深度学习 · 医学影像入门路线图

ROADMAP

六阶段路线总览

零

筑基准备第 1–3 周

壹

机器学习第 4–8 周

贰

深度学习第 9–15 周

叁

计算机视觉第 16–20 周

肆

医学影像第 21–27 周

伍

科研入门第 28 周起

建议节奏：每周 12–15 小时

如果有课或轮转，宁可拉长周期，也不要只看视频不写代码。先专心走完 28 项核心，拓展资源只在需要时查阅。

代码必亲手敲。看视频时暂停、自己先写、再对答案；每章作业独立完成，不复制粘贴。
每阶段必须有产出物。一个仓库、一次竞赛提交、一份实验记录——看得见的成果才能推动持续进步。
报错是最好的老师。复制完整报错信息搜索，读最后三行堆栈；先自查 20 分钟再提问。

40% 写代码做项目30% 看课 / 读书20% 论文与笔记10% 周复盘

HANDS-ON MILESTONES

八个实战里程碑

ENVIRONMENT

第一天上手：环境配置

建议全程使用 PyTorch——2026 年医学影像生态（MONAI 等）几乎全部构建在它之上。没有 NVIDIA 显卡也完全可以开始：前两个阶段 CPU 足够，3D 影像阶段再使用实验室服务器或云端 GPU。

1安装 Miniconda

从 conda.io/miniconda 下载对应系统安装包。conda 用来为每个项目建立独立的 Python 环境，避免包版本互相污染。

# 安装后创建并激活名为 meddl 的环境
conda create -n meddl python=3.11 -y
conda activate meddl

2安装 PyTorch

先运行 nvidia-smi 查看显卡与 CUDA 驱动版本，然后到 pytorch.org 选择器复制对应命令。无显卡时使用 CPU 版。

# CPU 版（macOS / 无 N 卡机器）
pip install torch torchvision torchaudio

# GPU 版请以官网选择器为准，形如：
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

3安装医学影像全家桶

一条命令装好第四阶段所需的核心库：MONAI、医学影像 I/O、增强、可视化与 Jupyter。

pip install monai nibabel SimpleITK torchio \
  scikit-learn pandas matplotlib seaborn \
  jupyter tqdm tensorboard

4验证安装

运行下面的命令，看到版本号且 True（有 GPU 时）即大功告成。然后安装 VS Code 及 Python、Jupyter、Remote-SSH 三个插件。

python -c "import torch, monai; \
print(torch.__version__, monai.__version__, \
torch.cuda.is_available())"
# 期望输出形如: 2.x.x  1.x.x  True

暂时没有 GPU？ 前 15 周的练习在笔记本 CPU 或免费云端即可完成： Google Colab 与 Kaggle Notebooks 都提供免费 GPU（每周有额度），进入 MONAI 3D 分割阶段再申请实验室服务器资源即可。

FAQ

深度学习入门