1. VS Code 里跑 MONAI 心脏分割先把 Base URL 写对费城儿童医院CHOP开源的儿童心脏建模平台最近在医学影像圈被反复提起它基于 NVIDIA MONAI把 CT、MRI 和超声转成儿童心脏的 3D 模型让医生在术前研究解剖结构、评估器械适配甚至在模型上尝试模拟不同支架的表现每个产出的模型仍然要由心脏科或放射科医生审核签署。对工程师而言真正值得抄的不是“AI 提速”这个结论而是它把 MONAI 这条链路跑通了数据读取、重采样、分割、后处理、导出、审核一个环节都不能缺。但如果你是在 VS Code 里用代码助手写这套流程最先卡住的通常不是网络结构而是助手本身连不上Key 放在哪、Base URL 填什么、上下文怎么贴、报错怎么追问。所以这篇从一个很具体的地方开始——先到 TaoToken 官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_intro 拿到 API Key再把 Base URL 设为 https://taotoken.net/api然后让 VS Code 里的代码助手围绕 MONAI 分割脚本干活。整篇文章的目标只有一个给你一套能复现的配置 能跑通的 MONAI 分割代码 能自查的运行命令而不是停在“这个新闻很厉害”。先明确本文的工作假设避免你照着抄错任务把儿童心脏 CT/MRI 体数据NIfTI 为例分割成心脏结构掩膜再导出成可供 3D 查看的格式。工具VS Code 代码助手Claude Code CLI、Codex CLI、CC Switch 切换器三类配置都给。模型侧TaoToken 提供的统一入口Base URL 固定为https://taotoken.net/apiKey 使用YOUR_API_KEY占位。边界所有命令都在你本地终端执行不涉及任何生产库直连医学数据请遵循你所在机构的伦理与数据合规要求本文代码只做工程演示。2. 拿 Key 与 TaoToken 接入坐标三处配置别写混很多人第一次接第三方模型入口失败原因就一个把「网页端地址」和「API Base URL」当成同一个东西。这两者必须分开记。官网入口拿 Key、看模型、看套餐https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_keyAPI Base URL写进工具配置的https://taotoken.net/apiKey 占位符YOUR_API_KEY替换成你在控制台创建的真实值。创建 Key 的路径直接走这个 deep link登录后在控制台里生成复制出来只显示一次建议先落到本地的密钥管理工具里再写进配置文件创建 API Keyhttps://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_apikey这里有个容易被忽略的工程习惯不要把 Key 直接硬编码进 Git 仓库里的脚本。VS Code 里写 MONAI 代码时推荐用环境变量注入脚本只读os.environ。这样你在本地能跑在别人机器上换一个 Key 也不用改代码。# macOS / Linux写入当前 shell 会话不要提交到仓库 export TAOTOKEN_API_KEYYOUR_API_KEY export TAOTOKEN_BASE_URLhttps://taotoken.net/api# Windows PowerShell $env:TAOTOKEN_API_KEY YOUR_API_KEY $env:TAOTOKEN_BASE_URL https://taotoken.net/api确认 Key 是否可用的最小验证不是去跑模型而是先用一条对话请求打穿链路。你可以直接在模型对话页做连通性确认省掉本地 curl 的麻烦模型对话入口https://taotoken.net/models/detail/chat?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_chat如果这一步能正常返回说明 Key 没问题接下来所有失败都可以归因到「工具配置」而不是「账号状态」。这个排查顺序能帮你省掉大量来回试错的时间。3. Claude Code / Codex / CC Switch 三件套VS Code 侧配置全量对照这一节是全文最需要照抄的部分。请注意一个硬性区别Claude Code 用ANTHROPIC_*环境变量或settings.jsonCodex 用config.toml两者的字段体系不通用。把ANTHROPIC_BASE_URL写进 Codex 的配置里是新手最常踩的坑一定不要混。3.1 Claude Codesettings.json 与 ANTHROPIC_* 两种写法Claude Code 在 VS Code 里通常以集成终端的形式使用配置文件放在用户目录下的.claude/settings.json项目级也可以放.claude/settings.json。推荐写法如下{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_AUTH_TOKEN: YOUR_API_KEY } }如果你更习惯环境变量等价的 shell 写法是export ANTHROPIC_BASE_URLhttps://taotoken.net/api export ANTHROPIC_AUTH_TOKENYOUR_API_KEY两个注意点ANTHROPIC_AUTH_TOKEN填的是你的 TaoToken Key不要保留YOUR_API_KEY字面量。模型 ID 以你在模型列表页看到的实际名称为准不要凭记忆写。需要切换模型时优先在会话内切换或用官方文档给的字段不要自己造参数名。完整的 Claude Code 接入说明在文档里配置项含义和边界写得比博客清楚建议对照看一遍Claude Code 文档https://taotoken.net/doc/ClaudeCodeAnthropic?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_claudecode3.2 Codexconfig.toml 独立配置别套 ANTHROPIC_*Codex 走的是 TOML 配置字段和 Claude Code 完全不同。典型的~/.codex/config.toml长这样model 在你的模型列表页选择的模型 ID model_provider taotoken [model_providers.taotoken] name TaoToken base_url https://taotoken.net/api env_key TAOTOKEN_API_KEY对应的环境变量在 shell 里设置export TAOTOKEN_API_KEYYOUR_API_KEY这里再次强调Codex 配置里不要出现ANTHROPIC_*Claude Code 配置里也不要出现model_providers。两套配置各管各的混写的结果通常是工具静默回退到默认端点然后你在 VS Code 里看到一堆莫名其妙的超时。3.3 CC Switch 三件套切供应商时到底在切什么如果你用 CC Switch 这类切换器在多个供应商之间来回切它本质在维护的是三件套Base URLhttps://taotoken.net/apiAPI KeyYOUR_API_KEY建议从环境变量读或由切换器自身的安全存储管理默认模型填你在模型列表页选定的模型 ID有的实现里还会多一个 provider 名称字段用来在 UI 上区分条目但真正影响请求能不能打通的就是上面三项。切换器的价值在于你不用每次手改settings.json只要切 profile。代价是切换后一定要重启 VS Code 的集成终端否则旧的环境变量还在进程里你会以为切换没生效。一个可操作的验证顺序切完 profile → 新开一个终端 →echo $ANTHROPIC_BASE_URL确认输出是https://taotoken.net/api→ 再启动 Claude Code。这三步做完90% 的「切了没反应」问题都会暴露出来。4. MONAI 分割脚本从 NIfTI 到心脏 3D 掩膜的完整链条配置通了接下来是正题。下面这份脚本是一个可运行的最小推理骨架重点是展示 MONAI 的标准流程LoadImaged → Spacingd → Orientationd → ScaleIntensityRanged → sliding_window_inference → Invertd → SaveImaged。你可以把它当成自己项目的起点替换掉模型权重和类别数即可。# monai_heart_infer.py import argparse from pathlib import Path import torch from monai.data import DataLoader, Dataset, decollate_batch from monai.inferers import sliding_window_inference from monai.networks.nets import UNet from monai.transforms import ( Activationsd, AsDiscreted, Compose, EnsureChannelFirstd, EnsureTyped, Invertd, LoadImaged, Orientationd, SaveImaged, ScaleIntensityRanged, Spacingd, ) from monai.utils import set_determinism def build_pre_transforms(pixdim(1.0, 1.0, 1.0)): return Compose( [ LoadImaged(keys[image]), EnsureChannelFirstd(keys[image]), Orientationd(keys[image], axcodesRAS), Spacingd(keys[image], pixdimpixdim, mode(bilinear,)), ScaleIntensityRanged( keys[image], a_min-200, a_max800, b_min0.0, b_max1.0, clipTrue, ), EnsureTyped(keys[image]), ] ) def build_post_transforms(pre_trans, out_dir): return Compose( [ Activationsd(keyspred, sigmoidTrue), AsDiscreted(keyspred, threshold0.5), Invertd( keyspred, transformpre_trans, orig_keysimage, nearest_interpTrue, to_tensorTrue, ), SaveImaged( keyspred, output_dirstr(out_dir), output_postfixseg, resampleFalse, separate_folderFalse, ), ] ) def main(): parser argparse.ArgumentParser() parser.add_argument(--input, requiredTrue, help输入 NIfTI 路径) parser.add_argument(--weights, requiredTrue, help分割权重 .pt 路径) parser.add_argument(--out, defaultoutputs, help输出目录) parser.add_argument(--roi, typeint, default96, help滑窗边长) parser.add_argument(--overlap, typefloat, default0.25) parser.add_argument(--cpu, actionstore_true) args parser.parse_args() set_determinism(seed42) device torch.device(cpu if args.cpu or not torch.cuda.is_available() else cuda) out_dir Path(args.out) out_dir.mkdir(parentsTrue, exist_okTrue) pre_trans build_pre_transforms() files [{image: args.input}] ds Dataset(datafiles, transformpre_trans) loader DataLoader(ds, batch_size1, num_workers0) model UNet( spatial_dims3, in_channels1, out_channels1, channels(16, 32, 64, 128, 256), strides(2, 2, 2, 2), num_res_units2, ).to(device) model.load_state_dict(torch.load(args.weights, map_locationdevice)) model.eval() post_trans build_post_transforms(pre_trans, out_dir) with torch.no_grad(): for batch in loader: images batch[image].to(device) outputs sliding_window_inference( inputsimages, roi_size(args.roi, args.roi, args.roi), sw_batch_size2, predictormodel, overlapargs.overlap, ) batch[pred] outputs for item in decollate_batch(batch): post_trans(item) print(f[done] segmentation saved to: {out_dir.resolve()}) if __name__ __main__: main()这份脚本有意做了三个工程化的选择值得你在自己项目里延续第一空间标准化放在预处理里。心脏 CT/MRI 的层厚和体素间距差异很大不统一pixdim滑窗推理出来的结果在 Z 轴上会明显失真。Orientationd(axcodesRAS)则保证左右方向一致否则你导出的 3D 模型可能出现镜像医生一眼就能看出不对。第二归一化范围显式写死。a_min-200 / a_max800是 CT 心血管窗附近的常见范围但真正该用多少取决于你的数据来源做 MRI 时这套窗宽窗位就不适用了要换成基于百分位的强度归一化。这点必须按你自己的数据集调不要直接抄。第三后处理用Invertd把结果映射回原始空间。很多教程只做推理不做逆变换导致掩膜留在了重采样后的网格上拿去和原始影像叠加时对不上。Invertd配合SaveImaged才能保证输出的掩膜和输入影像在同一坐标系里。5. 让代码助手看懂 MONAI 报错上下文投喂与常见坑位配置对了、脚本有了接下来决定效率的是你怎么用代码助手。MONAI 的报错信息经常很长直接整段贴给助手回复质量往往一般。更有效的做法是给结构化上下文让助手知道我在哪一步、输入是什么形状、期望是什么。推荐的提问模板可直接在 VS Code 的助手会话里用环境MONAI 版本、PyTorch 版本、CUDA 是否可用 任务3D 心脏分割推理输入 NIfTI单通道 代码粘贴 build_pre_transforms / sliding_window_inference 调用处 报错完整 traceback 最后 15 行 期望输出与输入同形状的掩膜并保存为 NIfTI 约束不要改动我已有的 transform 顺序只指出问题行和修法几个在 MONAI 分割任务里高频出现的坑先自查一遍再问助手效率更高现象常见原因处理方向推理时显存爆掉roi_size或sw_batch_size过大先把 roi 降到 64/96sw_batch_size 设 1 或 2输出掩膜与影像错位缺少Invertd或 spacing 不一致补逆变换检查pixdim是否与训练时一致左右方向反了未做Orientationd统一固定 axcodes训练和推理保持一致输出的 seg 文件是空的阈值不合适或 sigmoid 未加检查Activationsd与AsDiscreted阈值DataLoader 卡住不动num_workers过大 共享内存不足推理阶段先设num_workers0用助手改代码时有个小技巧让它只输出 diff 级别的修改而不是重写整个文件。MONAI 的 transform 链是有顺序依赖的整文件重写很容易把EnsureChannelFirstd的位置挪错导致后面全部报形状错误。你可以直接说只给我需要替换的那几行并说明为什么。如果你在修 bug 的过程中需要一个干净的对话环境来对比两种实现可以用模型对话页做 A/B 对照把两种写法的输出贴进去让它判断差异模型对话https://taotoken.net/models/detail/chat?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_debug6. 运行命令与验收清单一次可复现的端到端演练把上面的脚本落地完整流程如下。建议全部在 VS Code 的集成终端里执行方便边跑边改。# 1. 建环境 python -m venv .venv source .venv/bin/activate # Windows: .venv\Scripts\activate # 2. 装依赖MONAI PyTorch 医学影像 IO pip install --upgrade pip pip install monai[nibabel] torch # 3. 注入 TaoToken 配置 export TAOTOKEN_API_KEYYOUR_API_KEY export TAOTOKEN_BASE_URLhttps://taotoken.net/api # 4. 确认 CUDA 是否可用不可用就走 --cpu python -c import torch; print(torch.cuda.is_available()) # 5. 跑分割推理 python monai_heart_infer.py \ --input data/case_001.nii.gz \ --weights weights/heart_seg.pt \ --out outputs \ --roi 96 \ --overlap 0.25跑完之后验收不要只看有没有报错按下面这份清单逐条确认outputs/下生成了*_seg.nii.gz文件大小不为 0。用查看器打开掩膜与原始影像叠加后位置对齐没有整体偏移。左右方向正确心脏结构没有镜像。掩膜在 Z 轴连续没有因层厚导致的分层断裂。记录本次运行的roi、overlap、spacing 参数方便下次复现。如果显存紧张回看第 5 节的排查表先降roi再动模型。这套流程跑通之后你手里就有了一个可迭代的基线。后面无论是换更强的权重、加多类别输出把out_channels从 1 改成 N并把AsDiscreted改成 argmax 语义还是接入批量推理都只是在这个骨架上改参数不用推倒重来。7. 从分割掩膜到可审核的 3D 模型别跳过医生签署环节CHOP 那套平台的完整闭环里有一个工程上很容易被忽略、但临床上不能少的步骤每个模型都要由心脏科或放射科医生审核签署。这给我们的启示不是加个按钮而是流程设计上必须给人工复核留位置。技术侧可以这样落地分割结果保存为 NIfTI同时导出 STL/OBJ 供 3D 查看两份文件用同一个 case ID 关联。在输出目录旁生成一份case_001.json记录模型权重版本、spacing、roi、时间戳、执行命令作为可追溯的元数据。把AI 生成和医生已审核做成两个独立状态字段不要用同一个字段表示避免审核状态被自动流程覆盖。如果要做支架模拟这类下游应用输入必须是已签署的掩膜而不是刚推理出来的原始输出。# 生成可追溯元数据的最小示例 import json import datetime from pathlib import Path meta { case_id: case_001, source_image: data/case_001.nii.gz, weights: weights/heart_seg.pt, spacing: [1.0, 1.0, 1.0], roi_size: 96, overlap: 0.25, generated_at: datetime.datetime.now().isoformat(timespecseconds), status: ai_generated, review_status: pending, } Path(outputs/case_001.json).write_text( json.dumps(meta, ensure_asciiFalse, indent2), encodingutf-8 )这份元数据的价值在于当医生复核发现某处分割不合理时你能快速定位是权重问题、预处理问题还是原始影像质量本身就有限。没有元数据的 AI 输出在临床复核环节基本等于不可用。另外要注意医学影像数据涉及患者隐私本文所有示例都应替换成公开数据集或脱敏数据后再运行不要用真实患者数据去测试第三方服务也不要把影像内容贴进任何对话请求里。工具配置和代码逻辑可以让助手帮你改数据本身不要外传。8. 下一步把对话、Coding Plan 和 Key 管理串成一条线如果你已经把第 6 节的命令跑通说明 VS Code 侧的接入和 MONAI 的推理骨架都到位了。接下来通常是三种需求之一对应三条不同的路径需求一先把对话链路用起来做代码评审和报错分析。适合还在搭环境阶段的人先用对话验证 Key 和 Base URL 是否可用再决定要不要动 CLI 配置。模型对话https://taotoken.net/models/detail/chat?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_cta_chat需求二把代码助手当成日常开发工具长期在 VS Code 里用。这种情况更适合直接上 Coding Plan把 Claude Code / Codex 这类 CLI 工具接进工作流日常改 MONAI 脚本、写 transform、查 traceback 都在终端里完成。Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_cta_plan需求三Key 要分环境管理团队里多人共用。建议每个环境本地 / 测试 / 共享单独建 Key出问题可以单独吊销不要所有人共用一个。创建 API Keyhttps://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_cta_key最后再回到开头那份配置确认三件事没有写错ANTHROPIC_BASE_URL或base_url指向https://taotoken.net/apiKey 使用真实值而不是YOUR_API_KEYClaude Code 与 Codex 的配置字段没有互相串用。Claude Code 的完整字段说明在这里配置改完记得新开终端再验证Claude Code 文档https://taotoken.net/doc/ClaudeCodeAnthropic?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_cta_doc把「拿 Key → 配 Base URL → 跑通 MONAI 分割 → 保留元数据 → 医生审核」这条链子走完一遍你得到的不只是一个能跑的脚本而是一套能被人接手、能被复核、能持续迭代的工程流程。 代码助手写 MONAI 分割，TaoToken 填入 VS Code
1. VS Code 里跑 MONAI 心脏分割先把 Base URL 写对费城儿童医院CHOP开源的儿童心脏建模平台最近在医学影像圈被反复提起它基于 NVIDIA MONAI把 CT、MRI 和超声转成儿童心脏的 3D 模型让医生在术前研究解剖结构、评估器械适配甚至在模型上尝试模拟不同支架的表现每个产出的模型仍然要由心脏科或放射科医生审核签署。对工程师而言真正值得抄的不是“AI 提速”这个结论而是它把 MONAI 这条链路跑通了数据读取、重采样、分割、后处理、导出、审核一个环节都不能缺。但如果你是在 VS Code 里用代码助手写这套流程最先卡住的通常不是网络结构而是助手本身连不上Key 放在哪、Base URL 填什么、上下文怎么贴、报错怎么追问。所以这篇从一个很具体的地方开始——先到 TaoToken 官网 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_intro 拿到 API Key再把 Base URL 设为 https://taotoken.net/api然后让 VS Code 里的代码助手围绕 MONAI 分割脚本干活。整篇文章的目标只有一个给你一套能复现的配置 能跑通的 MONAI 分割代码 能自查的运行命令而不是停在“这个新闻很厉害”。先明确本文的工作假设避免你照着抄错任务把儿童心脏 CT/MRI 体数据NIfTI 为例分割成心脏结构掩膜再导出成可供 3D 查看的格式。工具VS Code 代码助手Claude Code CLI、Codex CLI、CC Switch 切换器三类配置都给。模型侧TaoToken 提供的统一入口Base URL 固定为https://taotoken.net/apiKey 使用YOUR_API_KEY占位。边界所有命令都在你本地终端执行不涉及任何生产库直连医学数据请遵循你所在机构的伦理与数据合规要求本文代码只做工程演示。2. 拿 Key 与 TaoToken 接入坐标三处配置别写混很多人第一次接第三方模型入口失败原因就一个把「网页端地址」和「API Base URL」当成同一个东西。这两者必须分开记。官网入口拿 Key、看模型、看套餐https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_keyAPI Base URL写进工具配置的https://taotoken.net/apiKey 占位符YOUR_API_KEY替换成你在控制台创建的真实值。创建 Key 的路径直接走这个 deep link登录后在控制台里生成复制出来只显示一次建议先落到本地的密钥管理工具里再写进配置文件创建 API Keyhttps://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_apikey这里有个容易被忽略的工程习惯不要把 Key 直接硬编码进 Git 仓库里的脚本。VS Code 里写 MONAI 代码时推荐用环境变量注入脚本只读os.environ。这样你在本地能跑在别人机器上换一个 Key 也不用改代码。# macOS / Linux写入当前 shell 会话不要提交到仓库 export TAOTOKEN_API_KEYYOUR_API_KEY export TAOTOKEN_BASE_URLhttps://taotoken.net/api# Windows PowerShell $env:TAOTOKEN_API_KEY YOUR_API_KEY $env:TAOTOKEN_BASE_URL https://taotoken.net/api确认 Key 是否可用的最小验证不是去跑模型而是先用一条对话请求打穿链路。你可以直接在模型对话页做连通性确认省掉本地 curl 的麻烦模型对话入口https://taotoken.net/models/detail/chat?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_chat如果这一步能正常返回说明 Key 没问题接下来所有失败都可以归因到「工具配置」而不是「账号状态」。这个排查顺序能帮你省掉大量来回试错的时间。3. Claude Code / Codex / CC Switch 三件套VS Code 侧配置全量对照这一节是全文最需要照抄的部分。请注意一个硬性区别Claude Code 用ANTHROPIC_*环境变量或settings.jsonCodex 用config.toml两者的字段体系不通用。把ANTHROPIC_BASE_URL写进 Codex 的配置里是新手最常踩的坑一定不要混。3.1 Claude Codesettings.json 与 ANTHROPIC_* 两种写法Claude Code 在 VS Code 里通常以集成终端的形式使用配置文件放在用户目录下的.claude/settings.json项目级也可以放.claude/settings.json。推荐写法如下{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_AUTH_TOKEN: YOUR_API_KEY } }如果你更习惯环境变量等价的 shell 写法是export ANTHROPIC_BASE_URLhttps://taotoken.net/api export ANTHROPIC_AUTH_TOKENYOUR_API_KEY两个注意点ANTHROPIC_AUTH_TOKEN填的是你的 TaoToken Key不要保留YOUR_API_KEY字面量。模型 ID 以你在模型列表页看到的实际名称为准不要凭记忆写。需要切换模型时优先在会话内切换或用官方文档给的字段不要自己造参数名。完整的 Claude Code 接入说明在文档里配置项含义和边界写得比博客清楚建议对照看一遍Claude Code 文档https://taotoken.net/doc/ClaudeCodeAnthropic?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_claudecode3.2 Codexconfig.toml 独立配置别套 ANTHROPIC_*Codex 走的是 TOML 配置字段和 Claude Code 完全不同。典型的~/.codex/config.toml长这样model 在你的模型列表页选择的模型 ID model_provider taotoken [model_providers.taotoken] name TaoToken base_url https://taotoken.net/api env_key TAOTOKEN_API_KEY对应的环境变量在 shell 里设置export TAOTOKEN_API_KEYYOUR_API_KEY这里再次强调Codex 配置里不要出现ANTHROPIC_*Claude Code 配置里也不要出现model_providers。两套配置各管各的混写的结果通常是工具静默回退到默认端点然后你在 VS Code 里看到一堆莫名其妙的超时。3.3 CC Switch 三件套切供应商时到底在切什么如果你用 CC Switch 这类切换器在多个供应商之间来回切它本质在维护的是三件套Base URLhttps://taotoken.net/apiAPI KeyYOUR_API_KEY建议从环境变量读或由切换器自身的安全存储管理默认模型填你在模型列表页选定的模型 ID有的实现里还会多一个 provider 名称字段用来在 UI 上区分条目但真正影响请求能不能打通的就是上面三项。切换器的价值在于你不用每次手改settings.json只要切 profile。代价是切换后一定要重启 VS Code 的集成终端否则旧的环境变量还在进程里你会以为切换没生效。一个可操作的验证顺序切完 profile → 新开一个终端 →echo $ANTHROPIC_BASE_URL确认输出是https://taotoken.net/api→ 再启动 Claude Code。这三步做完90% 的「切了没反应」问题都会暴露出来。4. MONAI 分割脚本从 NIfTI 到心脏 3D 掩膜的完整链条配置通了接下来是正题。下面这份脚本是一个可运行的最小推理骨架重点是展示 MONAI 的标准流程LoadImaged → Spacingd → Orientationd → ScaleIntensityRanged → sliding_window_inference → Invertd → SaveImaged。你可以把它当成自己项目的起点替换掉模型权重和类别数即可。# monai_heart_infer.py import argparse from pathlib import Path import torch from monai.data import DataLoader, Dataset, decollate_batch from monai.inferers import sliding_window_inference from monai.networks.nets import UNet from monai.transforms import ( Activationsd, AsDiscreted, Compose, EnsureChannelFirstd, EnsureTyped, Invertd, LoadImaged, Orientationd, SaveImaged, ScaleIntensityRanged, Spacingd, ) from monai.utils import set_determinism def build_pre_transforms(pixdim(1.0, 1.0, 1.0)): return Compose( [ LoadImaged(keys[image]), EnsureChannelFirstd(keys[image]), Orientationd(keys[image], axcodesRAS), Spacingd(keys[image], pixdimpixdim, mode(bilinear,)), ScaleIntensityRanged( keys[image], a_min-200, a_max800, b_min0.0, b_max1.0, clipTrue, ), EnsureTyped(keys[image]), ] ) def build_post_transforms(pre_trans, out_dir): return Compose( [ Activationsd(keyspred, sigmoidTrue), AsDiscreted(keyspred, threshold0.5), Invertd( keyspred, transformpre_trans, orig_keysimage, nearest_interpTrue, to_tensorTrue, ), SaveImaged( keyspred, output_dirstr(out_dir), output_postfixseg, resampleFalse, separate_folderFalse, ), ] ) def main(): parser argparse.ArgumentParser() parser.add_argument(--input, requiredTrue, help输入 NIfTI 路径) parser.add_argument(--weights, requiredTrue, help分割权重 .pt 路径) parser.add_argument(--out, defaultoutputs, help输出目录) parser.add_argument(--roi, typeint, default96, help滑窗边长) parser.add_argument(--overlap, typefloat, default0.25) parser.add_argument(--cpu, actionstore_true) args parser.parse_args() set_determinism(seed42) device torch.device(cpu if args.cpu or not torch.cuda.is_available() else cuda) out_dir Path(args.out) out_dir.mkdir(parentsTrue, exist_okTrue) pre_trans build_pre_transforms() files [{image: args.input}] ds Dataset(datafiles, transformpre_trans) loader DataLoader(ds, batch_size1, num_workers0) model UNet( spatial_dims3, in_channels1, out_channels1, channels(16, 32, 64, 128, 256), strides(2, 2, 2, 2), num_res_units2, ).to(device) model.load_state_dict(torch.load(args.weights, map_locationdevice)) model.eval() post_trans build_post_transforms(pre_trans, out_dir) with torch.no_grad(): for batch in loader: images batch[image].to(device) outputs sliding_window_inference( inputsimages, roi_size(args.roi, args.roi, args.roi), sw_batch_size2, predictormodel, overlapargs.overlap, ) batch[pred] outputs for item in decollate_batch(batch): post_trans(item) print(f[done] segmentation saved to: {out_dir.resolve()}) if __name__ __main__: main()这份脚本有意做了三个工程化的选择值得你在自己项目里延续第一空间标准化放在预处理里。心脏 CT/MRI 的层厚和体素间距差异很大不统一pixdim滑窗推理出来的结果在 Z 轴上会明显失真。Orientationd(axcodesRAS)则保证左右方向一致否则你导出的 3D 模型可能出现镜像医生一眼就能看出不对。第二归一化范围显式写死。a_min-200 / a_max800是 CT 心血管窗附近的常见范围但真正该用多少取决于你的数据来源做 MRI 时这套窗宽窗位就不适用了要换成基于百分位的强度归一化。这点必须按你自己的数据集调不要直接抄。第三后处理用Invertd把结果映射回原始空间。很多教程只做推理不做逆变换导致掩膜留在了重采样后的网格上拿去和原始影像叠加时对不上。Invertd配合SaveImaged才能保证输出的掩膜和输入影像在同一坐标系里。5. 让代码助手看懂 MONAI 报错上下文投喂与常见坑位配置对了、脚本有了接下来决定效率的是你怎么用代码助手。MONAI 的报错信息经常很长直接整段贴给助手回复质量往往一般。更有效的做法是给结构化上下文让助手知道我在哪一步、输入是什么形状、期望是什么。推荐的提问模板可直接在 VS Code 的助手会话里用环境MONAI 版本、PyTorch 版本、CUDA 是否可用 任务3D 心脏分割推理输入 NIfTI单通道 代码粘贴 build_pre_transforms / sliding_window_inference 调用处 报错完整 traceback 最后 15 行 期望输出与输入同形状的掩膜并保存为 NIfTI 约束不要改动我已有的 transform 顺序只指出问题行和修法几个在 MONAI 分割任务里高频出现的坑先自查一遍再问助手效率更高现象常见原因处理方向推理时显存爆掉roi_size或sw_batch_size过大先把 roi 降到 64/96sw_batch_size 设 1 或 2输出掩膜与影像错位缺少Invertd或 spacing 不一致补逆变换检查pixdim是否与训练时一致左右方向反了未做Orientationd统一固定 axcodes训练和推理保持一致输出的 seg 文件是空的阈值不合适或 sigmoid 未加检查Activationsd与AsDiscreted阈值DataLoader 卡住不动num_workers过大 共享内存不足推理阶段先设num_workers0用助手改代码时有个小技巧让它只输出 diff 级别的修改而不是重写整个文件。MONAI 的 transform 链是有顺序依赖的整文件重写很容易把EnsureChannelFirstd的位置挪错导致后面全部报形状错误。你可以直接说只给我需要替换的那几行并说明为什么。如果你在修 bug 的过程中需要一个干净的对话环境来对比两种实现可以用模型对话页做 A/B 对照把两种写法的输出贴进去让它判断差异模型对话https://taotoken.net/models/detail/chat?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_debug6. 运行命令与验收清单一次可复现的端到端演练把上面的脚本落地完整流程如下。建议全部在 VS Code 的集成终端里执行方便边跑边改。# 1. 建环境 python -m venv .venv source .venv/bin/activate # Windows: .venv\Scripts\activate # 2. 装依赖MONAI PyTorch 医学影像 IO pip install --upgrade pip pip install monai[nibabel] torch # 3. 注入 TaoToken 配置 export TAOTOKEN_API_KEYYOUR_API_KEY export TAOTOKEN_BASE_URLhttps://taotoken.net/api # 4. 确认 CUDA 是否可用不可用就走 --cpu python -c import torch; print(torch.cuda.is_available()) # 5. 跑分割推理 python monai_heart_infer.py \ --input data/case_001.nii.gz \ --weights weights/heart_seg.pt \ --out outputs \ --roi 96 \ --overlap 0.25跑完之后验收不要只看有没有报错按下面这份清单逐条确认outputs/下生成了*_seg.nii.gz文件大小不为 0。用查看器打开掩膜与原始影像叠加后位置对齐没有整体偏移。左右方向正确心脏结构没有镜像。掩膜在 Z 轴连续没有因层厚导致的分层断裂。记录本次运行的roi、overlap、spacing 参数方便下次复现。如果显存紧张回看第 5 节的排查表先降roi再动模型。这套流程跑通之后你手里就有了一个可迭代的基线。后面无论是换更强的权重、加多类别输出把out_channels从 1 改成 N并把AsDiscreted改成 argmax 语义还是接入批量推理都只是在这个骨架上改参数不用推倒重来。7. 从分割掩膜到可审核的 3D 模型别跳过医生签署环节CHOP 那套平台的完整闭环里有一个工程上很容易被忽略、但临床上不能少的步骤每个模型都要由心脏科或放射科医生审核签署。这给我们的启示不是加个按钮而是流程设计上必须给人工复核留位置。技术侧可以这样落地分割结果保存为 NIfTI同时导出 STL/OBJ 供 3D 查看两份文件用同一个 case ID 关联。在输出目录旁生成一份case_001.json记录模型权重版本、spacing、roi、时间戳、执行命令作为可追溯的元数据。把AI 生成和医生已审核做成两个独立状态字段不要用同一个字段表示避免审核状态被自动流程覆盖。如果要做支架模拟这类下游应用输入必须是已签署的掩膜而不是刚推理出来的原始输出。# 生成可追溯元数据的最小示例 import json import datetime from pathlib import Path meta { case_id: case_001, source_image: data/case_001.nii.gz, weights: weights/heart_seg.pt, spacing: [1.0, 1.0, 1.0], roi_size: 96, overlap: 0.25, generated_at: datetime.datetime.now().isoformat(timespecseconds), status: ai_generated, review_status: pending, } Path(outputs/case_001.json).write_text( json.dumps(meta, ensure_asciiFalse, indent2), encodingutf-8 )这份元数据的价值在于当医生复核发现某处分割不合理时你能快速定位是权重问题、预处理问题还是原始影像质量本身就有限。没有元数据的 AI 输出在临床复核环节基本等于不可用。另外要注意医学影像数据涉及患者隐私本文所有示例都应替换成公开数据集或脱敏数据后再运行不要用真实患者数据去测试第三方服务也不要把影像内容贴进任何对话请求里。工具配置和代码逻辑可以让助手帮你改数据本身不要外传。8. 下一步把对话、Coding Plan 和 Key 管理串成一条线如果你已经把第 6 节的命令跑通说明 VS Code 侧的接入和 MONAI 的推理骨架都到位了。接下来通常是三种需求之一对应三条不同的路径需求一先把对话链路用起来做代码评审和报错分析。适合还在搭环境阶段的人先用对话验证 Key 和 Base URL 是否可用再决定要不要动 CLI 配置。模型对话https://taotoken.net/models/detail/chat?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_cta_chat需求二把代码助手当成日常开发工具长期在 VS Code 里用。这种情况更适合直接上 Coding Plan把 Claude Code / Codex 这类 CLI 工具接进工作流日常改 MONAI 脚本、写 transform、查 traceback 都在终端里完成。Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_cta_plan需求三Key 要分环境管理团队里多人共用。建议每个环境本地 / 测试 / 共享单独建 Key出问题可以单独吊销不要所有人共用一个。创建 API Keyhttps://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_cta_key最后再回到开头那份配置确认三件事没有写错ANTHROPIC_BASE_URL或base_url指向https://taotoken.net/apiKey 使用真实值而不是YOUR_API_KEYClaude Code 与 Codex 的配置字段没有互相串用。Claude Code 的完整字段说明在这里配置改完记得新开终端再验证Claude Code 文档https://taotoken.net/doc/ClaudeCodeAnthropic?utm_sourcetaotoken_aicg_blog_endutm_contentvscode_monai_cta_doc把「拿 Key → 配 Base URL → 跑通 MONAI 分割 → 保留元数据 → 医生审核」这条链子走完一遍你得到的不只是一个能跑的脚本而是一套能被人接手、能被复核、能持续迭代的工程流程。