医疗影像识别模型数据准备核心是保障质量、标注一致与分布合理。需清洗DICOM/NIfTI原始数据，标准化格式与灰度范围；明确任务类型后生成可复现的病灶标注掩码。
医疗影像识别模型的数据准备，核心是保证数据质量、标注一致性与分布合理性。直接决定模型能否泛化到真实临床场景，不是简单“把图片扔进文件夹”就能跑通的事。
一、原始数据清洗与标准化
医院提供的DICOM或NIfTI文件常含噪声、伪影、不完整序列或非目标部位扫描。需先做基础过滤：
- 用pydicom读取DICOM头信息，剔除无关键标签（如
StudyDescription含“XR”“CT”“MRI”）或设备缺失的样本 - 检查图像尺寸与位深一致性；对CT窗宽窗位不统一的，统一重采样到标准HU范围（-1024 ~ 3071），再按临床常用窗（如肺窗：WL=-600, WW=1500）截取灰度值
- NIfTI格式用nibabel加载，验证仿射矩阵有效性，排除方向错乱或体素尺寸异常（如z轴分辨率＞5mm的MRI序列慎用）
二、病灶标注与掩码生成
医生标注的ROI需转化为模型可学习的监督信号。重点不是“画得准”，而是“定义清晰、可复现”：
- 标注前明确任务边界：是检测（bounding box）、分割（pixel-wise mask）还是分类（whole-slice label）？例如肺结节筛查用3D bounding box比单层多边形更合理
- 使用3D Slicer导出NRRD/NIfTI格式掩码，确保与原图空间对齐（相同origin/spacing/direction）
- 对多医生标注，计算Dice系数评估一致性；低于0.7的病例建议复核，或采用多数投票生成共识掩码
三、数据划分与增强策略
医疗数据稀缺且分布不均，划分和增强必须兼顾统计稳健性与临床真实性：
立即学习“Python免费学习笔记（深入）”；
- 按病人ID而非切片ID划分训练/验证/测试集，避免同一患者影像分散在不同集合导致过拟合
- 测试集保留至少20%独立中心数据（如有），模拟跨院部署场景；若仅单中心，用分层抽样保证各病种比例与临床发病率接近
- 增强仅限于几何变换（随机旋转±10°、镜像、弹性形变）和强度扰动（对比度±15%、加高斯噪声σ≤0.01）；禁用裁剪、缩放——会丢失关键解剖上下文
四、格式转换与加载优化
PyTorch/TensorFlow训练时IO常成瓶颈，尤其3D影像。提前处理能提速3倍以上：
- 将DICOM/NIfTI转为HDF5或LMDB格式，把图像+mask+元数据（年龄、性别、扫描参数）打包存储，支持随机访问
- 预计算并缓存归一化参数（如每例CT的HU均值/标准差），避免训练时重复计算；对小批量3D数据，用torchio实现在线patch采样，内存占用降低60%
- 写一个轻量Dataset类，__getitem__中只做必要解码（如HDF5读取→tensor转换），复杂预处理移至数据预生成阶段
基本上就这些。不复杂但容易忽略——比如忘了按病人ID划分，模型在测试集上AUC虚高0.15，上线后一用就崩。数据准备没做好，后面调参再猛也是白搭。
