医学影像的深度学习项目，和常见的自然图像分类不是一回事。CT、MRI、X光片往往分辨率高、信噪比低、样本量少，而且判别结果要能对得上临床场景。这门课围绕 PyTorch，把医学影像的端到端判别做成一条完整链路，从张量操作一直到项目收尾和面试复盘。如果你已经有深度学习的基础，缺的是一次完整的项目落地经验，它的匹配度会比较高。

它解决的是哪个工作场景

课上处理的不是"跑通一个 demo"的问题，而是把影像数据喂进网络、拿到可用于判别的输出这一整段流程。具体会涉及影像的读取与预处理、数据增强在医学场景下的取舍、模型前向与反向的实现、损失与评估指标的对应关系。对做医疗 AI 方向的人来说，这正是从"会调库"过渡到"能独立负责一个判别模块"的关键一段。

如果你在影像科、医疗器械公司或相关算法岗，需要把一份影像数据集变成一个能出结果的模型，这门课的场景和你日常的活儿高度重叠。

学完能独立做什么

  • 独立完成一份医学影像数据到模型输出的端到端流程搭建，包括数据侧的处理和网络侧的接入。
  • 用张量层面的操作排查问题，而不是只会改现成脚本的参数。
  • 判断模型输出的判别结果是否可靠，知道该看哪些指标、哪些环节容易出问题。
  • 把项目整理成可以讲清楚的技术叙述，应对面试里对项目细节的追问。

需要说明的是，课程的重点在"判别"这一类任务，不是分割、检测或生成。如果你的目标是影像分割，这门课只能作为基础参照，不能替代专门的分割课程。

资料适合什么基础

课程从 PyTorch 的张量讲起，包括张量的获取、存储、基本操作、命名，以及把张量放到 GPU 上运算和底层的实现逻辑。这部分内容的密度不低，但它是后面所有实战的地基。判断标准可以这样看：

  • 如果你已经能熟练写 PyTorch 训练循环，张量部分可以快速过，重点看医学影像侧的处理和项目环节。
  • 如果你只是跑过别人的代码、对张量维度和设备搬运还含糊，这一块值得逐节跟做。
  • 完全没有深度学习经验、也没接触过 Python 和 PyTorch 的人，直接上手会比较吃力，建议先补一轮基础。

有医学影像背景、又想做深度学习的人，其实是这门课最舒服的受众——影像侧的直觉你能自己补上，缺的是工程实现，而这恰好是课程覆盖的部分。

怎么用这份资料效率更高

建议不要按顺序从头看到尾。先翻到项目实战部分，看一遍端到端流程长什么样，心里有个目标；再回到张量基础，把实现过程中卡住的地方补上。张量相关的配套资料可以当作速查，不必逐字读完。项目环节最好拿自己的数据集替换着做一遍，哪怕只有几十张图，跑通一遍比看十遍视频有用。

最后一部分涉及课程总结和面试问题，建议在做完项目之后再回看，那时候你对细节的敏感度不一样，能听出更多东西。整体来看，这是一门偏实战、需要动手配合的资料，只看不练的话，收益会打不少折扣。

课程目录

📁 11-课程总结与面试问题 11-课程总结与面试问题说明.zip
 [1.8 MB] 11-2 课程中的神经网络回顾@.mp4
 [29.8 MB] 11-4 面试过程中可能遇到的问题-.mp4
 [57.4 MB] 11-3 模型优化方法回顾@.mp4
 [23.1 MB] 11-1 肿瘤检测系统架构回顾.mp4
 [31.8 MB] 11-5 持续学习的几个建议@.mp4
 [46.8 MB] 📁 4-PyTorch基础知识必备-张量 4-PyTorch基础知识必备-张量资料.zip
 [1.8 MB] 4-3 张量的获取与存储（二）.mp4
 [34.4 MB] 4-4 张量的基本操作（一）.mp4
 [19.0 MB] 4-5 张量的基本操作（二）@.mp4
 [35.9 MB] 4-8 把张量传递到GPU中进行运算@.mp4
 [9.5 MB] 4-7 张量的命名@.mp4
 [19.8 MB] 4-10 张量的底层实现逻辑（二）@.mp4
 [25.6 MB] 4-1 什么是张量.mp4
 [24.2 MB] 4-9 张量的底层实现逻辑（一）@.mp4
 [38.6 MB] 4-6 张量中的元素类型@.mp4
 [15.8 MB] 4-2 张量的获取与存储（一）@.mp4
 [35.8 MB] 📁 1-课程导学 1-课程导学文档.zip
 [1.8 MB] 1-1 课程导学-.mp4
 [52.8 MB] 1-2 深度学习如何影响生活@.mp4
 [22.9 MB] 1-3 常用深度学习框架-.mp4
 [21.3 MB] 📁 5-PyTorch如何处理真实数据 5-PyTorch如何处理真实数据说明.png [493.5 KB] 5-1 普通二维图像的加载（一）@.mp4
 [22.1 MB] 5-7 自然语言文本数据加载-.mp4
 [33.8 MB] 5-5 有时间序列的表格数据加载@.mp4
 [36.5 MB] 5-3 3D图像的加载-.mp4
 [32.2 MB] 5-4 普通表格数据加载@.mp4
 [33.0 MB] 5-8 本章小结@.mp4
 [5.4 MB] 5-2 普通二维图像的加载（二）@.mp4
 [22.8 MB] 5-6 连续值、序列值、分类值的处理.mp4
 [27.0 MB] 📁 2-课程内容整体规划 2-4 使用预训练的GAN网络把马变成斑马-.mp4
 [43.2 MB] 2-2 使用预训练的ResNet网络给图片分类（一）.mp4
 [38.9 MB] 2-3 使用预训练的ResNet网络给图片分类（二）@.mp4
 [29.6 MB] 2-1 环境安装与配置-.mp4
 [29.8 MB] 📁 7-使用神经网络区分小鸟和飞机图像 7-使用神经网络区分小鸟和飞机图像资料.zip
 [1.8 MB] 7-18 优化方案之数据正则化-normalization（二）.mp4
 [34.0 MB] 7-1 CIFAR-10数据集介绍.mp4
 [16.1 MB] 7-8 借助PyTorch搭建卷积网络模型@.mp4
 [33.9 MB] 7-16 优化方案之增加模型宽度-width.mp4
 [19.4 MB] 7-2 为数据集实现Dataset类.mp4
 [19.5 MB] 7-9 卷积中的数据填充方法padding@.mp4
 [10.4 MB] 7-14 训练好的模型如何存储.mp4
 [4.0 MB] 7-17 优化方案之数据正则化-normalization（一）-.mp4
 [26.2 MB] 7-3 为模型准备训练集和验证集@.mp4
 [24.4 MB] 7-11 借助下采样压缩数据-.mp4
 [15.7 MB] 7-13 训练我们的分类模型@.mp4
 [21.7 MB] 7-5 分类模型常用损失之交叉熵损失.mp4
 [12.3 MB] 7-20 优化方案之增加模型深度-depth-.mp4
 [30.5 MB] 7-10 使用卷积提取图像中的特定特征@.mp4
 [17.6 MB] 7-15 该用GPU训练我们的模型.mp4
 [20.6 MB] 7-6 全连接网络实现图像分类@.mp4
 [59.6 MB] 7-19 优化方案之数据正则化-normalization（三）@.mp4
 [16.4 MB] 7-4 借助softmax方法给出分类结果@.mp4
 [15.1 MB] 7-7 对全连接网络的改进之卷积网络-.mp4
 [22.9 MB] 7-21 本章小结.mp4
 [8.0 MB] 7-12 借助PyTorch搭建卷积网络@.mp4
 [19.3 MB] 📁 9-项目实战二：模型训练与优化 9-22 Adam优化器和Dice损失@.mp4
 [20.7 MB] 9-26 本章小结-.mp4
 [18.3 MB] 9-1 第一个模型：结节分类-.mp4
 [24.2 MB] 9-4 编写数据加载器部分-.mp4
 [16.4 MB] 9-12 实现F1Score计算逻辑@.mp4
 [17.7 MB] 9-9 尝试训练第一个模型@.mp4
 [69.4 MB] 9-11 新的模型评估指标：F1score.mp4
 [30.7 MB] 9-24 模型存储、图像存储代码介绍@.mp4
 [19.1 MB] 9-15 数据增强的代码实现@.mp4
 [46.1 MB] 9-18 U-Net模型介绍-.mp4
 [46.2 MB] 9-2 定义模型训练框架@.mp4
 [37.7 MB] 9-10 借助TensorBoard绘制指标曲线@.mp4
 [41.0 MB] 9-7 定义损失计算和训练验证环节（二）.mp4
 [22.1 MB] 9-16 第二个模型：结节分割-.mp4
 [25.4 MB] 9-21 构建训练Dataset和使用GPU进行数据增强@.mp4
 [25.5 MB] 9-19 为图像分割进行数据预处理@.mp4
 [54.9 MB] 9-5 实现模型的核心部分.mp4
 [43.8 MB] 9-23 构建训练流程@.mp4
 [41.4 MB] 9-25 分割模型训练及在TensorBoard中查看结果-.mp4
 [55.4 MB] 9-3 初始化都包含什么内容-.mp4
 [20.9 MB] 9-14 数据重复采样的代码实现@.mp4
 [37.4 MB] 9-6 定义损失计算和训练验证环节（一）@.mp4
 [38.5 MB] 9-8 在日志中保存重要信息-.mp4
 [45.8 MB] 9-13 数据优化方法.mp4
 [25.3 MB] 9-17 图像分割的几种类型.mp4
 [23.9 MB] 9-20 为图像分割构建Dataset类-.mp4
 [54.2 MB] 📁 10-项目实战三：实现端到端的模型预测 10-2 新的评价指标：AUC-ROC曲线@.mp4
 [82.1 MB] 10-3 使用finetune方法构建肿瘤恶性判断模型@.mp4
 [68.5 MB] 10-5 使用合适的框架把模型部署上线（一）-.mp4
 [33.6 MB] 10-7 本章小结@.mp4
 [11.3 MB] 10-1 连接分割模型和分类模型@.mp4
 [61.0 MB] 10-4 完整的实现端到端肺部肿瘤检测@.mp4
 [50.4 MB] 10-6 使用合适的框架把模型部署上线（二）@.mp4
 [39.2 MB] 📁 6-神经网络理念解决温度计转换 6-3 神经网络重要概念-损失.mp4
 [20.9 MB] 6-6 神经网络重要概念-学习率.mp4
 [41.9 MB] 6-7 神经网络重要概念-归一化@.mp4
 [54.4 MB] 6-5 神经网络重要概念-梯度.mp4
 [37.0 MB] 6-10 使用PyTorch提供的优化器@.mp4
 [31.4 MB] 6-12 用PyTorch的nn模块搭建神经网络.mp4
 [18.2 MB] 6-13 构建批量训练方法@.mp4
 [29.0 MB] 6-1 常规模型训练的过程@.mp4
 [18.5 MB] 6-14 使用神经网络解决温度计示数转换问题.mp4
 [45.6 MB] 6-8 使用超参数优化我们的模型效果@.mp4
 [26.4 MB] 6-9 使用PyTorch自动计算梯度@.mp4
 [36.5 MB] 6-4 PyTorch中的广播机制.mp4
 [38.2 MB] 6-11 神经网络重要概念-激活函数.mp4
 [36.7 MB] 6-2 温度计示数转换.mp4
 [17.9 MB] 📁 8-项目实战一：理解业务与数据 8-3 制定一个解决方案.mp4
 [18.9 MB] 8-2 CT数据是什么样子.mp4
 [17.8 MB] 8-1 肺部癌症检测的项目简介@.mp4
 [28.8 MB] 8-12 CT数据可视化实现（二）.mp4
 [38.0 MB] 8-11 CT数据可视化实现（一）-.mp4
 [24.4 MB] 8-10 分割训练集和验证集.mp4
 [19.8 MB] 8-13 CT数据可视化实现（三）@.mp4
 [28.9 MB] 8-4 下载项目中的数据集-.mp4
 [22.0 MB] 8-6 加载标注数据@.mp4
 [37.2 MB] 8-14 本章小结@.mp4
 [5.4 MB] 8-8 数据坐标系的转换.mp4
 [44.9 MB] 8-7 加载CT影像数据@.mp4
 [15.6 MB] 8-5 原始数据是长什么样子的@.mp4
 [23.7 MB] 8-9 编写Dataset方法.mp4
 [23.2 MB] 📁 3-PyTorch项目热身实践 3-2 工业级数据挖掘流程（二）.mp4
 [35.4 MB] 3-1 工业级数据挖掘流程（一）.mp4
 [55.5 MB] 3-4 课程实战项目简介-.mp4
 [15.1 MB] 3-3 课程重难点技能分布.mp4
 [11.4 MB] 适合人群 深度学习爱好者 医学影像从业者 算法工程师 学习收获 掌握PyTorch框架 熟悉医学影像处理 完成端到端项目实战 祝您学习愉快！ 学有所成，前程似锦！