影像读取及预处理：预处理后的数据集建议保存在本地，可以减少训练时的部分资源消耗。里面提到了归一化的

对分割的一些理解：基于深度学习来做医学图像处理，主要的工作集中在了数据预处理部分：深入理解医学图像的格式和特点；设计合适的图像预处理操作增强目标特征；将原始格式的数据处理为适合深度学习模型输入的格式。这三点也是从自然图像处理转到医学图像处理过程中最困难的三点。        模型的区别并不会对基于深度学习的医学图像分割产生太大的影响。换句话说，对于自然图像分割很优秀的网络模型，完全可以直接迁移到医学图像上来（反之亦然），效果如何只能训完看看了（如非常著名的FCN、SegNet、U-Net等，特别是U-Net最初就是在MICCAI上发表的）。当然，如果要高效的设计训练模型，还是要结合数据特点（如待分割对象的尺寸范围、2D还是3D等等）进行网络设计。AutoDL技术2019年效果突出Neural Architecture Search: A Survey），估计以后网络模型设计难以恰饭。

医学影像数据集：

Challenges - Grand Challenge (grand-challenge.org)

Introduction - Grand Challenge (grand-challenge.org)

分割Pipeline