下载数据 + 标准脑模板

用 requests 从 AWS S3 下载 MSD Task04 数据集（27 MB），再用 nilearn 拉一份 ICBM152 标准脑（HD-BET 的测试输入）。

# 自动跑（在 run_all.sh 里）
$ python scripts/01_download_data.py

# 实际下载：
→ https://msd-for-monai.s3-us-west-2.amazonaws.com/Task04_Hippocampus.tar     # 27 MB
→ nilearn.datasets.fetch_icbm152_2009()                                            # T1 标准脑

转格式 + 自动 plan

MSD 的目录结构跟 nnU-Net v2 不一样——先调 nnUNetv2_convert_MSD_dataset 转换； 再跑 plan_and_preprocess 让 nnU-Net 自动分析数据指纹、生成训练计划。

# 子步骤 1：MSD → nnU-Net v2 格式
$ nnUNetv2_convert_MSD_dataset -i downloads/Task04_Hippocampus -overwrite_id 4

# 子步骤 2：数据指纹 + 自动 plan
$ nnUNetv2_plan_and_preprocess -d 4 --verify_dataset_integrity

HD-BET · 真 AI 脑提取

nnU-Net 自己不带预训练权重；但同团队基于它做的 HD-BET 是个开箱即用的脑提取模型。 首次运行会下 ~400 MB 模型权重（缓存到 ~/.cache/torch/）。

# 一行命令：
$ hd-bet -i test_brain.nii.gz -o brain.nii.gz -device cpu --disable_tta --save_bet_mask

# 参数说明：
  --disable_tta   关闭 test-time augmentation，速度快 4x，质量损失轻微（CPU 推荐）
  --save_bet_mask 同时输出二值 mask，方便可视化叠加

把数据 / Plan / 推理结果 · 都画成图

用 matplotlib + nibabel 把前面几步的产物（NIfTI 体数据、JSON plan）渲染成 PNG，统一 Claude/Anthropic 米色调色板。

拼最终 HTML 报告

把 3 张 PNG 用 base64 内嵌到 HTML 模板里，读取 plan.json 的实际数值填进去， 输出单文件 HTML 报告（约 1.1 MB，无外部依赖）。

# 核心逻辑：
def b64(p): return base64.b64encode(open(p,'rb').read()).decode()

plan_b64  = b64('outputs/nnunet_plan.png')        # 175 KB → base64
hdbet_b64 = b64('outputs/hdbet_result.png')       # 612 KB → base64
hippo_b64 = b64('outputs/hippocampus_sample.png') #  57 KB → base64

# 用 f-string 把 b64 数据 + plan.json 数值填进模板，写出去
Path('outputs/nnunet_report.html').write_text(html, encoding='utf-8')