# 用 PyTorch 打通医学影像 AI 的完整链路

在医疗信息化与影像 AI 落地的过程中，很多开发者卡在“从数据到模型”的中间环节：会调包、能跑通 demo，但面对真实医学影像数据时，却缺乏端到端的工程思维——不知道如何设计数据增强策略、如何平衡正负样本、如何部署推理服务、如何评估临床可用的指标。这门课正是为填补这一空白而设计。它不聚焦于某个孤立算法，而是围绕一个完整的医学影像判别项目，带你走通从原始数据清洗、特征工程、模型搭建、训练调优到最终评估部署的全流程。核心解决的问题是：如何把“能跑”的代码，变成“可靠”的系统。

适合有 Python 基础、熟悉 PyTorch 基本用法（如张量操作、自动求导、定义模型类）的学习者。如果你刚学过卷积神经网络原理，但没做过完整项目；或是在做医疗 AI 方向，但一直靠拼凑博客代码、缺乏系统工程经验，这门课能提供结构化路径。不建议零基础者直接入坑，因为课程默认你已掌握 PyTorch 的核心 API，重点在于项目整合与细节处理，而非语法教学。

建议优先观看“数据预处理与增强策略”和“模型架构设计与损失函数选择”两个模块。前者决定了你的训练是否稳定，后者直接决定判别能力。医学影像常存在类别不平衡、噪声高、尺寸不一等问题，课程会展示如何针对性设计 pipeline，而非泛泛使用 ImageNet 风格增强。学完这部分后，再进入“训练监控与超参调优”环节，理解如何用学习率调度、早停机制、梯度归一化等手段提升收敛质量。最后务必完整跟做“评估与部署”部分，课程会给出临床场景下常用的混淆矩阵、ROC-AUC、F1 分数解读方法，并演示如何将模型封装为轻量级推理服务。

学完并能独立完成什么？你可以为一个具体的医学影像分类任务（如肺部 CT 结节检测、皮肤病变判别），自主完成从数据加载到模型上线的全链路开发，包括合理的数据划分策略、可复现的训练脚本、清晰的评估报告，以及基础的部署方案。这不是“再跑一个 tutorial”，而是具备接手真实项目需求的能力。

资料使用建议：课程配套的数据集（脱敏或合成数据）务必在本地完整复现一遍，不要只看不练。每一章节结束后，暂停视频，手动敲代码验证每一步输出。特别是数据增强模块，尝试改变参数观察训练曲线变化，理解为什么某些增强策略对医学影像有效、哪些反而引入噪声。模型部分，不要只复现课程默认架构，尝试替换为更轻量的卷积块或加入注意力机制，观察精度与推理速度的权衡。课程强调“端到端”，意味着你需关注各环节衔接：数据格式是否兼容、张量维度是否一致、评估指标是否与训练目标对齐。这些细节在独立项目中极易踩坑，而课程通过完整项目暴露它们，比碎片化教程更有价值。

最后提醒：医学影像 AI 涉及合规与伦理边界，课程侧重技术实现，实际工作中需结合医疗法规、数据隐私政策。这门课给你的不是“万能工具”，而是一套可迁移的工程方法论——在掌握基础后，你能将同样的思路迁移到其他垂直领域的判别任务上。

mksz612-PyTorch深度学习开发医学影像端到端判别项目【完结】

本课程隶属 会员库 · MK实战课（一部分是老课） / 课程盒子6-mksz600至699，完整课程目录与配套资料如下。

课程目录

1/
1-1课程导学2249_ev.mp4
1-2深度学习如何影响生活1333_ev.mp4
1-3常用深度学习框架1738_ev.mp4
10/
10-1连接分割模型和分类模型3005_ev.mp4
10-2新的评价指标AUC-ROC曲线3716_ev.mp4
10-3使用finetune方法构建肿瘤恶性判断模型2908_ev.mp4
10-4完整的实现端到端肺部肿瘤检测1731_ev.mp4
10-5使用合适的框架把模型部署上线一1446_ev.mp4
10-6使用合适的框架把模型部署上线二1206_ev.mp4
10-7本章小结0833_ev.mp4
11/
11-1肿瘤检测系统架构回顾1512_ev.mp4
11-2课程中的神经网络回顾1327_ev.mp4
11-3模型优化方法回顾1020_ev.mp4
11-4面试过程中可能遇到的问题2209_ev.mp4
11-5持续学习的几个建议2748_ev.mp4
2/
2-1环境安装与配置1319_ev.mp4
2-2使用预训练的ResNet网络给图片分类一1610_ev.mp4
2-3使用预训练的ResNet网络给图片分类二0845_ev.mp4
2-4使用预训练的GAN网络把马变成斑马1716_ev.mp4
3/
3-1工业级数据挖掘流程一2359_ev.mp4
3-2工业级数据挖掘流程二2130_ev.mp4
3-3课程重难点技能分布0515_ev.mp4
3-4课程实战项目简介0700_ev.mp4
4/
4-10张量的底层实现逻辑二1335_ev.mp4
4-1什么是张量1407_ev.mp4
4-2张量的获取与存储一1635_ev.mp4
4-3张量的获取与存储二1540_ev.mp4
4-4张量的基本操作一0830_ev.mp4
4-5张量的基本操作二1604_ev.mp4
4-6张量中的元素类型0656_ev.mp4
4-7张量的命名0832_ev.mp4
4-8把张量传递到GPU中进行运算0607_ev.mp4
4-9张量的底层实现逻辑一1942_ev.mp4
5/
5-1普通二维图像的加载一0751_ev.mp4
5-2普通二维图像的加载二1259_ev.mp4
5-33D图像的加载1230_ev.mp4
5-4普通表格数据加载1453_ev.mp4
5-5有时间序列的表格数据加载1650_ev.mp4
5-6连续值序列值分类值的处理1345_ev.mp4
5-7自然语言文本数据加载1945_ev.mp4
5-8本章小结0504_ev.mp4
6/
6-10使用PyTorch提供的优化器1532_ev.mp4
6-11神经网络重要概念-激活函数1550_ev.mp4
6-12用PyTorch的nn模块搭建神经网络1537_ev.mp4
6-13构建批量训练方法1453_ev.mp4
6-14使用神经网络解决温度计示数转换问题2123_ev.mp4
6-1常规模型训练的过程1104_ev.mp4
6-2温度计示数转换1140_ev.mp4
6-3神经网络重要概念-损失1240_ev.mp4
6-4PyTorch中的广播机制1646_ev.mp4
6-5神经网络重要概念-梯度1811_ev.mp4
6-6神经网络重要概念-学习率1947_ev.mp4
6-7神经网络重要概念-归一化2620_ev.mp4
6-8使用超参数优化我们的模型效果1136_ev.mp4
6-9使用PyTorch自动计算梯度1556_ev.mp4
7/
7-10使用卷积提取图像中的特定特征0800_ev.mp4
7-11借助下采样压缩数据0753_ev.mp4
7-12借助PyTorch搭建卷积网络1012_ev.mp4
7-13训练我们的分类模型1005_ev.mp4
7-14训练好的模型如何存储0147_ev.mp4
7-15该用GPU训练我们的模型0859_ev.mp4
7-16优化方案之增加模型宽度-width0855_ev.mp4
7-17优化方案之数据正则化-normalization一1338_ev.mp4
7-18优化方案之数据正则化-normalization二1655_ev.mp4
7-19优化方案之数据正则化-normalization三0856_ev.mp4
7-1CIFAR-10数据集介绍0804_ev.mp4
7-20优化方案之增加模型深度-depth0641_ev.mp4
7-21本章小结0605_ev.mp4
7-2为数据集实现Dataset类0842_ev.mp4
7-3为模型准备训练集和验证集1100_ev.mp4
7-4借助softmax方法给出分类结果1057_ev.mp4
7-5分类模型常用损失之交叉熵损失0738_ev.mp4
7-6全连接网络实现图像分类2553_ev.mp4
7-7对全连接网络的改进之卷积网络1349_ev.mp4
7-8借助PyTorch搭建卷积网络模型1539_ev.mp4
7-9卷积中的数据填充方法padding0431_ev.mp4
8/
8-10分割训练集和验证集0927_ev.mp4
8-11CT数据可视化实现一1643_ev.mp4
8-12CT数据可视化实现二1513_ev.mp4
8-13CT数据可视化实现三0943_ev.mp4
8-14本章小结0455_ev.mp4
8-1肺部癌症检测的项目简介1338_ev.mp4
8-2CT数据是什么样子0722_ev.mp4
8-3制定一个解决方案0840_ev.mp4
8-4下载项目中的数据集0932_ev.mp4
8-5原始数据是长什么样子的0822_ev.mp4
8-6加载标注数据2219_ev.mp4
8-7加载CT影像数据0751_ev.mp4
8-8数据坐标系的转换2326_ev.mp4
8-9编写Dataset方法1244_ev.mp4
9/
9-10借助TensorBoard绘制指标曲线1230_ev.mp4
9-11新的模型评估指标F1score1751_ev.mp4
9-12实现F1Score计算逻辑0858_ev.mp4
9-13数据优化方法1136_ev.mp4
9-14数据重复采样的代码实现1549_ev.mp4
9-15数据增强的代码实现1937_ev.mp4
9-16第二个模型结节分割0853_ev.mp4
9-17图像分割的几种类型0705_ev.mp4
9-18U-Net模型介绍1927_ev.mp4
9-19为图像分割进行数据预处理2501_ev.mp4
9-1第一个模型结节分类1540_ev.mp4
9-20为图像分割构建Dataset类2623_ev.mp4
9-21构建训练Dataset和使用GPU进行数据增强1116_ev.mp4
9-22Adam优化器和Dice损失1127_ev.mp4
9-23构建训练流程1826_ev.mp4
9-24模型存储图像存储代码介绍0550_ev.mp4
9-25分割模型训练及在TensorBoard中查看结果1145_ev.mp4
9-26本章小结1511_ev.mp4
9-2定义模型训练框架1831_ev.mp4
9-3初始化都包含什么内容0913_ev.mp4
9-4编写数据加载器部分0702_ev.mp4
9-5实现模型的核心部分1827_ev.mp4
9-6定义损失计算和训练验证环节一1731_ev.mp4
9-7定义损失计算和训练验证环节二0920_ev.mp4
9-8在日志中保存重要信息1956_ev.mp4
9-9尝试训练第一个模型1650_ev.mp4