这门课解决什么问题：把深度学习模型塞进真实的医学影像流程

很多做深度学习的上班族，自己跑通图像分类、目标检测后，会发现换个垂直领域就卡壳。医学影像就是典型：数据格式不是常见的 JPG 或 PNG，而是 DICOM、NIfTI 这类序列文件；模型输出的分割掩膜还要和原配准对齐、做三维重建，最后还要给非技术人员一个能点开看结果的网页。这套资料解决的就是这个断层。它不跟你空谈算法理论，而是直接从读取序列文件开始，带你把医学图像的加载、预处理、分割模型推理，一路串到用 Django 部署成一个能交互的网页案例。如果你做的是医疗信息化、科研辅助，或者正想往医疗 AI 方向转，这正好补上你最缺的工程落地那一环。

适合什么基础，建议先看哪几块

这套资料不适合零基础。你得已经会写基本的 Python，跑通过一两个 PyTorch 或 TensorFlow 的视觉模型，知道卷积、分割大概是怎么回事。如果你连虚拟环境都没配过，前面虚拟机那一节虽然讲了，但整体节奏还是会偏快。拿到资料后，建议先看 SimpleITK 读取医学图像数据和序列文件这两节，把 DICOM 序列怎么读、元数据怎么拿弄明白，这是后面所有处理的地基。接着跳到文件转换和基本信息获取，确认自己能独立把原始医学数据转成模型能吃的数组格式。最后再对着 Django 部署那一块，把训练好的分割模型包成一个能接收上传图片、返回分割结果的服务。

学完能独立做什么，资料怎么配合练习

学完之后，你应该能独立写一个脚本：拿到一份陌生的医学影像序列，读出它的空间信息，做必要的预处理，送进分割模型，把输出的掩膜叠回原图并可视化，再把这个流程封装成 Web 接口。练习时不要只看视频，一定要拿资料里的示例数据自己跑一遍。先在本地把 SimpleITK 的环境配好，手动跑通读取和转换，确认每一步打印出来的矩阵维度和元数据对得上。做 Django 部署时，别急着抄代码，先在本地用 Postman 或浏览器测一下接口能不能正常返回预测结果，再去管前端页面展示。这套资料的价值在于把碎片化的工程步骤串起来了，你只要跟着把每个环节的手感练出来，遇到自己公司的私有数据格式，也能照着这套思路去拆解。


快速掌握医学图像处理的基本流程和核心应用，并基于Django部署图像分割案例

课程目录

*   00 资料/

  *   05 readme.txt (0.00 MB)

*   01 医学图像处理软件SimpleITK/

  *   01 虚拟机软件的介绍和使用.mp4 (15.16 MB), 05:54

  *   02 SimpleITK读取医学图像数据.mp4 (45.65 MB), 13:35

  *   03 Windows下安装SimpleITK.mp4 (16.96 MB), 05:03

  *   04 SimpleITK读取序列文件.mp4 (14.71 MB), 04:28

  *   05 SimpleITK文件的转换.mp4 (22.04 MB), 06:01

  *   06 获取图像的基本信息.mp4 (19.95 MB), 04:34

  *   07 SimpleITK获取元数据.mp4 (23.80 MB), 07:02

  *   08 SimpleITK创建不同类型的图像.mp4 (25.61 MB), 07:11

  *   09 图形类型的转换.mp4 (31.43 MB), 09:37

  *   10 医学图像的显示.mp4 (26.67 MB), 08:14

  *   11 医学的图像的翻转和显示.mp4 (24.21 MB), 07:27

  *   12 医学图像数据的调整与显示.mp4 (20.31 MB), 04:12

  *   13 医学图像的特征检测.mp4 (95.00 MB), 15:53

*   02 医学影像特征提取/

  *   01 医学影像数据介绍.mp4 (42.81 MB), 10:49

  *   02 创建新的标签.mp4 (28.46 MB), 10:18

  *   03 处理nii的文件.mp4 (52.31 MB), 11:43

  *   04 医学图像的特征抽取.mp4 (42.99 MB), 13:08

  *   05 读取处理后的数据HGG和LGG.mp4 (66.65 MB), 13:07

  *   06 特征选取的过程.mp4 (69.29 MB), 12:30

  *   07 模型的训练和评价及保存.mp4 (36.40 MB), 10:45

  *   08 加载训练后的模型完成预测.mp4 (24.71 MB), 06:19

*   03 基于OpenCV的人脸检测/

  *   01 程序的运行方法.mp4 (34.43 MB), 05:41

  *   02 基于Django项目的综合案例.mp4 (33.33 MB), 10:14

  *   03 Django工程和子应用的搭建.mp4 (39.46 MB), 12:08

  *   04 Django项目的静态资源和启动.mp4 (34.60 MB), 09:08

  *   05 人脸识别页面的跳转.mp4 (17.09 MB), 06:14

  *   06 人脸识别页面的搭建和图片上传的get请求.mp4 (26.86 MB), 08:19

  *   07 图片上传类型错误处理.mp4 (18.67 MB), 06:06

  *   08 图片上传的实现步骤.mp4 (33.03 MB), 09:11

  *   09 图片上传的实现过程.mp4 (30.91 MB), 09:20

  *   10 人脸检测函数的实现.mp4 (61.75 MB), 17:13

  *   11 上传图片完成人脸检测.mp4 (18.62 MB), 04:57

*   04 基于Django框架的文本分类/

  *   01 文本分类页面搭建.mp4 (23.14 MB), 06:03

  *   02 文本分类的视图函数.mp4 (21.37 MB), 06:18

  *   03 图像分类页面的搭建.mp4 (35.44 MB), 08:36

  *   04 文本分类的预测函数实现过程.mp4 (25.83 MB), 08:39

*   05 基于SVM算法的图像分类/

  *   01 机器学习图像分类的图片上传.mp4 (37.98 MB), 06:43

  *   02 加载svm模型完成图片预测.mp4 (22.93 MB), 07:20

  *   03 图像分类视图控制函数.mp4 (41.74 MB), 11:18

  *   04 模型的训练过程介绍.mp4 (41.29 MB), 07:25

  *   05 文本分类模型的训练过程.mp4 (52.60 MB), 10:37

*   06 图像分割基础介绍/

  *   01 图像分割的基本概念.mp4 (55.40 MB), 12:15

  *   02 Unet模型的介绍.mp4 (59.70 MB), 14:25

  *   03 使用虚拟环境安装TensorFlow.mp4 (16.48 MB), 05:09

  *   04 数据集的预处理过程.mp4 (30.42 MB), 06:05

  *   05 数据处理成张量的形式.mp4 (39.77 MB), 10:27

  *   06 预测过程数据的预处理.mp4 (45.51 MB), 10:18

  *   07 加载模型完成预测.mp4 (18.48 MB), 04:33

  *   08 Unet模型的训练.mp4 (56.99 MB), 09:25

*   07 基于Django框架部署图像分割模型/

  *   01 Django搭建图像分割的页面.mp4 (42.47 MB), 13:36

  *   02 Django实现图像分割的图片上传.mp4 (33.78 MB), 10:10

  *   03 Django实现图像分割的视图函数.mp4 (13.67 MB), 05:19

  *   04 图像分割预测函数编写.mp4 (37.45 MB), 15:18

  *   05 分割模型的前向计算和结果保存.mp4 (21.43 MB), 07:34

  *   06 图像分割的图片回显.mp4 (51.57 MB), 14:05

  *   07 虚拟数字人的运行过程.mp4 (75.24 MB), 17:18