第一个实验：从零到论文图表
本教程将带你完成一个完整的 RadStudio 实验：上传 CT 数据、搭建分割管线、训练模型、分析结果、导出论文级图表。全程无需编写代码。
预计时间
约 20-30 分钟（不含模型训练时间）
准备工作
开始之前，请确保：
- RadStudio 环境已就绪（参考 本地开发环境搭建）
- 准备好测试数据（示例用公开数据集或你自己的 DICOM/NIfTI 数据）
- 建议使用 GPU Worker 加速训练（CPU 模式也可，但速度较慢）
步骤 1：创建项目
- 打开浏览器，访问 RadStudio 前端地址
- 登录后进入仪表盘
- 点击「新建项目」
- 填写项目信息：
- 项目名称：
我的第一个分割实验 - 项目描述：
使用 MONAI SegResNet 进行肝脏 CT 分割
- 项目名称：
- 点击「创建」
步骤 2：上传数据
- 进入项目的「数据管理」页面
- 将 CT 影像文件（.nii.gz）拖拽到上传区域
- 同时上传对应的标注文件（segmentation mask）
- 等待解析完成，确认文件已出现在数据列表中
如果你没有自己的数据，可以从公开数据集下载示例数据，如 LiTS - Liver Tumor Segmentation Challenge。
步骤 3：搭建工作流
- 点击左侧导航「工作流编辑器」
- 点击「新建工作流」，命名为
肝脏 CT 分割
3.1 添加数据源节点
从左侧「数据源」分类中，拖拽 NIfTI 导入 节点到画布。点击节点，在右侧属性面板中：
- 选择刚才上传的 CT 影像文件
- 选择对应的标注文件（用于训练监督）
3.2 添加预处理节点
从左侧「预处理」分类中，依次拖拽并连接：
| 节点 | 配置 |
|---|---|
| 标准化 | 方法选择 Z-score |
| 重采样 | 体素间距设为 [1.0, 1.0, 1.0] |
连接方式：从节点的输出端口拖拽到下一个节点的输入端口。
3.3 添加模型节点
从左侧「模型」分类中，拖拽 SegResNet 节点到画布。连接到预处理节点的输出。
在属性面板中配置：
- 输入通道数：
1（单模态 CT） - 输出通道数：
2（背景 + 肝脏）
3.4 添加评估节点
从左侧「评估」分类中，拖拽 分割评估 节点到画布。连接模型节点和原始数据节点（需要标注文件用于评估）。
3.5 添加输出节点
从左侧「输出」分类中，拖拽 图表导出 节点到画布。连接到评估节点的输出。
完成后的工作流应如下所示：
[NIfTI 导入] -> [标准化] -> [重采样] -> [SegResNet] -> [分割评估] -> [图表导出]
^________标注反馈__________/
步骤 4：配置训练参数
点击 SegResNet 节点，在属性面板中展开「训练参数」：
| 参数 | 推荐值 | 说明 |
|---|---|---|
| Epochs | 100 | 训练轮数，可以先用 50 测试 |
| Batch Size | 4 | 根据 GPU 显存调整 |
| Learning Rate | 1e-4 | AdamW 优化器的学习率 |
| Train/Val/Test | 70/15/15 | 数据集拆分比例 |
步骤 5：启动训练
- 确认所有节点已正确连接，无红色警告标记
- 点击工具栏的「运行」按钮
- 选择执行 Worker（推荐 GPU，如果没有则选 CPU）
- 点击「确认运行」
系统会将任务提交到任务队列，可以在训练监控页面实时查看：
- 损失曲线 — 训练集和验证集的 loss
- Dice 指标 — 分割精度变化
- 资源占用 — GPU 使用率和显存
步骤 6：分析结果
训练完成后，进入「结果分析」页面：
6.1 查看评估指标
| 指标 | 典型值 | 解读 |
|---|---|---|
| Dice 系数 | > 0.90 | 分割精度较高 |
| IoU | > 0.80 | 重叠度良好 |
| 灵敏度 | > 0.85 | 漏检率低 |
6.2 查看分割结果
在 3D 可视化面板中：
- 旋转 3D 视图查看重建结果
- 浏览轴向/冠状/矢状切片
- 对比原始影像、标注和预测结果
步骤 7：导出论文图表
- 点击图表导出节点的输出
- 选择你需要的图表类型：
- ROC 曲线（PNG, 300 DPI）
- 训练损失/精度曲线
- 分割结果对比图
- 选择目标期刊模板（如
Radiology） - 点击「导出」
- 下载生成的图表文件
可选：使用 AI 助手生成论文段落
- 在工作流中额外添加 AI 助手 节点
- 连接到评估节点
- 选择「方法段落生成」
- AI 会根据你的实验配置和数据自动生成论文「方法」章节的初稿
注意：AI 生成的内容仅供参考，最终版本需要你审核和修改。
总结
恭喜！你已经完成了 RadStudio 的第一次完整实验。回顾整个过程：
创建项目 -> 上传数据 -> 搭建工作流 -> 配置训练 -> 运行训练 -> 分析结果 -> 导出图表
接下来你可以：
- 换个数据集 — 用你自己的临床数据重复此流程
- 换个模型 — 尝试 nnU-Net v2 或 SwinUNETR
- 精细化调优 — 调整预处理参数和训练超参数
- 深入分析 — 使用 PyRadiomics 提取影像组学特征