯滤波、中值滤波、非局部均值滤波（医学首选）
- 灰度归一化、窗宽窗位调节
- 尺寸归一化、重采样、插值
- 对比度增强：CLAHE、直方图均衡化
2. 图像分割
最核心任务：把器官、病灶从背景分离
- 传统方法：阈值分割、区域生长、分水岭、边缘检测
- AI方法：U-Net、3D U-Net、Attention U-Net、TransUNet
- 应用：肺结节分割、肝脏分割、脑肿瘤分割、血管分割
3. 图像配准
将不同时间、不同模态图像对齐
- 分类：刚性配准、非刚性配准
- 用途：术前术后对比、CT-MRI融合、病灶跟踪
4. 图像重建
- 2D切片重建3D容积
- 曲面重建、最大密度投影MIP、容积渲染VR
5. 特征提取与定量分析
- 纹理特征：灰度共生矩阵GLCM、小波特征
- 形态特征：面积、体积、直径、钙化程度
- 放射组学（Radiomics）：人工特征建模预测病情
6. 智能分类与检测
- 病灶检测：肺结节、眼底病变、骨折检测
- 图像分类：是否患病、良恶性判断
五、医学图像特点与难点
1. 噪声大：超声、低剂量CT噪声明显
2. 灰度不均匀：MRI偏场效应
3. 边界模糊：脏器粘连、病灶边缘不清晰
4. 数据稀缺：标注成本极高、隐私敏感
5. 类别不平衡：病灶样本远少于正常样本
6. 模态差异大：CT看密度、MRI看软组织、成像原理完全不同
六、常用工具与开源库
Python算法库
- pydicom：读取DICOM
- SimpleITK：医学图像处理、配准、分割
- nibabel：读写NIfTI
- OpenCV：基础预处理
- MONAI：专门医疗AI深度学习库（基于PyTorch）
可视化软件
- 3D Slicer：免费开源3D医学影像查看、标注
- ITK-SNAP：器官分割标注
- 麻省理工LabelMe：2D标注
七、医学AI常用网络基础
1. 分割基线：U-Net 及其变种（医疗图像标配）
2. 3D任务：3D U-Net、VNet
3. Transformer架构：TransUNet、Swin-UNet
4. 检测模型：YOLO、Faster R-CNN 适配医学影像
八、典型应用场景
- 肺部CT：结节检测、肺癌筛查
- 脑部MRI：脑肿瘤、脑卒中分割
- 眼底影像：糖尿病视网膜病变、青光眼
- 病理切片：癌细胞检测、组织分级
- 超声：甲状腺、乳腺结节良恶性判断
公众号转载的文章出于非商业性的教育和科研目的供大家参考和探讨，并不意味着支持其观点或证实其内容的真实性。版权归原作者所有，如转载稿涉及版权等问题，请立即联系我们删除。
