【医学图像算法手册前言】全景式速查：从经典方法到 SOTA 框架
医学图像算法具有鲜明的领域特征：数据昂贵、噪声复杂、标注困难、临床约束强。这使得该领域长期呈现出一种“新方法不断涌现，但经典模型始终并存”的技术生态。
本专栏试图回答一个工程上反复出现的问题：
在具体的医学影像问题中，哪些算法是“必须了解的经典基线”，哪些是“当前最具代表性的 SOTA 方案”，它们之间的关系是什么？
因此，全文按照任务维度而非单一模型维度展开，从数据与预处理入手，逐步覆盖去噪、分割（2D / 3D / 复杂边界）、检测、配准、生成模型与优化理论，并在每一类任务中同时给出：
- 经典方法的核心思想与适用边界
- 深度学习模型的结构动机与改进方向
- SOTA 框架在医学场景中的优势与现实约束
需要强调的是，这不是一套“代码即用型教程”，而是一份面向有经验开发者的算法地图：帮助读者在面对真实医学图像问题时，快速定位可行解法，理解 SOTA 方法的来龙去脉，并具备二次设计与工程裁剪的能力。
内容总览（持续更新中）
第一章 基础、数据格式与预处理
| 小节 | 核心内容 | 讲解目标 |
|---|---|---|
| 1.1 | 医学图像模态与特性 | 理解 CT、MRI、X-ray 等模态的物理原理、成像特征与临床差异 |
| 1.2 | DICOM 存储格式与机制 | 掌握 DICOM 文件结构、元数据与影像系统中的数据流转 |
| 1.3 | 深度学习骨干网络回顾 | 回顾 CNN / RNN / Transformer，为后续 SOTA 网络奠基 |
| 1.4 | 经典图像增强与预处理 | 掌握直方图均衡、滤波等在医学图像中的实际用途 |
| 1.5 | SOTA 骨干网络精讲 | 理解 ResNet / DenseNet 在特征提取中的工程价值 |
第二章 图像去噪与质量增强
| 小节 | 核心内容 | 讲解目标 |
|---|---|---|
| 2.1 | 去噪挑战与评估指标 | 理解医学噪声模型及 PSNR / SSIM 的意义 |
| 2.2 | 经典去噪 SOTA | 深入理解 BM3D 的块匹配与协同滤波思想 |
| 2.3 | 深度学习去噪 | 掌握 Noise2Noise 的无干净标签训练思路 |
| 2.4 | 自监督去噪 | 理解 Half2Half 等单样本去噪方法 |
| 2.5 | 超分与伪影去除 | 探讨 SR 与金属伪影校正的深度学习方案 |
第三章 2D 图像分割（经典与聚类）
| 小节 | 核心内容 | 讲解目标 |
|---|---|---|
| 3.1 | 语义分割基础 | 掌握 Dice / Jaccard 等核心评估指标 |
| 3.2 | 阈值与区域分割 | 理解 Otsu 与区域生长的适用条件 |
| 3.3 | 聚类分割方法 | 分析 K-means 在医学图像中的局限 |
| 3.4 | 大像素分割 | 掌握 Superpixel 在复杂场景中的价值 |
| 3.5 | SOTA 分割模型 | 系统解析 U-Net 成为医学分割基准的原因 |
第四章 3D / 复杂边界分割
| 小节 | 核心内容 | 讲解目标 |
|---|---|---|
| 4.1 | 3D 卷积与 3D U-Net | 理解体数据建模方式 |
| 4.2 | 能量驱动分割 | 掌握 Snake 的能量最小化思想 |
| 4.3 | 几何分割方法 | 理解 Level Set 与 Watershed 的优势 |
| 4.4 | SOTA 框架精讲 | 理解 nnU-Net 的自动化设计哲学 |
| 4.5 | Transformer 分割 | 分析 TransUNet / UNETR 的全局建模能力 |
第五章 优化理论与加速算法
| 小节 | 核心内容 | 讲解目标 |
|---|---|---|
| 5.1 | 凸优化模型 | 构建医学图像问题的优化视角 |
| 5.2 | 经典优化算法 | 理解梯度流与模拟退火 |
| 5.3 | 加速迭代方法 | 掌握 FISTA 与 Nesterov 的加速原理 |
| 5.4 | 深度学习优化器 | 分析 Adam 等优化器的适用场景 |
第六章 目标检测与关键点定位
| 小节 | 核心内容 | 讲解目标 |
|---|---|---|
| 6.1 | 医学目标检测任务 | 理解小目标与极端不平衡问题 |
| 6.2 | 经典检测方法 | 明确传统方法的性能瓶颈 |
| 6.3 | SOTA 检测模型 | 深入理解 Focal Loss 与 Faster R-CNN |
| 6.4 | 关键点检测 | 掌握 Heatmap 回归思想 |
第七章 生成模型、图像合成与配准
| 小节 | 核心内容 | 讲解目标 |
|---|---|---|
| 7.1 | 经典图像配准 | 掌握 ICP 与互信息 |
| 7.2 | GAN 基础 | 理解对抗训练机制 |
| 7.3 | 模态转换 | 掌握 CycleGAN 的循环一致性 |
| 7.4 | Diffusion Models | 理解高质量医学图像生成原理 |
| 7.5 | 深度学习配准 | 掌握 VoxelMorph 的端到端形变学习 |
第八章 可信赖 AI 与前沿趋势
| 小节 | 核心内容 | 讲解目标 |
|---|---|---|
| 8.1 | 可解释性 AI | 理解 Grad-CAM 在临床信任中的作用 |
| 8.2 | 隐私保护计算 | 掌握联邦学习的医学应用模式 |
| 8.3 | 基础模型 | 分析 SAM / MedSAM 的潜力与限制 |
| 8.4 | 伦理与临床转化 | 理解医学 AI 落地的非技术挑战 |
)
