医疗影像特征提取实战：从手工特征到深度学习，复现论文与工程实践

在实际医疗影像分析项目中，特征提取是连接原始像素数据与高级诊断决策的关键桥梁。无论是识别肿瘤、分割器官还是评估病灶进展，直接从海量、高维的影像数据中学习既低效又容易过拟合。特征提取技术通过自动或手动方式，从影像中抽取出具有判别性的信息（如纹理、形状、边缘、强度分布等），从而为后续的分类、检测或回归模型提供更紧凑、更具代表性的输入。对于希望进入医学人工智能领域的研究者、工程师或学生而言，理解特征提取的原理、掌握其实现方法，并能在具体医疗影像任务中复现论文成果，是一项核心能力。

本文旨在提供一个从理论到实践的完整路径。我们将首先厘清特征提取在医疗影像分析流水线中的位置与价值，然后深入解读一篇采用经典或现代特征提取方法的代表性论文。接着，我们将进入实战环节，使用Python和主流深度学习框架（如PyTorch或TensorFlow）复现论文中的关键特征提取模块，并在一个公开的医疗影像数据集（如ISIC皮肤镜图像数据集或LUNA肺结节数据集）上进行训练和验证。整个过程将涵盖环境搭建、数据预处理、模型构建、训练调试以及结果可视化。最后，我们会探讨实际工程化过程中常见的陷阱、性能调优策略以及特征提取技术的最新演进方向。通过本文，你将能够独立完成一个医疗影像特征提取项目的代码复现与实验分析。

1. 理解医疗影像特征提取：从手工特征到深度学习

在深入代码之前，必须建立对“特征提取”在医疗影像上下文的清晰认知。这不仅仅是调用一个API，而是理解数据如何被转化为模型可理解的语言。

1.1 什么是特征？为什么需要提取？

一张医疗影像（如CT、MRI、X光）在计算机中通常存储为一个多维数组（矩阵）。对于灰度图像，它是一个二维矩阵，每个元素（像素）代表一个强度值；对于彩色图像，则是三维矩阵（高度、宽度、通道）。原始像素值本身是“低级”特征，它们包含大量冗余信息（如均匀的组织区域）和噪声，且维度极高（一张1024x1024的图像有超过100万个特征点）。

特征提取的目标是找到一种变换或一组规则，将这些高维的原始像素数据映射到一个低维的“特征空间”。这个空间中的每个点（即一个特征向量）应该能更有效地表示图像的某些本质属性，例如：

• 纹理特征：描述组织区域的粗糙度、规律性（如肺结节的毛刺状边缘）。
• 形状特征：描述目标的轮廓、面积、周长、圆形度等（如肿瘤的形状是否规则）。
• 强度特征：描述像素值的统计分布，如均值、方差、直方图。
• 深度学习特征：通过卷积神经网络（CNN）多层非线性变换自动学习到的、具有层次结构的抽象特征。

提取后的特征维度更低、判别性更强，能显著提升后续机器学习模型（如SVM、随机森林）或深度学习分类器的训练效率和最终性能。

1.2 手工特征 vs. 深度学习特征

医疗影像分析的发展历程也是特征提取方法的演进史。

手工设计特征（2012年之前的主流）：

• 原理：依赖领域专家知识设计特定的算法来量化图像属性。
• 代表方法：
  • 尺度不变特征变换（SIFT）、加速稳健特征（SURF）：用于关键点检测和描述。
  • 方向梯度直方图（HOG）：用于描述局部形状。
  • 局部二值模式（LBP）：用于纹理描述。
  • 灰度共生矩阵（GLCM）：用于提取纹理的统计信息。
• 优点：可解释性强，计算量相对固定，不依赖大量标注数据。
• 缺点：设计过程繁琐，泛化能力有限，难以捕捉复杂、高层的语义信息。

深度学习特征（当前主流）：

• 原理：利用深度卷积神经网络（CNN）从海量数据中自动学习多层次的特征表示。浅层网络学习边缘、角点等低级特征，深层网络学习器官、病变等高级语义特征。
• 代表模型：U-Net（分割）、ResNet（分类）、DenseNet（分类）、Vision Transformer (ViT)。
• 优点：特征表达能力极强，能端到端优化，在大型数据集上性能远超手工特征。
• 缺点：需要大量标注数据，模型可解释性差（“黑盒”），计算资源需求高。

在现代研究中，两者常结合使用，例如使用预训练的CNN模型（如ImageNet上训练的ResNet）作为特征提取器（“Backbone”），将其输出的特征图或特征向量输入到特定的任务头（如分类器、分割解码器）中。

1.3 论文精读：以《U-Net: Convolutional Networks for Biomedical Image Segmentation》为例

为了将理论具体化，我们选择一篇里程碑式的论文进行精读。U-Net虽然主要解决分割问题，但其编码器（下采样路径）就是一个强大的特征提取器，其思想广泛影响后续工作。

核心思想： U-Net采用对称的“U型”结构。左侧（编码器）通过卷积和池化逐步提取深层、抽象的特征，同时压缩空间维度。右侧（解码器）通过上采样和跳跃连接（Skip Connection），将深层语义特征与浅层细节特征融合，实现精确的像素级定位。

对我们的启示：

1. 特征提取的层次性：网络不同层提取的特征具有不同语义级别。
2. 多尺度特征融合：跳跃连接是融合不同层次提取特征的关键技术，能同时利用高层语义和底层细节。
3. 数据效率：通过弹性形变进行数据增强，使得模型能在相对较小的医疗数据集上有效学习特征。

理解这篇论文，就掌握了现代医疗影像特征提取的一个核心范式。接下来，我们将动手复现一个简化版的特征提取流程。

2. 环境准备与项目初始化

我们将创建一个标准的Python深度学习项目，使用PyTorch作为框架。选择PyTorch因其动态图特性更适合研究和实验。

2.1 环境与依赖清单

首先确保你的开发环境满足以下要求。建议使用Anaconda或Miniconda管理Python环境。

创建并激活Conda环境：

# 创建名为`med_img_feat`的Python3.9环境 conda create -n med_img_feat python=3.9 -y conda activate med_img_feat

安装核心依赖（以PyTorch 1.12 + CUDA 11.3为例）：

# 安装PyTorch（请根据官网https://pytorch.org/获取最适合你环境的命令） conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch # 安装其他必要库 pip install opencv-python scikit-learn matplotlib jupyterlab tqdm pandas # 如果下载数据集需要，可以安装kaggle或gdown # pip install kaggle gdown

2.2 项目目录结构

一个清晰的项目结构有助于代码管理和复现。建议按如下方式组织：

medical_image_feature_extraction/ ├── data/ # 数据目录 │ ├── raw/ # 原始数据（按需下载） │ ├── processed/ # 处理后的数据（如裁剪、归一化后的图像和标签） │ └── dataset.py # 自定义Dataset类 ├── models/ # 模型定义 │ ├── __init__.py │ ├── backbone.py # 特征提取主干网络（如ResNet, U-Net编码器） │ └── classifier.py # 分类头或其他任务头 ├── utils/ # 工具函数 │ ├── __init__.py │ ├── transforms.py # 自定义数据增强 │ ├── metrics.py # 评估指标计算 │ └── visualization.py # 可视化工具 ├── configs/ # 配置文件 │ └── default.yaml # 超参数配置（学习率、批次大小等） ├── outputs/ # 输出目录 │ ├── checkpoints/ # 保存的模型权重 │ ├── logs/ # 训练日志（TensorBoard或文本） │ └── predictions/ # 模型预测结果 ├── scripts/ # 脚本文件 │ ├── download_data.sh # 数据下载脚本 │ └── preprocess.py # 数据预处理脚本 ├── train.py # 主训练脚本 ├── evaluate.py # 模型评估脚本 ├── extract_features.py # 特征提取脚本 └── requirements.txt # 项目依赖列表

使用requirements.txt可以方便地复现环境：

torch==1.12.1 torchvision==0.13.1 opencv-python==4.8.1 scikit-learn==1.3.0 matplotlib==3.7.2 tqdm==4.66.1 pyyaml==6.0

3. 实战：基于预训练CNN的医疗影像特征提取与分类

我们以皮肤镜图像分类（良恶性判别）为例，使用ISIC数据集的一个子集。我们将使用在ImageNet上预训练的ResNet-50作为特征提取器，冻结其权重，然后训练一个简单的全连接分类器。

3.1 数据准备与预处理

医疗影像数据预处理至关重要，直接影响特征提取的效果。

步骤1：下载数据可以从ISIC官网或Kaggle下载ISIC皮肤镜图像数据集。这里假设我们已经将图像放在data/raw/目录下，并有一个data/raw/labels.csv文件，包含图像文件名和对应的标签（0为良性，1为恶性）。

步骤2：实现自定义Datasetdata/dataset.py：

import torch from torch.utils.data import Dataset, DataLoader import pandas as pd import cv2 import os from sklearn.model_selection import train_test_split class ISICDataset(Dataset): """ISIC皮肤镜图像分类数据集""" def __init__(self, root_dir, csv_file, transform=None, mode='train', test_size=0.2, random_state=42): """ Args: root_dir (string): 图像根目录。 csv_file (string): 包含图像文件名和标签的csv文件路径。 transform (callable, optional): 应用于图像的变换/增强。 mode (str): 'train', 'val', 或 'test'。 test_size (float): 验证集比例。 random_state (int): 随机种子。 """ self.root_dir = root_dir self.transform = transform self.mode = mode # 读取标签文件 df = pd.read_csv(csv_file) image_names = df['image_name'].values labels = df['label'].values # 划分训练集和验证集（这里简单演示，实际可能有官方划分） train_names, val_names, train_labels, val_labels = train_test_split( image_names, labels, test_size=test_size, random_state=random_state, stratify=labels ) if mode == 'train': self.image_names = train_names self.labels = train_labels elif mode == 'val': self.image_names = val_names self.labels = val_labels else: # 'test'，假设测试集是另一个文件 # 实际项目中应从单独的测试csv读取 self.image_names = image_names self.labels = labels def __len__(self): return len(self.image_names) def __getitem__(self, idx): img_name = os.path.join(self.root_dir, self.image_names[idx] + '.jpg') # 使用OpenCV读取图像，注意OpenCV默认是BGR，需转为RGB image = cv2.imread(img_name) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) label = self.labels[idx] if self.transform: image = self.transform(image) return image, label

步骤3：定义数据变换utils/transforms.py：

import torchvision.transforms as transforms from torchvision.transforms import functional as F import random # 训练集变换：增强 + 归一化 train_transform = transforms.Compose([ transforms.ToPILImage(), transforms.Resize((256, 256)), # 统一尺寸 transforms.RandomHorizontalFlip(p=0.5), # 随机水平翻转 transforms.RandomRotation(degrees=15), # 随机旋转 transforms.ColorJitter(brightness=0.1, contrast=0.1, saturation=0.1), # 颜色抖动 transforms.ToTensor(), # 转为Tensor [0,1] transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # ImageNet统计量 ]) # 验证/测试集变换：仅归一化 val_transform = transforms.Compose([ transforms.ToPILImage(), transforms.Resize((256, 256)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ])

注意：使用ImageNet的均值和标准差进行归一化是因为我们使用在ImageNet上预训练的模型。这有助于输入数据分布与模型预训练时保持一致。

3.2 构建特征提取与分类模型

我们将ResNet-50的最后一层全连接层之前的部分作为特征提取器，并添加一个新的分类头。

models/backbone.py：

import torch import torch.nn as nn import torchvision.models as models class FeatureExtractor(nn.Module): """基于预训练ResNet-50的特征提取器""" def __init__(self, pretrained=True, freeze_backbone=True): super(FeatureExtractor, self).__init__() # 加载预训练的ResNet-50 resnet = models.resnet50(pretrained=pretrained) # 移除最后的全连接层（分类层） # resnet的结构是：卷积层 -> BN -> ReLU -> 池化 -> layer1~4 -> avgpool -> fc # 我们取到avgpool之前的所有层作为特征提取器 self.features = nn.Sequential(*list(resnet.children())[:-1]) # 去掉最后的fc层 # 是否冻结特征提取器的权重 if freeze_backbone: for param in self.features.parameters(): param.requires_grad = False # 获取特征向量的维度 # ResNet-50的最后一个卷积层输出是2048通道，经过全局平均池化后是2048维向量 self.feature_dim = resnet.fc.in_features # 2048 def forward(self, x): """ 输入: x [batch_size, 3, H, W] 输出: features [batch_size, feature_dim] """ x = self.features(x) # 输出形状: [batch_size, 2048, 1, 1] x = torch.flatten(x, 1) # 展平为 [batch_size, 2048] return x

models/classifier.py：

import torch.nn as nn class SimpleClassifier(nn.Module): """简单的全连接分类器""" def __init__(self, input_dim, num_classes=2, dropout_rate=0.5): super(SimpleClassifier, self).__init__() self.classifier = nn.Sequential( nn.Linear(input_dim, 512), nn.BatchNorm1d(512), nn.ReLU(inplace=True), nn.Dropout(p=dropout_rate), nn.Linear(512, 128), nn.BatchNorm1d(128), nn.ReLU(inplace=True), nn.Dropout(p=dropout_rate), nn.Linear(128, num_classes) ) def forward(self, x): return self.classifier(x)

models/__init__.py：

from .backbone import FeatureExtractor from .classifier import SimpleClassifier class MedicalImageModel(nn.Module): """组合特征提取器和分类器的完整模型""" def __init__(self, num_classes=2, pretrained=True, freeze_backbone=True): super(MedicalImageModel, self).__init__() self.feature_extractor = FeatureExtractor(pretrained=pretrained, freeze_backbone=freeze_backbone) self.classifier = SimpleClassifier(self.feature_extractor.feature_dim, num_classes) def forward(self, x): features = self.feature_extractor(x) logits = self.classifier(features) return logits

3.3 训练与验证脚本

train.py：

import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from tqdm import tqdm import os import sys sys.path.append('.') # 将项目根目录加入路径 from data.dataset import ISICDataset from utils.transforms import train_transform, val_transform from models import MedicalImageModel from utils.metrics import calculate_metrics def train_one_epoch(model, dataloader, criterion, optimizer, device, epoch): model.train() running_loss = 0.0 all_preds = [] all_labels = [] pbar = tqdm(dataloader, desc=f'Epoch {epoch} [Train]') for images, labels in pbar: images, labels = images.to(device), labels.to(device) # 前向传播 outputs = model(images) loss = criterion(outputs, labels) # 反向传播与优化 optimizer.zero_grad() loss.backward() optimizer.step() # 统计 running_loss += loss.item() * images.size(0) _, preds = torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) pbar.set_postfix({'loss': loss.item()}) epoch_loss = running_loss / len(dataloader.dataset) epoch_acc, epoch_sensitivity, epoch_specificity = calculate_metrics(all_labels, all_preds) return epoch_loss, epoch_acc, epoch_sensitivity, epoch_specificity def validate(model, dataloader, criterion, device): model.eval() running_loss = 0.0 all_preds = [] all_labels = [] with torch.no_grad(): for images, labels in tqdm(dataloader, desc='[Val]'): images, labels = images.to(device), labels.to(device) outputs = model(images) loss = criterion(outputs, labels) running_loss += loss.item() * images.size(0) _, preds = torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) epoch_loss = running_loss / len(dataloader.dataset) epoch_acc, epoch_sensitivity, epoch_specificity = calculate_metrics(all_labels, all_preds) return epoch_loss, epoch_acc, epoch_sensitivity, epoch_specificity def main(): # 配置参数 data_root = './data/raw' csv_file = './data/raw/labels.csv' batch_size = 32 num_epochs = 20 learning_rate = 1e-3 num_workers = 4 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 1. 准备数据 train_dataset = ISICDataset(data_root, csv_file, transform=train_transform, mode='train') val_dataset = ISICDataset(data_root, csv_file, transform=val_transform, mode='val') train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=num_workers) val_loader = DataLoader(val_dataset, batch_size=batch_size, shuffle=False, num_workers=num_workers) # 2. 初始化模型 model = MedicalImageModel(num_classes=2, pretrained=True, freeze_backbone=True).to(device) # 3. 定义损失函数和优化器 # 注意：医疗数据常有不平衡问题，可使用加权交叉熵 criterion = nn.CrossEntropyLoss() # 只优化分类器的参数（特征提取器被冻结） optimizer = optim.Adam(model.classifier.parameters(), lr=learning_rate) # 4. 训练循环 best_val_acc = 0.0 for epoch in range(1, num_epochs + 1): train_loss, train_acc, train_sen, train_spe = train_one_epoch( model, train_loader, criterion, optimizer, device, epoch ) val_loss, val_acc, val_sen, val_spe = validate(model, val_loader, criterion, device) print(f'Epoch {epoch:03d}:') print(f' Train Loss: {train_loss:.4f} | Acc: {train_acc:.4f} | Sen: {train_sen:.4f} | Spe: {train_spe:.4f}') print(f' Val Loss: {val_loss:.4f} | Acc: {val_acc:.4f} | Sen: {val_sen:.4f} | Spe: {val_spe:.4f}') # 保存最佳模型 if val_acc > best_val_acc: best_val_acc = val_acc torch.save(model.state_dict(), './outputs/checkpoints/best_model.pth') print(f' -> Best model saved with val_acc: {val_acc:.4f}') print(f'Training finished. Best val_acc: {best_val_acc:.4f}') if __name__ == '__main__': main()

utils/metrics.py：

from sklearn.metrics import accuracy_score, recall_score, confusion_matrix def calculate_metrics(true_labels, pred_labels): """计算准确率、敏感度（召回率）、特异度""" acc = accuracy_score(true_labels, pred_labels) # 敏感度 = TP / (TP + FN) sensitivity = recall_score(true_labels, pred_labels, pos_label=1) # 特异度 = TN / (TN + FP) tn, fp, fn, tp = confusion_matrix(true_labels, pred_labels).ravel() specificity = tn / (tn + fp) if (tn + fp) > 0 else 0.0 return acc, sensitivity, specificity

3.4 运行与验证

1. 准备数据：将ISIC数据集图像放入data/raw/，并创建对应的labels.csv。
2. 运行训练：在项目根目录执行python train.py。如果一切正常，你将看到每个epoch的训练和验证损失、准确率等指标输出。
3. 验证特征提取：可以编写一个简单的脚本，加载训练好的模型，提取某张图像的特征向量并查看。extract_features.py：

   import torch from models import MedicalImageModel from utils.transforms import val_transform import cv2 import numpy as np def extract_single_image_feature(image_path, model_path, device='cuda'): # 加载模型 model = MedicalImageModel(num_classes=2, pretrained=False, freeze_backbone=False) model.load_state_dict(torch.load(model_path, map_location=device)) model.to(device) model.eval() # 预处理图像 image = cv2.imread(image_path) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) image = val_transform(image) # 注意：这里返回的是Tensor [C, H, W] image = image.unsqueeze(0) # 增加batch维度 -> [1, C, H, W] image = image.to(device) # 提取特征（不经过分类器） with torch.no_grad(): features = model.feature_extractor(image) # 形状: [1, 2048] return features.cpu().numpy().flatten() if __name__ == '__main__': feature_vector = extract_single_image_feature( './data/raw/example.jpg', './outputs/checkpoints/best_model.pth', device='cpu' ) print(f'特征向量维度: {feature_vector.shape}') print(f'前10个特征值: {feature_vector[:10]}')

4. 关键问题排查与性能调优

在实际复现过程中，你几乎一定会遇到各种问题。以下是基于特征提取项目的常见排查路径。

4.1 常见问题与解决方案

4.2 性能调优策略

1. 解冻与微调（Fine-tuning）：

   • 策略：先冻结主干网络训练几轮分类器，待验证集准确率稳定后，解冻主干网络的最后1-2个阶段（如ResNet的layer4），以更低的学习率（如分类器学习率的1/10）进行微调。
   • 代码示例：

     # 第一阶段：冻结主干，只训练分类器 for param in model.feature_extractor.parameters(): param.requires_grad = False optimizer = optim.Adam(model.classifier.parameters(), lr=1e-3) # ... 训练若干轮 ... # 第二阶段：解冻主干网络最后一部分，微调 for name, param in model.feature_extractor.named_parameters(): if 'layer4' in name or 'layer3' in name: # 解冻最后两层 param.requires_grad = True # 为不同参数组设置不同学习率 optimizer = optim.Adam([ {'params': model.feature_extractor.parameters(), 'lr': 1e-4}, {'params': model.classifier.parameters(), 'lr': 1e-3} ])

2. 处理类别不平衡：

   • 问题：医疗数据中正负样本（如恶性与良性）数量可能悬殊。
   • 解决方案：
     • 加权损失函数：criterion = nn.CrossEntropyLoss(weight=torch.tensor([1.0, 5.0]).to(device))，给少数类更高权重。
     • 过采样/欠采样：使用imbalanced-learn库进行采样。
     • 使用Focal Loss：专注于难分类的样本。

3. 学习率调度：

   • 使用torch.optim.lr_scheduler在训练过程中动态调整学习率，如ReduceLROnPlateau（当指标停滞时降低学习率）或CosineAnnealingLR。

4.3 特征可视化与解释性

理解模型学到了什么特征至关重要。

• 特征图可视化：提取中间卷积层的输出，将其可视化为热力图，观察网络关注图像的哪些区域。可以使用torchcam或grad-cam库。
• t-SNE降维：将测试集所有图像提取出的高维特征（如2048维）使用t-SNE降维到2D或3D，绘制散点图，观察不同类别的特征是否在空间中被良好分离。

5. 从实验到生产：最佳实践与扩展方向

完成实验性代码复现后，若想将模型用于实际场景或进一步研究，需要考虑以下方面。

5.1 工程化最佳实践

1. 配置化管理：将所有超参数（学习率、批次大小、模型结构、路径等）写入YAML或JSON配置文件，避免硬编码。
2. 日志与实验跟踪：使用TensorBoard或Weights & Biases记录损失、准确率、超参数、甚至图像和直方图，便于比较不同实验。
3. 模型版本化：保存模型时，不仅保存权重（.pth），还应保存完整的模型定义和训练配置，以便精确复现。
4. 数据版本化：使用DVC等工具对数据和预处理流程进行版本控制。
5. 单元测试：为数据加载、预处理、模型前向传播等关键模块编写单元测试。

5.2 扩展方向

1. 从分类到分割：将特征提取器（如U-Net的编码器）与解码器结合，实现像素级分割。这需要处理掩码（Mask）标签数据。
2. 多模态特征融合：医疗诊断常结合多种影像（如CT、PET）或非影像数据（如临床指标）。可以分别提取不同模态的特征，然后在特征层或决策层进行融合。
3. 自监督与无监督特征学习：当标注数据稀缺时，可利用对比学习（如SimCLR, MoCo）或掩码图像建模（如MAE）在大量无标注医疗影像上预训练特征提取器。
4. Transformer架构：Vision Transformer (ViT) 和Swin Transformer在多项视觉任务上超越了CNN。可以尝试将其作为特征提取器，但需注意其对数据量的要求更高。
5. 3D医学影像：对于CT、MRI等3D数据，需要使用3D卷积网络（如3D ResNet, 3D U-Net）来提取时空特征。

5.3 学习路径建议

1. 基础巩固：熟练掌握Python、PyTorch/TensorFlow、NumPy、OpenCV。理解卷积、池化、反向传播等基础概念。
2. 论文精读：定期阅读顶级会议（如MICCAI, CVPR, ICCV, ECCV, NeurIPS）的医学影像论文，重点关注其方法部分。
3. 代码复现：从GitHub上寻找官方或高星复现代码，先跑通，再尝试修改网络结构、损失函数或训练策略。
4. 参与竞赛：在Kaggle、天池等平台参加医学影像相关的竞赛，这是获得实战经验和接触真实数据集的绝佳途径。
5. 关注开源项目：关注如MONAI（医疗AI开源框架）、nnU-Net（自适应分割框架）等项目，学习其工程化和方法论。

医疗影像特征提取是一个快速发展的领域，其核心在于如何让模型“看”到对诊断最有价值的信息。通过本次从论文理解到代码复现的完整流程，你已经掌握了构建一个基础医疗影像分析项目的关键技能。下一步，选择一个你感兴趣的特定疾病或影像模态，深入其数据特点和临床需求，尝试改进特征提取或融合策略，这将是迈向更高级研究的坚实一步。