5.1 预处理（强调模态差异）

开场问题

这一节回答的是：原始医学影像为什么不能直接丢进模型，以及不同模态为什么必须走不同的预处理路线。

读者在真正开始做项目时，通常会先遇到三个痛点：

• 同样是 CT，不同医院导出的 spacing、方向、层厚并不一致；
• 同样是 MRI，同一种组织在不同设备上亮度可能差很多；
• 训练能跑通，但模型学到的可能是扫描协议差异，而不是病灶本身。

所以，预处理不是“把图像弄干净”这么简单，而是把原始数据整理成可比较、可学习、可复现的输入。

---

直觉解释

可以先把预处理理解成两句话：

1. 先把数据摆到同一把尺子上。
2. 再把和任务无关的波动压下去。

如果不先统一“尺子”，模型看到的差异里会混进很多无关因素：

• 有的是体素大小不同；
• 有的是扫描方向不同；
• 有的是强度范围根本没有可比性；
• 还有的是伪影、偏场或噪声把真正的病灶特征盖住了。

因此，预处理的核心目标不是让图像更“好看”，而是让后面的分割、分类、检测模型更容易学到真正稳定的医学信号。

图：预处理通常先统一空间，再做模态特异性的强度处理，最后才连接到具体任务。

---

核心方法

这一节只抓住 4 个最关键的动作。

1. 统一空间

不同扫描的 spacing、方向、尺寸可能完全不同。常见处理包括：

• 重采样到统一体素间距；
• 统一方向；
• 按任务裁剪 ROI 或补零到固定大小。

2. 统一强度

不同模态的强度规则不同，不能用一套方法硬套所有图像：

• CT 更关注 HU 的物理意义，常做截断、窗化、归一化；
• MRI 没有统一绝对强度，常做偏场校正与标准化；
• X 光 常依赖局部对比度与动态范围调整。

3. 去掉明显干扰

噪声、偏场、金属伪影或局部退化会让模型学习方向跑偏。预处理常做的不是“彻底修复”，而是先把最强的干扰因素降下来。

4. 让训练和部署规则一致

很多项目失败，不是模型结构有问题，而是训练时和推理时采用了两套预处理。真正可靠的做法是：

• 把预处理参数写进脚本；
• 保存处理前后的关键元数据；
• 保证训练、验证、部署使用同一套规则。

---

典型案例

场景 1：CT 肺结节或器官分析

• 痛点：原始 HU 范围太大，空气、软组织、骨和金属混在一起。
• 做法：HU 截断 → 窗化或归一化 → 重采样到统一 spacing。
• 本地源码：
  • src/ch05/clip_hu_values/main.py
  • src/ch05/medical_image_resampling/main.py
  • src/ch05/detect_metal_artifacts/main.py

场景 2：MRI 脑影像建模

• 痛点：同一组织在图像不同位置亮度都可能不一样，跨设备差异更明显。
• 做法：偏场校正 → 强度标准化 → 统一尺寸与分辨率。
• 本地源码：
  • src/ch05/n4itk_bias_correction/main.py
  • src/ch05/white_stripe_normalization/main.py
  • src/ch05/visualize_bias_field/main.py

场景 3：多中心数据联合训练

• 痛点：模型会把“来自哪家医院”误当成疾病线索。
• 做法：固定空间规则、固定强度规则，并保存处理日志，保证训练与推理一致。

---

实践提示

正文只保留帮助建立直觉的关键片段；完整实现请查看 src/ch05/。

1. CT：先把极端 HU 裁回任务区间

import numpy as np


def clip_hu(image, hu_min=-1000, hu_max=1000):
    image = np.asarray(image, dtype=np.float32)
    return np.clip(image, hu_min, hu_max)

2. 重采样：先算缩放比例

import numpy as np


def scale_factors(original_spacing, target_spacing):
    original_spacing = np.array(original_spacing, dtype=np.float32)
    target_spacing = np.array(target_spacing, dtype=np.float32)
    return original_spacing / target_spacing

3. MRI：用白质带做标准化

import numpy as np


def normalize_with_white_stripe(image, wm_mask):
    wm_values = image[wm_mask > 0]
    mean = wm_values.mean()
    std = wm_values.std() + 1e-6
    return (image - mean) / std

4. 实操时优先记录这些信息

• 原始与目标 spacing；
• 强度处理区间或标准化参数；
• 是否对 mask 做了同步变换；
• 训练和部署是否共用同一套配置。

---

延伸实践

1. 把“空间统一”和“强度统一”分成两个独立函数，便于训练与推理共用。
2. 同时保存处理前后的 spacing 与强度范围，方便回溯实验差异。
3. 尝试比较不同 CT 窗口：肺窗、软组织窗、骨窗是否能作为多通道输入。
4. 比较 MRI 标准化策略：White Stripe、z-score、百分位归一化对下游分割的影响。
5. 阅读并运行本地源码：
   • src/ch05/clip_hu_values/main.py
   • src/ch05/medical_image_resampling/main.py
   • src/ch05/n4itk_bias_correction/main.py
   • src/ch05/white_stripe_normalization/main.py
   • src/ch05/detect_metal_artifacts/main.py

完成这些练习后，再进入分割、分类和增强章节，你会更容易看懂“为什么同一个网络在不同数据上表现差异巨大”。

代码实验 / 实践附录

运行命令、环境依赖、完整输出和可运行 demo 已统一迁移到 5.6 代码实验 / 实践附录 与 src/ch05/README.md。