第003篇读书笔记：从检测到可视化，影像组学先把图像整理干净
日期：2026-07-05 书名：《影像组学基础》 阅读范围：第2章 2.1-2.5，书内页码 14-51 今日定位：先读懂影像组学建模前面的技术链，让非本领域读者知道“图像变成数据”之前要做哪些准备。
本次阅读范围
这一篇进入第2章前半部分。它看起来是很多技术名词，但如果按“图像进入模型之前要被怎样整理”来理解，就会清楚很多。
本次覆盖 5 个一级小节，下面共有 14 个二级小节：
- 2.1 肿瘤检测：数据预处理、候选结节检测。
- 2.2 图像配准：弹性配准、无监督脑 MR 配准、无监督对抗配准。
- 2.3 肿瘤图像分割：脑肿瘤分割、肺结节分割、中心池化 CNN、全卷积网络。
- 2.4 基于知识的医学图像分割方法：融入先验信息、活动轮廓线模型、解剖学和成像知识。
- 2.5 医学数据可视化：多模态医学图像可视化、可视化工具包。
先讲背景：为什么要先处理图像
上一篇我们说，影像组学的核心是把医学图像变成可以计算的数据。
但这里有一个前提：医学图像不能直接丢给模型，然后期待它自动给出可靠答案。
原始影像里有很多现实问题。不同医院的扫描设备不一样，参数不一样，层厚和分辨率也可能不一样。同一个病人可能有 CT、MRI、PET 等不同模态图像，它们不一定天然对齐。病灶边界也常常不是一条清清楚楚的线，肿瘤可能和周围组织黏在一起，或者内部结构很不均匀。
所以在真正提取特征、建立模型之前，影像组学要先完成一串基础工作：找到目标、对齐空间、勾出边界、加入医学知识，再把结果用医生能理解的方式展示出来。
这一篇读的就是这条链。
第一站：肿瘤检测
2.1 讲的是肿瘤检测。用普通话说，就是先在影像里把可疑目标找出来。
书里以肺结节检测为例。肺部 CT 往往有很多层图像，医生要在大量切片中寻找很小的结节。如果只靠人工逐层看，很容易疲劳，也可能漏掉细小病灶。
因此，典型的计算机辅助诊断系统会做三件事：
先做数据预处理，让不同来源的图像尽量处在可比较的状态；再尽可能多地找出候选结节；最后降低假阳性，把不是结节的可疑点剔除掉。
这里最值得记住的不是某个算法名，而是一个思路：检测阶段宁愿先多找一些可疑目标，也不要一开始就漏掉真正的病灶。后面再通过分类和筛选把误报降下来。
第二站：图像配准
2.2 讲图像配准。这个词听起来很技术，其实可以理解成“把不同图像放到同一个坐标系里”。
比如同一个病人有 CT 和 PET。CT 更清楚地显示结构，PET 更关注代谢活动。如果两张图没有对齐，我们就很难判断某个代谢活跃区域到底对应哪个解剖位置。
配准要解决的就是这个问题：让不同模态、不同时间、不同序列的图像在空间上尽量对齐。
上面这张原书图展示的是 PET/CT 配准前后的融合效果。它提醒我们，配准不是为了“让图好看”，而是为了让同一解剖位置真正对应起来。只有空间位置统一，后面提取的多模态特征才有意义。
第三站：图像分割
2.3 进入肿瘤图像分割。分割可以理解成给病灶“勾边界”。
在影像组学里，分割非常关键。因为后面提取特征时，模型通常只分析 ROI，也就是感兴趣区域。如果边界画错了，后面的强度、形状、纹理特征都会跟着偏。
难点在于，医学图像里的边界经常并不清楚。肿瘤和周围组织可能灰度相近，可能发生黏连，也可能内部有坏死、空洞、钙化等复杂结构。书中介绍了从 CNN、MV-CNN、CF-CNN 到 FCN 的多种分割思路，本质上都在解决同一个问题：怎样更稳定地把目标区域从背景里分出来。
这张原书图很适合帮助理解三维分割。医学影像不是一张平面照片，而是一层一层的切片。分割也不只是单张图上画线，还要在连续切片中判断哪些区域属于同一个病灶，并去掉噪声和误分割。
第四站：加入医学知识
2.4 很有意思，因为它提醒我们：影像组学不能只靠数据驱动，也需要医学知识。
在自然图像里，把猫、狗、车分出来，主要靠大量数据学习视觉模式。但医学图像不一样。很多器官有相对稳定的解剖形态，很多病灶的位置和形状也受到生理结构限制。
如果模型分割出的心脏结构不符合基本解剖规律，就算像素分类结果看起来不错，临床上也可能不可用。
这张原书图展示的是 MRI 心脏先验形状。它背后的意思是：模型不只是看像素，还可以被“医学常识”约束。比如某些结构应该大致在哪里，形态应该满足什么规律。这类先验知识能帮助分割结果更符合临床真实世界。
第五站：医学数据可视化
2.5 讲医学数据可视化。
这里的可视化不是为了做漂亮图，而是为了让复杂数据变得可理解、可检查、可交流。
医学数据往往很复杂：影像、病历、检查、药物、实验室指标、基因组信息，可能都和一个病人的判断有关。对医生来说，重要的不只是“模型算出了什么”，还包括“结果在哪里、和周围结构是什么关系、有没有解释得通”。
所以医学可视化包括多模态图像显示、三维体绘制、交互式查看、手术规划视图、VR/AR 等工具。它的目标是把复杂数据变成临床可用的视图。
今天的核心收获
读完 2.1-2.5，我最大的感受是：影像组学真正进入建模之前，已经有大量工作要做。
检测决定有没有找到目标。配准决定不同图像能不能对齐。分割决定 ROI 是否可靠。知识先验决定结果是否符合医学常识。可视化决定医生能不能理解和使用这些结果。
所以影像组学不是“把图片丢给 AI”。它更像是一条严谨的生产线：先把医学影像整理成可靠、统一、可解释的对象，再谈特征提取和模型预测。
下一篇进入第2章 2.6-2.8，我们会开始读真正的数据化过程：特征提取、特征选择与模型构建。
往期回顾