用户指南

本指南按照生境分析的逻辑顺序组织，帮助您从数据准备到模型部署完成整个工作流程。

工作流程概述

HABIT 的完整工作流程包括以下步骤：

  1. 数据准备: 准备医学图像数据和 ROI 掩码

  2. 图像预处理: 对原始图像进行预处理（重采样、配准、标准化等）

  3. 生境分割: 使用聚类算法将肿瘤分割为多个生境

  4. 生境特征提取: 从生境图中提取各种特征

  5. 机器学习建模: 使用提取的特征进行机器学习建模

工作流程图：

生境分析工作流程

步骤顺序说明：

  • 预处理和 ROI 准备可以互换: 可以先进行预处理，也可以先勾画 ROI

  • 勾画不是 HABIT 的重点: 推荐使用 ITK-SNAP、3D Slicer 等专业工具

  • 生境分割是核心: HABIT 的核心功能是生境分割和特征提取

  • 机器学习是可选的: 可以使用提取的特征进行其他分析

CLI 和 Python API：

每个步骤都支持两种使用方式：

  • CLI: 适合批处理和自动化任务

  • Python API: 适合集成到其他项目或进行定制化开发

选择适合您的使用方式，参考每个步骤的详细文档。

自定义扩展

HABIT 支持高度的自定义扩展，您可以：

  • 自定义预处理器: 添加自定义的图像预处理方法

  • 自定义特征提取器: 添加自定义的聚类特征提取方法

  • 自定义聚类算法: 添加自定义的聚类算法

  • 自定义策略: 添加自定义的生境分割策略

  • 自定义模型: 添加自定义的机器学习模型

  • 自定义特征选择器: 添加自定义的特征选择方法

参考 自定义扩展指南 了解详细的扩展指南。

配置文件

HABIT 使用 YAML 配置文件来控制所有参数。每个步骤都有对应的配置文件模板：

  • 预处理配置: config_preprocessing.yaml

  • 生境分析配置: config_habitat.yaml

  • 特征提取配置: config_extract_features.yaml

  • 机器学习配置: config_machine_learning.yaml

参考 配置参考 了解配置文件的详细说明。

数据结构

HABIT 支持两种数据输入方式：

  1. 文件夹方式: 按照固定的文件夹结构组织数据

  2. YAML 配置文件方式: 通过 YAML 文件指定数据路径（推荐）

参考 数据结构说明 了解数据结构的详细说明。

下一步

选择您感兴趣的步骤，查看详细文档：

或者查看：