影像AI预处理中的重采样与归一化，投稿时怎样复现？

医学影像AI论文常用一句“所有图像重采样并归一化”带过预处理。可同样大小的输入张量，不一定代表相同的物理体素尺寸；同样落在零到一的灰度，也可能来自不同的窗宽、截断范围或统计基准。模型性能若依赖这些处理，投稿时需要让读者从原始影像走到模型输入，逐步复现空间和强度的变化。

从原始影像定义起点

说明影像模态、扫描协议、原始体素间距、层厚及矩阵大小的范围，并区分受检者、检查和图像序列的数量。不同医院若采用不同设备或重建核，不能只给全体平均间距。写出导入格式、方向坐标、选取了哪些序列及排除规则。CLAIM 2024要求交代影像采集协议和可复现的预处理步骤，明确提到归一化、图像尺寸重采样、位深或窗位窗宽变化。

空间重采样不能只写目标尺寸

先说明是将三维体素间距改成统一的毫米值，还是仅把二维切片缩放为固定像素数；两者回答不同问题。给出目标间距或尺寸、轴向顺序、插值方式、边界填充值及执行顺序。如果影像和病灶分割标签一同变换，应分别写出插值规则，避免把离散标签变成未经解释的连续灰度。裁剪或补边还需说明依据是人体轮廓、标注区域还是固定坐标，以及处理失败的病例数。软件流水线即使有默认值，也要记录版本和实际参数。

强度归一化要交代参照集

CT 可涉及窗位窗宽和截断，MRI 可能使用每幅图、每次检查或训练集的均值方差；不能用“标准化”一词代替公式和取值范围。写出截断界限、是否忽略背景零值、每通道如何处理以及参数在哪个数据子集估计。若先从整套数据估计全局归一化参数再划分训练和测试，就会让测试分布参与参数确定；应先划分，并说明测试影像如何应用预定规则。外部测试集若采用特殊校准，也要独立说明，以免读者误认为模型直接接收原始图像。

把顺序和模型输入对上

列出一步步操作：例如方向统一、体素重采样、窗宽截断、强度变换、裁剪、补边，再到通道组合。操作顺序改变，边缘和强度统计可能不同。对数据增强，分清只在训练期随机执行的变化，与训练和测试期都固定执行的预处理。模型说明中的输入维度、像素间距和通道数应与处理后的文件一致；若推断时仍需逆变换回原空间，交代输出坐标如何映射。

最后任选一例来自外部医院的影像，从原始文件元数据追到处理后的尺寸、强度范围和模型输入张量。若中途某一步无法由稿件中的参数重复，补充配置文件或方法说明。这条路径写清后，读者才能判断模型输入与测试结果是否可复现。

参考信息：CLAIM 2024医学影像AI报告清单；MONAI Label预处理示例与MONAI变换文档；医学影像预处理参数对特征稳定性影响的原始研究。