AI 引擎能力概览
RadStudio 内置了三大 AI 引擎，分别覆盖影像组学、医学影像分割和自适应训练场景。本文档帮助你了解每个引擎的能力边界，以便选择合适的技术路线。
三大引擎对比
| 引擎 | 主要用途 | 需要编程？ | 典型场景 |
|---|---|---|---|
| PyRadiomics | 影像组学特征提取 | 否 | 肿瘤异质性分析、影像标志物筛选 |
| MONAI | 医学影像深度学习 | 否 | 器官分割、病变检测、分类 |
| nnU-Net v2 | 自适应医学分割 | 否 | 无需调参的自动分割基线 |
PyRadiomics — 影像组学引擎
PyRadiomics 是一个开源的影像组学特征提取平台，RadStudio 内置了 PyRadiomics 3.x 版本，并提供图形化配置界面。
能做什么？
- 从 CT / MRI / PET 影像中自动提取 100+ 种定量特征
- 支持 7 大特征家族
- 内置图像滤波器（小波、高斯拉普拉斯等）
- 符合 IBSI 1.0 标准（影像标志物标准化倡议）
特征家族一览
| 特征家族 | 特征数量 | 描述 | 典型应用 |
|---|---|---|---|
| First Order | 18 | 体素强度分布统计 | 肿瘤密度均值、标准差 |
| GLCM | 24 | 灰度共生矩阵 | 纹理均匀性、对比度 |
| GLRLM | 16 | 灰度游程长度矩阵 | 纹理粗细度 |
| GLSZM | 16 | 灰度区域大小矩阵 | 区域异质性 |
| NGTDM | 5 | 邻域灰度差矩阵 | 局部纹理粗糙度 |
| GLDM | 14 | 灰度依赖矩阵 | 灰度值依赖性 |
| Shape 3D | 16 | 三维形状特征 | 肿瘤体积、球形度、表面积 |
适用场景
- 肿瘤分类 — 提取纹理特征用于良恶性判别
- 预后预测 — 从影像中挖掘与生存期相关的标志物
- 疗效评估 — 治疗前后特征对比分析
- 影像基因组学 — 将影像特征与基因组数据关联
MONAI — 医学影像深度学习引擎
MONAI（Medical Open Network for AI）是专门为医学影像设计的深度学习框架。RadStudio 内置了经过医学影像优化的网络模型。
能做什么？
- 医学影像 分割（器官、肿瘤、病变）
- 医学影像 分类（疾病分级、异常检测）
- 医学影像 配准（多模态对齐）
- 医学影像 生成（数据增强、图像合成）
内置模型
| 模型 | 任务类型 | 适用模态 | 特点 |
|---|---|---|---|
| SegResNet | 3D 分割 | CT / MRI | 结合残差连接和变分自编码器，适合脑肿瘤分割 |
| UNet | 2D/3D 分割 | CT / MRI / X-Ray | 经典 U 型结构，通用性强 |
| DynUNet | 3D 分割 | CT / MRI | nnU-Net 风格的自适应网络 |
| SwinUNETR | 3D 分割 | CT / MRI | Transformer + CNN 混合结构 |
| DenseNet121 | 分类 | CT / X-Ray | 密集连接网络，适合疾病分类 |
| Vista3D | 3D 分割 | CT | 基于视觉 Transformer 的 CT 万能分割器 |
训练特性
| 特性 | 说明 |
|---|---|
| 自动混合精度 | 减少显存占用，加速训练 |
| 数据增强管线 | 内置医学影像专用增强（弹性变形、强度变换等） |
| 学习率调度 | Cosine / ReduceLROnPlateau / Warmup |
| 早停机制 | 防止过拟合，自动保存最优模型 |
| Checkpoint | 支持断点续训和模型导出 |
适用场景
- 器官分割 — 肝脏、肾脏、脾脏等腹部器官自动勾画
- 肿瘤分割 — 脑胶质瘤、肺结节、肝脏肿瘤
- 骨龄评估 — 基于腕部 X 光片的自动骨龄分级
- 疾病筛查 — 眼底病变、肺结节自动检测
nnU-Net v2 — 自适应分割引擎
nnU-Net（no-new-Net）是一个"无需人工调参"的自适应分割框架。它的核心理念是：让算法自动根据数据特征配置网络结构和训练策略。
能做什么？
- 自动分析数据 — 根据数据集的图像尺寸、体素间距、模态数自动配置网络
- 自动选择预处理 — 根据数据特征自动选择标准化、裁剪、重采样策略
- 自动集成 — 训练多个模型变体并自动集成最优结果
- SOTA 性能 — 在多项国际医学影像分割竞赛中取得 最佳成绩
nnU-Net v2 vs 手动配置
| 对比维度 | nnU-Net v2 | 手动配置 MONAI |
|---|---|---|
| 网络结构 | 自动确定 | 手动选择 |
| 预处理 | 自动分析数据 | 手动配置 |
| 数据增强 | 自动选择策略 | 手动选择 |
| 后处理 | 自动优化 | 手动配置 |
| 适用场景 | 快速建立分割基线 | 精细调整特定场景 |
| 调参难度 | 无需调参 | 需要一定经验 |
使用建议
- 新任务探索 — 优先使用 nnU-Net 快速获得基线结果
- 性能瓶颈 — 如果 nnU-Net 结果不满足需求，切换到 MONAI 模型进行精细优化
- 论文发表 — nnU-Net 被广泛认可，其结果是可靠的基线对比
如何选择引擎？
简单总结：
- 想从影像中提取数值特征做统计分析？ → 用 PyRadiomics
- 想训练模型自动分割器官/肿瘤？有标注数据？想快速出结果？ → 用 nnU-Net v2
- 想训练模型，需要精细调优？ → 用 MONAI
- 不确定？ → 先从 nnU-Net 开始，获得基线，再决定是否需要 MONAI 微调
下一步
- 工作流编辑器 — 在编辑器中选择和配置 AI 引擎节点
- 模型训练操作 — 配置参数、启动训练
- 开发指南 · AI 引擎扩展 — 开发自定义模型