如果你搜过医学影像方向的深度学习课程，大概率见过两种极端：一种是纯讲论文和公式，听完还是不知道怎么处理一份 DICOM 数据；另一种是号称"实战"，结果只是把公开数据集跑个分类 demo，换一批自己的片子就卡住。这门课的位置在两者之间——它用 PyTorch 把一个医学影像判别任务从数据读取一直做到模型推理，重点落在"端到端跑通"和"工程环节不跳过"上。
它解决的是哪类工作场景
医学影像判别在真实工作里很少是"给一张图判断有病没病"这么干净。你面对的是：影像格式不统一（DICOM、NIfTI、普通图片混着来）、标注样本少、正负样本极度不均衡、单张片子尺寸大到不能直接塞进网络。这门课处理的就是这些环节——数据怎么读进来、怎么切 patch 或做缩放、怎么组织 DataLoader、怎么在训练中监控指标而不是只看 loss。
换句话说，它对应的是医院信息科、医疗 AI 公司、影像设备厂商里那种"给我一批标注数据，两周内出一个能跑通并给出评估报告的基线模型"的任务。这类任务不需要你发明新网络结构，但要求你清楚每一环为什么这么做。
学完之后能独立做什么
- 拿到一批医学影像数据，自己写 Dataset 和预处理流程，不依赖别人整理好的干净数据集；
- 用 PyTorch 搭出一个可训练的判别模型，完成训练、验证、保存和加载；
- 针对样本不均衡、过拟合等常见问题做基础调整，而不是只会调学习率；
- 把训练好的模型跑成推理脚本，对单张或一批新影像输出判别结果；
- 整理出可供汇报的评估指标，而不是只丢一个 accuracy。
需要说清楚的是：这不是一门教你发论文的课，也不覆盖分割、检测、配准等其他医学影像任务。它聚焦在"判别"这一个方向上做深，学完你不会因此成为医学影像算法专家，但能独立承担一个判别类项目的基线搭建。
资料适合什么基础的人
课程从 PyTorch 张量讲起，包括张量的获取与存储、基本操作、命名、以及把张量放到 GPU 上运算。这部分对零基础的人是必要的补课，对已经用过 PyTorch 的人则可以快速跳过，直接进入后面的数据与模型部分。
前提条件有两块：一是 Python 要能写，至少看得懂类和函数；二是对深度学习的基本概念（卷积、反向传播、损失函数）不陌生——课程不会从头解释这些，默认你有过一点神经网络的学习经历。如果你完全没接触过深度学习，建议先补一轮基础再来看，否则中间会断。
另外，医学影像的背景知识不是硬门槛，但有一点会轻松很多：知道 DICOM 是什么、了解窗宽窗位、明白影像的灰度范围意味着什么。课程里涉及这些时不会展开讲原理，只讲怎么在代码里处理。
怎么用这套资料
建议按两条线走。第一条是代码线：跟着把每个环节的代码亲手敲一遍，尤其是数据读取和 Dataset 部分，这部分最容易"看会了写不出"。第二条是问题线：每学完一个模块，问自己"如果换一批数据，这里会出什么问题"，比如图像尺寸变了、通道数变了、标签格式变了，代码要改哪里。
最后一章是课程总结和面试问题，这部分不要当复习提纲草草翻过。它列出的问题大多是面试里真会问到的工程细节，比如数据不均衡怎么处理、验证集怎么划分、模型推理时显存不够怎么办。把这些问题的答案用自己的项目经验组织一遍，比背概念有用。
如果你正打算转行做医疗 AI，或者手上已经有一个医学影像判别任务要落地，这门课值得花时间。如果你只是想泛泛了解深度学习，或者目标是分割、检测方向，那它不是最合适的选择。
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 医学影像分析人员 人工智能工程师 学习收获 掌握PyTorch框架 实现医学影像判别 提升深度学习应用能力 祝您学习愉快！ 学有所成，前程似锦！
