CT/lung/plan.md

最终复现 Plan

目标：先复现论文主体框架，但不下载 NLST；代码结构保留 NLST 接口，等以后有数据可直接接入。第一版 使用 LIDC-IDRI + Lung-PET-CT-Dx + NSCLC-Radiomics。

1. 数据下载

需要下载：

数据集	大小	格式	用途
LIDC-IDRI	约 133 GB	CT DICOM + XML 标注	CT 分割、病灶分类、专家软标签
DICOM-LIDC-IDRI-Nodules	约 2.5 GB，可选	DICOM SEG/SR	替代 XML 解析，降低标注处理复杂度
Lung-PET-CT-Dx	约 127 GB	CT/PT DICOM + PASCAL VOC XML bbox + 临床/病理	PET 融合、PET utility gate、分类
NSCLC-Radiomics	约 36 GB	CT/SEG/RTSTRUCT DICOM + clinical CSV	外部验证、生存分析、GTV 分割

暂不下载：

数据集	原因
NLST	CT 约 11.14 TB，第一阶段不现实
NLST pathology	约 775 GB，暂不做
TCGA-LUSC WSI	作为第二阶段病理正则实验，可选

建议磁盘：原始数据约 300 GB，预处理缓存后准备 700 GB - 1 TB。

2. 工程结构

我会建一个完整复现工程：

configs/ lidc_seg.yaml lidc_cls.yaml lung_pet_ct_dx.yaml nsclc_external.yaml full_model.yaml

src/ datasets/ lidc.py lung_pet_ct_dx.py nsclc_radiomics.py nlst_stub.py preprocessing/ dicom_to_nifti.py build_lidc_masks.py build_crops.py convert_rtstruct.py models/ support_net.py ct_encoder.py pet_encoder.py fusion.py clinical_encoder.py survival_head.py full_model.py losses/ train.py evaluate.py metrics.py

experiments/ splits/ results/

nlst_stub.py 会先实现数据字段、survival label schema 和 hazard-head 训练接口，但不要求本地有 NLST 数据。

3. 预处理流程

统一处理为模型友好的格式：

processed/ images_ct/.nii.gz 或 .npz images_pet/.nii.gz 或 .npz masks/.nii.gz crops_ct/.npz crops_pet/*.npz metadata.csv labels.csv survival.csv

处理规则：

• DICOM 转 NIfTI/NPZ。
• CT HU clipping：[-1000, 400]。
• 重采样：优先 1mm isotropic，显存不足时用 1.5mm。
• 生成 lesion-centered crop，例如 96^3 或 128^3。
• LIDC 多专家 mask 取 voxel mean，作为 soft mask。
• Lung-PET-CT-Dx bbox 转粗 mask/crop。
• NSCLC RTSTRUCT/SEG 转 GTV mask。
• clinical variables 标准化，并生成 missingness mask。

4. 模型设计

第一版实现论文功能，但用稳定可训练的工程替代极复杂细节。

模块	复现实现
Stage A 支持图	MONAI SegResNet / DynUNet，Dice+BCE
CT encoder	3D ResNet/DenseNet，优先 pretrained；否则从头训
PET encoder	轻量 3D ResNet，先从头训
Clinical encoder	MLP + missingness mask
PET utility gate	比较 CT-only 与 PET-fusion 分支增益，生成 pseudo-label
Fusion	第一版 masked cross-attention；第二版再加 optimal transport
Calibration	validation temperature scaling + Brier loss
Patient aggregation	attention pooling + 1 - prod(1-p) burden
Survival head	discrete-time hazard head，支持 NSCLC，预留 NLST
Pathology regularization	第二阶段可选，不放第一版主线

训练策略：

• 分割模型：从头训练。
• CT 分类：优先用 MedicalNet / MONAI 可用 3D pretrained backbone；不可用就从头训。
• PET 分支、clinical encoder、utility gate、survival head：从头训。
• 病理 foundation model：不从头训，只用 pretrained encoder 提 embedding。

5. 实验顺序

6. LIDC segmentation baseline

   • 目标：Dice、IoU。
   • 先验证 mask 解析和 crop 正确。

7. LIDC CT classification

   • 目标：AUC、balanced accuracy、AP、Brier。
   • 使用 support map + CT crop。

8. Lung-PET-CT-Dx CT/PET classification

   • 先跑 CT-only。
   • 再跑 always-fuse PET。
   • 最后跑 selective PET gate。

9. NSCLC-Radiomics external validation

   • 用训练好的 CT 模型做外部测试。
   • 评估 classification、segmentation、survival。

10. Survival module without NLST

    • 在 NSCLC-Radiomics 上先实现 discrete-time hazard。
    • NLST loader 保留接口，后续接数据即可跑。

11. Ablation

    • no support branch
    • no perilesional band
    • no clinical missingness mask
    • CT-only
    • always PET fusion
    • selective PET fusion
    • no calibration
    • no survival multitask

12. 交付指标

第一阶段目标不是完全达到论文声称数值，而是可复现实验闭环：

任务	指标
分割	Dice、IoU、ASSD
分类	AUC、balanced accuracy、sensitivity、specificity、AP、Brier
PET utility	AUC、selected PET ratio、CT-only vs PET-fusion gain
生存	C-index、time-dependent AUC、IBS
校准	Brier score、ECE、reliability curve

7. 里程碑

阶段	时间	输出
M1 数据下载/索引	2-4 天	manifest、metadata、raw index
M2 预处理	3-5 天	NIfTI/NPZ、mask、crop、labels
M3 LIDC 分割/分类 baseline	4-7 天	baseline checkpoint + metrics
M4 CT/PET selective fusion	5-8 天	Lung-PET-CT-Dx 实验
M5 NSCLC 外部验证/生存	4-7 天	external metrics + survival results
M6 ablation/report	3-5 天	reproduction_report.md

总计：顺利情况下 3-5 周。数据下载和 TCIA 格式处理会是最大变量。

最终路线 先完成一个严格、可运行、可扩展的复现版本： LIDC-IDRI + Lung-PET-CT-Dx + NSCLC-Radiomics，实现论文所有核心模块；NLST 只实现 loader/schema/ survival 接口，不下载不训练。等第一阶段结果稳定后，再决定是否扩展到 NLST 和病理正则。