cyd0806/neuroscan-ai

NeuroScan AI

智能医学影像纵向诊断系统
AI-Powered Longitudinal Medical Imaging Analysis Platform

功能 • 快速开始 • 架构 • 演示 • API

---

🎯 项目简介

NeuroScan AI 是一个完整的医学影像智能分析系统，专注于解决临床中最具挑战性的问题——纵向时序分析。系统通过先进的图像配准技术和大语言模型，实现全自动的病灶追踪、变化量化和智能报告生成。

核心价值

痛点	解决方案
不同时期影像难以对齐	两级配准（刚性+非刚性），亚毫米精度
病灶变化难以量化	体素级差异计算，RECIST 1.1 自动评估
报告撰写耗时长	LLM 智能生成，3分钟出报告
数据隐私担忧	完全本地部署，数据不出院

---

✨ 核心功能

1. 多格式数据支持

• DICOM - 支持所有主流 CT/MRI 设备
• NIfTI - 标准神经影像格式
• NRRD/MHA - 3D Slicer 兼容格式
• 自动元数据提取和标准化

2. 智能器官分割

• 基于 MONAI 深度学习框架
• 支持 104 种解剖结构
• 全身 CT 一键分割

3. 高精度图像配准

• 刚性配准 - 修正体位差异
• 非刚性配准 - 修正呼吸运动和软组织形变
• 配准耗时 < 20 秒

4. 纵向变化检测

• 体素级差异图计算
• 变化区域自动识别
• 热力图可视化

5. LLM 智能报告

• 本地部署 Ollama（Llama3.1/Meditron）
• 符合 ACR 标准的报告格式
• 中英文双语支持
• RECIST 1.1 疗效评估

---

📥 Hugging Face 下载

项目已上传到 Hugging Face Hub，可一键下载部署：

# 安装 huggingface_hub
pip install huggingface_hub

# 下载完整代码
from huggingface_hub import snapshot_download
snapshot_download(repo_id="cyd0806/neuroscan-ai", local_dir="./NeuroScan")

# 下载模型权重
snapshot_download(repo_id="cyd0806/neuroscan-ai-models", local_dir="./models")

# 下载数据集
snapshot_download(repo_id="cyd0806/neuroscan-ai-dataset", repo_type="dataset", local_dir="./data")

仓库	内容	链接
📦 代码	完整项目代码	cyd0806/neuroscan-ai
🧠 模型	MONAI 分割模型	cyd0806/neuroscan-ai-models
📊 数据	Learn2Reg 数据集	cyd0806/neuroscan-ai-dataset

---

🚀 快速开始

硬件需求

NeuroScan AI 支持多种部署场景，以下是不同使用模式的硬件需求：

📊 实测资源消耗 (高并发压力测试结果)

详细测试报告见 BENCHMARK.md

测试环境:

• CPU: Intel Xeon Platinum 8350C (64核/128线程)
• 内存: 2TB DDR4
• GPU: NVIDIA A800-SXM4-80GB
• 测试数据: Learn2Reg Lung CT, 输入尺寸 192×192×208, 单卷 58.5 MB

CPU 并发测试 (配准+变化检测):

并发数	总耗时	吞吐量	CPU峰值	CPU均值	内存增量	并行效率
1	7.4s	8.1/min	10.3%	1.9%	+1.0 GB	100%
2	7.7s	15.6/min	38.8%	5.4%	+2.0 GB	192%
3	8.4s	21.3/min	39.2%	7.4%	+3.0 GB	262%
4	9.1s	26.5/min	42.6%	9.5%	+4.0 GB	325%
5	9.6s	31.2/min	42.0%	11.3%	+5.0 GB	384%

GPU 并发测试 (MONAI器官分割):

并发数	总耗时	GPU显存峰值	GPU利用率	CPU峰值
1	8.2s	9.0 GB	100%	37.5%
2	8.5s	15.0 GB	100%	5.8%

单任务耗时分解:

阶段	CPU配准流程	GPU分割流程
数据加载	0.1s (1%)	0.1s (1%)
刚性配准	1.1s (15%)	-
非刚性配准	6.2s (84%)	-
模型推理	-	8.1s (99%)
总计	7.4s	8.2s

📊 使用场景对照表

功能模块	CPU	内存	GPU 显存	说明
📁 数据加载 (DICOM/NIfTI)	2 核	2 GB	无需	基础功能
🔄 图像配准 (刚性+非刚性)	4 核	4 GB	无需	SimpleITK CPU 计算
📈 变化检测	2 核	2 GB	无需	NumPy 计算
🧠 器官分割 (MONAI)	4 核	8 GB	9-12 GB	深度学习推理
💬 LLM 报告 (7B模型)	4 核	8 GB	4-6 GB	Ollama 推理
💬 LLM 报告 (3B模型)	2 核	4 GB	2-4 GB	轻量级模型

🖥️ 推荐配置方案

方案	CPU	内存	GPU	存储	适用场景
💡 入门版	4 核	8 GB	无	20 GB	仅配准+变化检测，无 AI 功能
⚡ 标准版	8 核	16 GB	RTX 3060 (12GB)	50 GB	完整功能，使用 3B LLM
🚀 专业版	16 核	32 GB	RTX 4090 (24GB)	100 GB	高性能，分割+8B LLM
🏢 企业版	32 核+	64 GB+	A100 (40GB+)	500 GB+	批量处理，多用户

💰 云服务器租用建议

云服务商	推荐机型	配置	月费用估算
AWS	g4dn.xlarge	4C16G + T4 16GB	~$380/月
阿里云	ecs.gn6i-c4g1.xlarge	4C15G + T4 16GB	~¥2500/月
AutoDL	RTX 3090	4C24G + RTX 3090 24GB	~¥2.5/时
推荐入门	AutoDL RTX 3060	4C16G + RTX 3060 12GB	~¥1.2/时

💡 省钱建议: 开发测试阶段推荐使用 AutoDL 等按时计费平台，正式部署再考虑包月。

📦 磁盘空间需求

组件	大小	说明
代码仓库	~500 KB	Git clone
Python 依赖	~5 GB	pip install
MONAI 分割模型	~12 GB	自动下载
Ollama LLM (7B)	~5 GB	ollama pull
示例数据集	~300 MB	Learn2Reg
总计	~25 GB	最小安装

---

系统要求

组件	最低配置	推荐配置
OS	Ubuntu 20.04+ / Windows 10	Ubuntu 22.04 LTS
Python	3.9+	3.11
CUDA	11.8+ (如使用GPU)	12.0+
Docker	20.10+ (可选)	24.0+

安装步骤

# 1. 克隆项目
git clone https://github.com/ydchen0806/NeuronScanAI.git
cd NeuronScanAI

# 2. 创建虚拟环境
conda create -n neuroscan python=3.11 -y
conda activate neuroscan

# 3. 安装依赖
pip install -r requirements.txt

# 4. 下载示例数据
python scripts/download_datasets.py --dataset learn2reg

# 5. 配置中文字体（可选）
python scripts/setup_fonts.py

# 6. 启动服务
./start_demo.sh

使用方式

# 完整启动（推荐）
./start_demo.sh

# 仅启动 API 后端
./start_demo.sh api

# 仅启动前端界面
./start_demo.sh streamlit

# 下载数据集
./start_demo.sh download

# 运行后端调试
./start_demo.sh debug

访问地址：

• 🖥️ Web 界面：http://localhost:8501
• 📡 API 文档：http://localhost:8000/docs

---

🏗️ 技术架构

📋 架构文本描述（点击展开）

┌─────────────────────────────────────────────────────────────┐
│                      NeuroScan AI                           │
├─────────────────────────────────────────────────────────────┤
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐         │
│  │  Streamlit  │  │   FastAPI   │  │   Ollama    │         │
│  │  Frontend   │──│   Backend   │──│    LLM      │         │
│  └─────────────┘  └─────────────┘  └─────────────┘         │
├─────────────────────────────────────────────────────────────┤
│                    Core Services                            │
│  ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐          │
│  │  DICOM  │ │ Segment │ │Register │ │ Report  │          │
│  │ Loader  │ │  MONAI  │ │ SimpleITK│ │Generator│          │
│  └─────────┘ └─────────┘ └─────────┘ └─────────┘          │
├─────────────────────────────────────────────────────────────┤
│           PyTorch / MONAI / SimpleITK / NiBabel             │
└─────────────────────────────────────────────────────────────┘

项目结构

NeuroScan/
├── app/                    # 核心应用
│   ├── api/               # REST API
│   ├── services/          # 业务服务
│   │   ├── dicom/        # DICOM 处理
│   │   ├── segmentation/ # 器官分割
│   │   ├── registration/ # 图像配准
│   │   ├── analysis/     # 变化检测
│   │   └── report/       # 报告生成
│   └── agents/            # LLM Agents
├── scripts/               # 工具脚本
├── data/                  # 数据目录
│   ├── raw/              # 原始数据
│   └── processed/        # 处理后数据
├── models/                # AI 模型
├── streamlit_app.py       # Web 前端
└── requirements.txt       # Python 依赖

---

🎬 演示

🔥 真实测试结果

以下是基于 Learn2Reg 肺部 CT 数据集 的实际测试结果：

变化检测热力图 - 红色表示密度增加，蓝色表示密度减少

📊 性能测试数据

测试项目	结果	耗时
NIfTI 数据加载	✅ 成功	< 1s
刚性配准 (L1)	✅ metric: -0.286	0.9s
非刚性配准 (L2)	✅ metric: -0.424	10.3s
总配准时间	✅ 亚毫米精度	11.3s
变化检测	✅ 6,239,210 体素	< 1s
LLM 报告生成	✅ Ollama llama3.1:8b	~120s

📋 示例分析报告

# CT 纵向对比分析报告

**患者 ID**: TEST001
**检查间隔**: 约 7 个月

## 定量测量
| 指标 | 基线 | 随访 | 变化 |
|------|------|------|------|
| 最大直径 (mm) | 15.5 | 12.3 | -20.6% |
| 体积 (cc) | 1.20 | 0.80 | -33.3% |

## RECIST 1.1 评估
**评估结果**: 🟠 **SD (疾病稳定)**
- 实际变化: -20.6%
- 评估依据: 介于 PR 和 PD 之间

## 临床建议
1. 继续当前治疗方案或观察
2. 建议 2-3 个月后复查
3. 定期监测肿瘤标志物

内置示例数据

项目包含 Learn2Reg 公开数据集（20 对肺部 CT），可直接体验系统功能：

# 下载示例数据（约 300MB）
python scripts/download_datasets.py --dataset learn2reg

# 运行完整后端测试
python scripts/debug_backend.py

# 启动 Web 界面
./start_demo.sh

支持的数据集

数据集	大小	说明
Learn2Reg Lung CT	~300 MB	肺部吸气/呼气配对 ⭐推荐
RIDER Lung CT	~43 GB	肺癌重复扫描
NLST	~12 TB	国家肺癌筛查试验

本地 LLM 模型

系统支持以下本地部署的医学 LLM：

模型	大小	用途
llama3.1:8b	4.9 GB	通用医学报告 ⭐推荐
meditron:7b	3.8 GB	医学专用模型
medllama2:7b	3.8 GB	医学对话模型

---

📡 API 文档

上传扫描

POST /api/v1/ingest
Content-Type: multipart/form-data

# 响应
{
  "scan_id": "uuid",
  "message": "上传成功",
  "metadata": {...}
}

纵向分析

POST /api/v1/analyze/longitudinal
{
  "baseline_scan_id": "uuid1",
  "followup_scan_id": "uuid2",
  "region_of_interest": "chest"
}

# 响应
{
  "task_id": "uuid",
  "status": "processing"
}

获取报告

GET /api/v1/reports/{task_id}

# 响应
{
  "status": "completed",
  "markdown_report": "...",
  "key_images": [...]
}

完整 API 文档：http://localhost:8000/docs

---

⚙️ 配置

环境变量

# LLM 配置
LLM_MODEL=llama3.1:8b
LLM_TEMPERATURE=0.1

# 代理配置（下载数据时使用）
http_proxy=http://127.0.0.1:7890
https_proxy=http://127.0.0.1:7890

LLM 模型选择

模型	显存需求	特点
llama3.1:8b	8 GB	通用能力强
llama3.2:3b	4 GB	轻量级
meditron:7b	8 GB	医学专用

---

🛠️ 开发

运行测试

# 后端调试
python scripts/debug_backend.py

# 单元测试
python -m pytest test_case/

清理项目

# 清理所有临时文件
python scripts/cleanup.py --all

# 仅清理缓存
python scripts/cleanup.py --cache

# 查看磁盘使用
python scripts/cleanup.py --stats

---

📄 许可证

MIT License - 详见 LICENSE

---

🤝 贡献

欢迎提交 Issue 和 Pull Request！

---

NeuroScan AI - 让医学影像分析更智能
Making Medical Imaging Analysis Smarter