医学图像处理代码实战：从DICOM读取到三维重建与分割

前一阵有个刚转行做医学影像算法的朋友来找我，说他从某医院那边拿到了一批脱敏后的CT数据，文件夹里装着一堆后缀为 .dcm 的文件。他第一反应是像处理普通照片一样用 OpenCV 直接读，结果 cv2.imread 返回一大片乱码。这个场景我太熟悉了，绝大多数第一次接触医学图像处理的人，都会在第一步摔跟头。

医学图像处理代码，本质上是一套专门围绕医学影像数据展开的工程化处理流程：从读取 DICOM / NIfTI 这类专用格式，到重建出三维体数据，再到预处理、分割、量化分析。跟常见图像分类、目标检测任务最大的区别在于，医学图像首先要解决的是“怎么把医疗设备产生的原始数据变成可计算、可分析的规则数据”。这篇内容适合两类人：一类是刚接触医学影像算法、准备把第一行代码跑起来的学生或工程师；另一类是已经能跑通常规视觉任务，但第一次面对 DICOM 序列、像素间距、窗宽窗位这些概念，需要一份完整落地方案的老手。

实际项目里，很多人反复搜“医学图像处理代码”，真正缺的往往不是某个炫酷算法，而是能不能把数据读对、把体数据构建好、把预处理好——后面做分割、分类，基本都是水到渠成的事。

1. 医学图像处理代码到底要从哪块下手

1.1 先想明白它解决的核心问题

医学图像处理代码要解决的核心问题，用一句话说：把医学影像设备输出的“文件集合”转成“可计算的三维体素场”，再在这个体素场里完成信息提取。

这句话拆开看有三层含义。

第一层是文件读取。DICOM 格式不像 PNG / JPG 那样一端到一端就能打开，它每个文件里除了图像像素，还包含大量元数据：患者信息（脱敏后一般只剩编号）、扫描协议、像素间距、切片厚度、图像位置、窗宽窗位等。这些信息决定了你后续重建出来的三维数据在物理空间里是不是准确的。很多人把 DICOM 当成“一堆图”来处理，只取像素不管元数据，最后重建出来的体数据层间距对不上，算法再好也白搭。

第二层是体数据构建。一个 CT 序列通常有几百张二维切片，每张切片对应一个空间位置。把这些切片按位置信息堆叠起来，同时正确处理像素间距和层间距，才能得到真正意义上的三维体数据。构建完成后，每个体素都有一个物理坐标，算法可以基于真实空间尺寸做计算，而不是基于“像素编号”瞎猜。

第三层是信息提取。这也就是大家常说的分割、检测、配准、分类等任务。拿分割举个例子，某个器官在 CT 图像中的灰度范围相对固定，但噪声、伪影、组织边界模糊都会干扰判断，所以通常需要一整套预处理流程把信号质量提上来，再交给阈值、边缘检测或者深度学习模型。

我的建议是，入门阶段不要把精力放在调参深度学习模型上，先花两周时间把前三步做得足够扎实。数据都读不对的情况下，模型效果差根本不知道是数据问题还是模型问题，排查起来会非常崩溃。

1.2 医学图像处理和普通 CV 处理不是一回事

很多人一开始会拿普通图像处理的经验硬套医学图像，结果处处碰壁。这里有几个核心差异，越早知道越省时间。

第一个差异是维度。普通图像是二维的，每个像素有行列坐标；医学图像本质是三维的，每个体素有行列、层面三个维度的坐标。读进来的数据哪怕你用 numpy 展平成二维数组，它背后的物理含义依然是三维的。处理时如果忽略 z 轴方向的信息，相当于把立体问题硬压成平面问题，分割出来的体积、距离都会严重失真。

第二个差异是空间语义。普通图像里像素间距是“1 像素 = 1 像素”，医学图像每个维度的间距可能是 0.5mm、1.0mm、5mm 不等，而且不同扫描设备、不同扫描协议下数值都不一样。计算器官体积、病灶尺寸时，必须把体素数量乘以体素的真实物理体积，否则算出来的数值毫无意义。

第三个差异是像素值含义。普通 RGB 图像像素值是颜色亮度，医学图像里比如 CT 的像素值单位是亨氏单位（HU），空气约 -1000，水约 0，骨骼约 400 到 1000 以上。这些数值有明确的物理意义，处理时要基于这个物理意义做窗宽窗位调整、阈值分割，不能像处理自然图像那样随便做归一化。

第四个差异是方向信息。DICOM 文件里存储了图像的扫描方向：矢状位、冠状位、轴位等，还记录了图像相对于患者坐标系的方位。读取后如果不做方向校正，直接按照数组下标去可视化或计算，很容易出现左右颠倒、上下翻转的问题。

理解这四点之后再去看“医学图像处理代码”，你会发现每条代码背后的逻辑都是围绕这些特性展开的，而不是机械地调库。

1.3 技术选型背后的思路

医学图像处理的代码实现方案很多，有人用 C++ 配合 VTK / ITK，有人用 MATLAB，但近五年的主流明显集中在 Python 生态：numpy 负责数值运算，SimpleITK 负责医学图像读写和空间变换，pydicom 负责细粒度读取 DICOM 元数据，scikit-image 提供通用图像算法，OpenCV 用于部分辅助图像处理，matplotlib 和 ITK 的可视化组件用于结果展示。

选 Python 而不是 C++，最大的原因是生态成熟、迭代效率高。医学图像算法的研究属性强，经常要反复实验不同方案，Python 的交互式环境加丰富的库支持能极大缩短验证周期。生产环境如果确实有性能要求，用 C++ 重写核心模块也是常规做法，但前期的算法探索基本都交给 Python。

SimpleITK 和 pydicom 的定位不同。SimpleITK 主要处理“体级别”的操作，比如读取整个序列、重采样、滤波、分割，它内部封装了医学图像领域的经典算法，接口对 Python 用户非常友好。pydicom 则更适合“文件级别”的解析，比如单独查看一个 DICOM 文件里某个标签的数值，或者手动处理不规则的 DICOM 文件。实际项目中两者经常搭配使用：先 pydicom 读元数据做判断，再用 SimpleITK 读序列做处理。

2. 环境搭建与依赖准备

2.1 用虚拟环境隔离依赖版本

医学图像处理涉及的库非常多，而且相互之间有版本依赖关系。我见过好几个同学图省事直接用系统 Python 装库，结果某天装了一个新库，把 numpy 版本升级了，以前跑得好好的脚本突然报错，最后整个环境乱成一锅粥。这种问题在医学图像处理里尤其明显，因为很多库对 numpy 的版本有硬性要求。

我个人的习惯是每个项目单独建虚拟环境。

python -m venv medimg_env source medimg_env/bin/activate # Linux / macOS # 或者是 medimg_env\Scripts\activate # Windows

激活虚拟环境之后，再用 pip 安装依赖。这样各项目之间的库版本互不干扰，出了问题删掉重建也就几十秒的事。

2.2 核心依赖安装

基础依赖给一个可以直接抄的清单：

pip install numpy pip install SimpleITK pip install pydicom pip install scikit-image pip install opencv-python pip install matplotlib

如果后续要跑深度学习，再额外安装对应的深度学习框架和医学图像工具库，比如：

pip install torch pip install monai

MONAI 是医学影像深度学习领域比较流行的工具库，里面集成了大量数据预处理、增强、评估的模块，跟 PyTorch 配合很顺手。但我不建议新手一上来就装，先把前面的基础流程跑明白再说。

2.3 版本兼容性经验

几个我实际踩过的版本坑，先写出来帮你避雷。

pydicom 在 2.x 版本里对 Python 3.7 以下不支持，如果用老系统要先检查 Python 版本。SimpleITK 的版本更新相对激进，新版本偶尔会修改某些函数名，报错时优先去查官方文档的迁移说明，而不是盲目在搜索平台上找旧答案。OpenCV 在医学图像处理里主要当辅助工具，比如快速做中值滤波、形态学操作，但读取 DICOM 永远不要依赖它，读不了。

安装完成之后，验证一下：

import SimpleITK as sitk import pydicom as dicom import numpy as np import cv2 print(sitk.Version_VersionString()) print(dicom.__version__) print(np.__version__) print(cv2.__version__)

如果这几个版本号都能正常打印出来，环境就基本没问题了。

3. DICOM 读取与格式转换实战

3.1 DICOM 文件结构先拆解一下

DICOM 是医学数字成像和通信标准，文件名可以是 .dcm，也可以没有后缀。每个 DICOM 文件由两部分组成：文件元信息头和数据集。头部包含该文件的传输语法、信息模型等，数据集里则是标准的 DICOM 标签（Tag），每个标签有组号、元素号和对应的值。

举个例子，标签 (0020,0032) 表示图像位置，也就是这张切片在患者坐标系里的空间坐标；(0028,0030) 表示像素间距，记录了体素在 X、Y 方向的实际尺寸；(0018,0050) 表示层厚；(0028,1050) 和 (0028,1051) 分别表示窗宽和窗位。

理解这些标签的实际意义很重要。比如你拿到一个序列，判断它是不是按顺序排列的，不能只看文件名是不是 001、002、003，因为有些扫描协议产生的切片顺序跟文件名不严格对应，必须根据 (0020,0032) 里的 Z 坐标来排序，否则重建出来的体数据层面顺序错乱，三维分析全部出错。

3.2 用 SimpleITK 一次性读取整个序列

读取 DICOM 序列最稳的方法是直接用 SimpleITK 的 ImageSeriesReader，它会自动解析文件夹里的 DICOM 文件，按空间位置排序构建出三维体数据。

import SimpleITK as sitk import os dicom_dir = "/path/to/dicom_folder" reader = sitk.ImageSeriesReader() file_names = reader.GetGDCMSeriesFileNames(dicom_dir) if len(file_names) == 0: print("未找到 DICOM 序列，请检查目录") else: reader.SetFileNames(file_names) image = reader.Execute() print("图像尺寸（行，列，层数）:", image.GetSize()) print("像素间距:", image.GetSpacing()) print("图像原点:", image.GetOrigin()) print("图像方向矩阵:", image.GetDirection())

这里 GetSize 返回的是 (列数, 行数, 层数)，注意这个顺序跟 numpy 数组的 shape 顺序正好相反。GetSpacing 返回的是 (X 方向间距, Y 方向间距, Z 方向间距)。这两个顺序问题非常容易搞反，后面做重采样时一旦写错，实际处理的方向就会偏移。

得到的 sitk.Image 对象可以直接用于后续所有 SimpleITK 操作，也可以转成 numpy 数组：

array = sitk.GetArrayFromImage(image) # array shape 为 (层数, 行数, 列数)

这一步是把体数据放到 numpy 里做自定义处理的起点。

3.3 用 pydicom 手动读取元数据

有些场景需要单独看某个 DICOM 文件的元数据，比如检查某个病例的扫描参数，或者读取 SimpleITK 可能没暴露的信息。这时候用 pydicom 更直接：

import pydicom as dicom dcm = dicom.dcmread("/path/to/one_slice.dcm", force=True) print("患者ID:", dcm.PatientID) print("图像位置:", dcm.ImagePositionPatient) print("像素间距:", dcm.PixelSpacing) print("层厚:", dcm.SliceThickness) print("窗宽窗位:", dcm.WindowWidth, dcm.WindowCenter) print("像素尺寸:", dcm.Rows, dcm.Columns)

如果需要手动构建三维体数据，可以循环读取所有切片，按 ImagePositionPatient 里的 Z 值排序，再用 numpy 组装，最后通过 SimpleITK 的 GetImageFromArray 恢复成体数据。这个过程能加深对体数据构建的理解，但项目里还是建议优先用 ImageSeriesReader，稳定可靠。

3.4 数组方向与坐标轴对应

拿到 numpy 数组之后，很多人会混混淆维度含义。我常用的参考框架是：

• array[i, j, k]，i 是第几层，j 是行方向，k 是列方向。
• SimpleITK 里 GetSize 返回的是 (k 的最大值对应列数, j 对应行数, i 对应层数)。
• 体素坐标计算时，列方向乘以 X 间距，行方向乘以 Y 间距，层方向乘以 Z 间距。

可视化时，如果要看某一层轴位图像，就取 array[selected_slice, :, :]。想在横断面（轴位）上看病灶位置，这一步足够。但如果想从矢状面或冠状面观察，就需要对数组做转置或切片交换，具体根据方向矩阵来定。

4. 预处理与图像增强实操

4.1 重采样：把不同尺寸和间距的数据统一起来

医学图像的重采样至关重要。不同设备、不同扫描协议出来的数据，像素间距和层间距可能完全不同。比如一台设备出的是 0.5mm 轴间距、5mm 层厚，另一台是 0.8mm 轴间距、1.25mm 层厚。如果两个数据直接扔进同一个模型，相当于用不同尺度的尺子量同一个物体，结果必然不稳定。

重采样的本质是把体数据重新映射到一个统一的物理网格上。SimpleITK 里有 ResampleImageFilter：

import SimpleITK as sitk import numpy as np image = sitk.ReadImage("/path/to/input.nii") original_spacing = image.GetSpacing() original_size = image.GetSize() new_spacing = (1.0, 1.0, 1.0) # 新尺寸根据物理范围计算 new_size = [ int(round(original_size[0] * original_spacing[0] / new_spacing[0])), int(round(original_size[1] * original_spacing[1] / new_spacing[1])), int(round(original_size[2] * original_spacing[2] / new_spacing[2])), ] resampler = sitk.ResampleImageFilter() resampler.SetOutputSpacing(new_spacing) resampler.SetSize(new_size) resampler.SetOutputOrigin(image.GetOrigin()) resampler.SetOutputDirection(image.GetDirection()) # 线性插值在大多数场景是安全选择 resampler.SetInterpolator(sitk.sitkLinear) new_image = resampler.Execute(image) print("Resampled size:", new_image.GetSize())

需要注意，如果做分割标签图的重采样，插值方法要选最近邻插值（sitkNearestNeighbor），因为线性插值会在标签边界产生中间值，破坏标签的类别语义。

重采样还有一个隐性收益：数据增强。把训练数据统一到同一分辨率，模型不用额外去学习不同间距带来的尺度变化，训练稳定性会明显提升。

4.2 窗宽窗位调整：让肉眼和组织特征“现形”

CT 图像存储在 DICOM 里的像素值通常是原始 HU 值，范围非常大（-1024 到 3000 以上）。人的视觉对这么宽的动态范围分辨能力很差，直接显示的话图像就是一片黑或者一片白。窗宽窗位的本质是选择一个感兴趣的组织灰度范围，把范围内均匀展开到完整的显示范围。

比如肝脏窗，常见窗宽 150 HU、窗位 40 HU，显示范围约 -35 到 115 HU；肺窗，窗宽 1200 HU、窗位 -600 HU，显示范围约 -1200 到 0 HU。调整之后，原本看不清的软组织对比度会一下子拉开。

代码实现上有现成函数，也可以手动裁剪：

import numpy as np array = sitk.GetArrayFromImage(image) window_width = 150 window_center = 40 lower = window_center - window_width / 2.0 upper = window_center + window_width / 2.0 windowed = np.clip(array, lower, upper) windowed = (windowed - lower) / (upper - lower) * 255.0 windowed = windowed.astype(np.uint8)

这里做完窗宽窗位后，数组就从“物理数值”变成了“可视化数值”，如果还要继续做定量分析，要小心别在原图上直接操作，最好保留原始体数据，只对可视化副本做窗宽窗位调整。

4.3 去噪与归一化

医学图像多多少少有噪声，尤其是低剂量 CT。处理噪声时我建议优先使用 SimpleITK 内置的滤波算法，比如高斯平滑、双边滤波、非局部均值等。

非局部均值滤波在 CT 图像去噪里效果相当不错，能在保持边缘细节的同时抑制噪声：

denoised = sitk.CurvatureFlow(image, timeStep=0.05, numberOfIterations=5)

CurvatureFlow 对边缘保留有一定优势，但注意千万不要对分割标签图做平滑滤波，否则边界位置标签值会改变。

归一化也是关键一步。医学图像的数值范围大，直接送进神经网络会产生梯度不稳定的问题。常见做法是裁剪到合理范围再做标准化：

array = sitk.GetArrayFromImage(image) # 裁剪到 -200 到 400 HU 范围，这个范围通常覆盖大部分软组织 array = np.clip(array, -200, 400) mean = array[array != 0].mean() std = array[array != 0].std() normalized = (array - mean) / (std + 1e-8)

这里排除 0 是因为很多背景区域的像素值可能不参与计算。具体裁剪范围要根据任务来定，骨骼任务可以放宽到 400 以上，软组织任务一般 -200 到 400 够用。归一化后的数据用于模型输入，原始数据始终保留一份作为基准。

5. 图像分割实战

5.1 阈值分割：最基础也最实用

阈值分割是医学图像分割里最经典、最容易上手的方法。原理非常简单：设定一个灰度范围，范围内设为 1，范围外设为 0。

在 CT 图像里，比如骨骼的 HU 值通常在 300 以上，软组织在 40 左右，空气在 -1000。所以做骨骼分割可以直接设阈值：

import SimpleITK as sitk image = sitk.ReadImage("/path/to/ct.nii") # 骨骼阈值分割 seg = sitk.BinaryThreshold( image, lowerThreshold=300, upperThreshold=3000, insideValue=1, outsideValue=0 )

对于某些器官，比如肝脏，虽然灰度范围相对集中，但个体差异大，直接固定阈值经常失败。此时可以先用大津法（Otsu）自动估算阈值区间，再结合人工调整：

# 先做窗宽窗位裁剪 seg = sitk.OtsuThreshold(image, insideValue=1, outsideValue=0, numberOfHistogramBins=256)

Otsu 方法在图像直方图呈现双峰分布时效果好。但医学图像的组织分布很复杂，单峰情况下 Otsu 容易失效，需要结合形态学后处理来修正。

5.2 连通域分析与形态学后处理

阈值分割的结果往往会包含很多散点、空洞和断裂区域。比如骨骼分割可能出现一块骨头中间有小空洞，软组织分割可能把肠道气体也带进来。这时候需要用形态学操作和后处理。

先做形态学闭合，填补小型空洞：

# 先转换成分段标签 seg = sitk.BinaryMorphologicalClosing(seg, [3, 3, 3])

再通过连通域分析，筛选出体积比较大的目标区域：

# 连通域标记 connected = sitk.ConnectedComponent(seg) # 统计每个连通域的体积 stats = sitk.LabelShapeStatisticsImageFilter() stats.Execute(connected) labels = connected.GetUniqueLabelValues() for label in labels: volume = stats.GetPhysicalSize(label) # 物理体积，单位由图像间距决定 print("区域", label, "体积", volume, "mm^3")

如果只需要保留最大区域，可以遍历所有连通域，只保留大于某个阈值体积的区域，然后重新生成掩膜。这个步骤在实际病例中非常有用，比如肝脏分割完成后，把残留在腹壁上的噪声区域按体积过滤掉。

形态学操作的核大小也需要结合数据实际物理间距来选择。固定 3×3×3 的核在体素间距 1mm 时可能合适，在 5mm 层厚的数据上就偏小，处理效果会打折扣。

5.3 分割结果保存为掩膜

分割结果可以保存为 NIfTI 格式，方便其他软件查看或用深度学习模型继续处理：

sitk.WriteImage(seg, "/path/to/seg_result.nii.gz")

保存之后，检查掩膜和原图像的空间对齐。方法很简单，把两者读进来，直接看尺寸、间距、方向是否一致。不一致说明中间有一步空间变换没做对。判断空间对齐是否正确的唯一金标准是：叠到原图上，看边缘轮廓是否贴合。

5.4 让分割结果更贴近实际病灶

阈值分割和形态学处理虽然基础，但在不少场景下已经够用。不过也得诚实说，医学图像里边界模糊、灰度重叠区域多，复杂任务还是得靠深度学习方法。我个人的建议是：先用传统方法把整体流程跑通，对数据特点和任务难点建立直觉，再切换到深度学习模型。这个顺序能帮你更快定位模型失败的原因，不会一出问题就觉得“是不是该换更强的网络”。

6. 可视化与评估

6.1 用 matplotlib 快速查看结果

开发阶段最常用的可视化工具就是 matplotlib。看某一层切片时：

import matplotlib.pyplot as plt import SimpleITK as sitk image = sitk.ReadImage("/path/to/ct.nii") seg = sitk.ReadImage("/path/to/seg_result.nii.gz") # 选中间层 slice_index = image.GetSize()[2] // 2 array = sitk.GetArrayFromImage(image) seg_array = sitk.GetArrayFromImage(seg) plt.figure(figsize=(12, 5)) plt.subplot(1, 2, 1) plt.imshow(array[slice_index, :, :], cmap="gray") plt.title("CT") plt.subplot(1, 2, 2) plt.imshow(array[slice_index, :, :], cmap="gray") # 掩膜叠加 masked = seg_array[slice_index, :, :] plt.imshow(masked, cmap="hot", alpha=0.4) plt.title("Segmentation overlay") plt.show()

手动检查几个关键层面，尤其是病灶最大层面和边界变化快的层面，确认分割结果与图像边缘贴合，这一步不能省。

6.2 用 ITK-SNAP 一类的工具做交互式检查

很多时候，靠 matplotlib 看二维切片不够直观，尤其是三维空间关系，需要交互式可视化。ITK-SNAP 是医学图像处理里很好用的免费可视化工具，可以同时加载原图、分割掩膜，三维旋转查看，还能手工编辑分割结果。对于开发阶段的快速验证和标注任务，非常顺手。

如果做纯代码层面的三维可视化，可以用 SimpleITK 配合 ITK 的渲染功能，或者在 Python 里用 vtk 做体绘和面绘。这个进阶技能等流程跑通后再学。

6.3 量化评估指标

如果分割是面向科研或实验对比，量化指标必须具备：Dice 相似系数、体积重叠率、表面距离、体积误差等。Dice 系数最常用，公式是 2 倍交集除以两个集合大小之和，值越接近 1 越好。

用 SimpleITK 直接算：

label = sitk.ReadImage("/path/to/gt.nii.gz") pred = sitk.ReadImage("/path/to/pred.nii.gz") overlap = sitk.LabelOverlapMeasuresImageFilter() overlap.Execute(label, pred) print("Dice:", overlap.GetDiceCoefficient()) print("Jaccard:", overlap.GetJaccardCoefficient())

基于体素的指标容易受图像分辨率影响。比如两套数据一个层厚 1mm，一个层厚 5mm，同样的表面误差在体素层面表现差别很大。严谨的评估应该在毫米级空间做距离计算，SimpleITK 里也有对应的表面距离滤波器。

7. 高频问题与排坑记录

7.1 问题速查表

下面这些坑是我在实际操练中反复遇到的，归类成表格放在这，遇到问题直接对号入座。

7.2 我个人的几条实操经验

第一条经验是：每做一步空间变换，都要停下来检查一次空间元数据。重采样、插值、裁剪，任何一个操作都可能改变尺寸、间距、方向，哪怕只变了一个值，后面所有步骤都会跟着错。我一般写完一段代码会顺手打印新数据的 GetSize、GetSpacing、GetOrigin，肉眼确认符合预期。

第二条经验是：处理医学图像永远要把“原始数据”放在不可变的位置上。所有预处理、归一化、重采样都生成新的数组或新文件，绝不覆盖原图。病理数据可能需要反复回溯验证，没有原始数据做基准，后面发现问题都无从下手。

第三条经验是：固定随机种子。深度学习实验涉及随机初始化、数据增强随机扰动，如果种子不固定，两次实验的差异完全可能来自随机因素，而不是算法改动。医学图像实验对可复现性要求高，这个细节容易被忽略。

7.3 一个真实排查案例

有次我在处理某医院脱敏后的腹部 CT 序列时，SimpleITK 读进来后三维重采样一直异常，病灶位置在矢状面上看起来像是上下颠倒。一开始我以为是重采样参数写错，查了半天发现是 DICOM 序列里混入了一张定位像（scout image），定位像和真实横断位切片的矩阵大小、像素间距都不一致，ImageSeriesReader 默认按文件名排序后把这张定位像当成普通切片读进来了。

解决办法是先遍历所有文件，根据图像的 ImageType 或者是否包含正确的切片位置信息筛掉定位像，再用 ImageSeriesReader 读取剩余文件。类似情况在真实数据里很常见，多关注元数据而不是盲目相信文件名。

还有一次，某批数据的层间距离不是均匀的，有些序列扫描中途调整了床移动速度，导致相邻切片间距不同。这种情况用 ImageSeriesReader 直接读会得到方向混乱的体数据，需要根据每张切片的 ImagePositionPatient 重新计算精确位置，再做插值重采样到规则网格。这类问题没有标准答案，但提前意识到 DICOM 数据“不规整”是常态，排查时就不会一头雾水。

最后补一个很实用的技巧

前阵踩过几次坑之后，我给自己定了一个铁律：处理医学图像，第一步永远是打印完整影像元数据，第二步永远是画三视图检查方向。不管数据是谁给的，不管文件名多规整，都要做完这两步再继续往下写，真的能拦掉一大半低级错误。

再补一个好用的小细节，SimpleITK 自带一个 SitkMouseEvents 或者直接贴一张中间层切片进行可视化检查，我在开发阶段几乎每改一个参数都会快速跑一遍看效果。配合 ITK-SNAP 做交互确认，能把肉眼检查的效率提升很多。医学图像处理的代码工程化程度很高，但真正验证效果的手段其实还是靠肉眼结合定量指标双重判断。

如果用得着上面的代码，直接拷贝改一下路径就能跑。医学图像数据处理最花时间的部分往往不在算法本身，而在对真实数据各种意外情况的理解。先把基础流程练到肌肉记忆，后面遇到新的数据集，处理速度会快一倍不止。