企业官网建设流程全解析

做神经影像和阿尔茨海默病相关研究，绕不开ADNI数据集。但这套数据跟网上那些点个链接就能下的普通开源数据集不一样：注册、申请、审核、签协议、登录IDA平台、筛选影像、批量下载，每一个环节都可能卡住。我最早折腾ADNI数据集下载的时候，光研究计划就被打回来过一次，后面又在IDA界面里找序列找了半天。这篇博文就把这套流程从零到一完整拆一遍，把每一步的操作细节、注意事项和踩坑记录都写清楚，给准备入场的同学一份能直接照做的清单。

1. ADNI数据集到底是什么：下载前必须搞清的底细

1.1 从ADNI1到ADNI4：跨越近二十年的多中心研究

ADNI全称Alzheimer's Disease Neuroimaging Initiative，是由北美多家顶尖大学和医学中心联合发起的纵向队列研究项目。它从2004年前后启动，目标是通过采集大量受试者的影像、临床、生物标志物数据，追踪阿尔茨海默病从正常老化、轻度认知障碍（MCI）到痴呆的演变过程。这个项目不是单一的一次性采集，而是分阶段滚动推进的：ADNI1、ADNI2、ADNI3，到近年还有ADNI4的计划和数据发布。每个阶段都会在之前的基础上扩展影像序列、增加新的技术手段、充实受试者队列。

这里有几点对下载很重要。不同阶段的数据在IDA平台上是分开管理的，你申请的是ADNI1的权限，不代表ADNI2、ADNI3的受控数据也能自动下载。下载前先想清楚自己要用哪个阶段的数据：如果只是做常规的结构像分类实验，ADNI1和ADNI2基本够用；如果要用到Tau PET、新的基因数据或者更精细的认知量表，可能得看ADNI3或后续阶段。我见过不少同学一上来全选所有阶段，结果审核时被问“你到底需要哪些”，反而拖慢了进度。

从数据规模上说，ADNI累计入组的受试者是数千人规模，每个受试者包含多时间点的随访数据。很多人误以为ADNI只是“一批MRI图像”，其实它是一种高度结构化的纵向数据集，同一个受试者在不同时间点会重复采集多模态影像和临床评估，这种“同一批人反复跟踪”的设计才是它最大的价值——可以做疾病进展建模、时序分析这类研究。

1.2 数据里到底有什么：影像、量表、生物标志物一应俱全

把ADNI的数据类型铺开看，大致可以分为以下几类，每一项对研究方向的影响都不小。

对做人工智能和医学图像分析的人来说，最常见的组合是“T1加权MRI + 临床标签（NC/MCI/AD）”。这个组合足够跑通大部分经典的分类、分割和回归任务。要做多模态的话，再叠加FDG-PET或者AV45-PET。要注意的是，PET数据不是所有受试者都有，不同阶段的采集协议也不完全一致，申请前最好先看看数据目录里的数量，别到时候发现关键模态缺失。

1.3 为什么ADNI不能像普通数据集一样“直接下”

很多第一次接触ADNI的人会问：既然是公开数据，为什么不能直接下载？这里面的原因主要有三方面。第一是隐私保护。ADNI虽然对数据做了去标识化处理，但医学影像数据和临床量表背后关联的是真实个体的健康信息，必须通过受控访问机制来限制使用范围和传播途径。第二是研究伦理要求。所有入组受试者都签署了知情同意书，数据使用必须限定在研究场景内，不能用于商业用途或者伤害受试者权益的行为。第三是学术规范。项目方希望通过“研究计划申报”这个机制，让数据申请人明确自己的研究目的，同时也方便对数据使用情况进行统计和追踪。

所以，ADNI的下载流程天然就是“申请—审核—授权—下载”的模式。理解了这套逻辑，你就不会觉得它“麻烦”了——这其实是医学影像领域常见的受控数据访问方式，MIMIC、UK Biobank等数据库也都类似。后面所有操作步骤，都是在为“证明你有合理的研究需求”这个目标服务。

2. 下载前夜：账号注册、研究计划申报和协议签署

2.1 先在LONI IDA上把账号注册好

ADNI的数据托管在IDA（Image Data Archive）平台上，网址是ida.loni.usc.edu。我第一次进去的时候差点找不到注册入口，其实在首页顶部就能看到“Register”或“Sign Up”的按钮。注册时需要填写的字段包括姓名、邮箱、所属机构、研究领域等，这里有几个细节值得注意。

第一，邮箱尽量使用机构邮箱。我当时用的是学校邮箱，审核流程很顺；身边有同学用了个人邮箱，虽然也能通过，但审核人员回复时通常会更谨慎地核实身份。如果你是学生，建议直接用带edu或机构域名的邮箱注册。第二，个人信息的填写要与后面研究计划保持一致，尤其是姓名拼写和所属单位。第三，注册时如果看到ORCID字段，建议顺手填上。ORCID相当于学术身份ID，很多医学数据库的申请流程都会关联ORCID，提前绑定能减少以后反复验证的麻烦。

注册完成后，系统会往邮箱发一封确认邮件，点击邮件里的链接激活账号，这步别漏了。当时我等确认邮件等了几分钟没动静，后来才发现被丢进了垃圾箱，大家也留意一下。激活之后，你的账号在IDA里还只是一个“空壳”，需要继续申请ADO（Authorized Data User）权限才能看到ADNI的数据。

2.2 研究计划怎么写最容易一次通过

研究计划（Research Proposal）是整个申请流程里最核心的材料，也是初审人员判断“该不该把这个数据集给你”的主要依据。我见过很多拒信，原因基本逃不出三类：研究目标太笼统、方法描述太空泛、跟已有申请重复度过高。

具体怎么写？我的建议是把它当作一份微型基金申请书来写，至少包含以下要素：

• 研究标题：明确说明要做什么，不要只写“AD research”。
• 研究背景与目标：一两段话说清楚为什么要做这项研究。
• 具体数据需求：说明你需要的ADNI阶段、数据模态、受试者数量、时间点。
• 分析方法：你计划用哪些统计模型、机器学习算法或影像处理流程。
• 预期成果：论文、专利、工具包等，哪怕是“投稿XX会议/期刊”也好。
• 伦理与数据安全声明：说明数据只用于研究、不外传、不重新识别受试者身份。

举个我当时的写法，申请“基于多模态MRI和PET早期识别轻度认知障碍向阿尔茨海默病转化”这个方向，我会写：“本研究拟使用ADNI1和ADNI2的T1加权MRI、FDG-PET和AV45-PET数据，纳入基线认知正常（CN）、轻度认知障碍（MCI）和阿尔茨海默病（AD）三组受试者，使用卷积神经网络提取影像特征，并使用Cox回归评估MCI向AD转化的风险因素……”这个描述虽然简单，但逻辑完整，审核人员能一眼看出你的数据使用范围和分析思路，通过率自然高。

相反，如果只写两句“我想研究ADNI数据。请批准”，那大概率会被打回来。研究计划不需要写得花哨，也不需要长篇大论，但必须让审核人觉得“这人知道自己要什么”。

2.3 导师关联、协议签署和审核周期

如果你是研究生，尤其还在读硕士或博士初期，申请时经常会遇到一个操作：把导师关联到你的账号上。ADNI的授权体系里，学生通常需要有一位正式科研人员（PI或Co-I）作为担保人。具体操作是在IDA个人账户的“Related Users”或“Association”菜单里添加导师账号，然后系统会给导师发一封确认邮件，需要导师点击确认。

我当时是先让导师也注册了LONI IDA账号，再把TA关联为我的项目负责人。这步要提前跟导师沟通好，别等审核邮件到了才临时找人。导师确认后，你填写的研究计划会和他/她的账号绑定，审核后授权会自动落到你的账户名下。如果你是博士后、助理研究员或者有独立科研职位，可以以PI身份直接申请，就不需要关联步骤了。

协议签署发生在审核通过之后。IDA会生成一份电子版数据使用协议（Data Use Agreement），内容包括数据仅限研究用途、不得将数据转给第三方、不得尝试重新识别受试者、使用ADNI数据发文时要遵守引用规范等。点击确认后，一般几分钟内就能生效。整个审核周期我没有一个固定值可以给你，快的话两三天，慢的话可能两三周，官方也没承诺固定时限，所以最好把申请时间提前到正式做实验前的三四周。

2.4 收到通过通知后还要做什么

审核通过、协议签完，很多人以为就能下载了，其实还有个细节容易被忽略：不同等级的数据访问权限是分开的。ADNI的数据在IDA里分为公开（Public）和受控（Private/Protected）两类。公开数据可以直接访问；受控数据即使在账号授权后，可能还需要针对具体数据集点击“Request Access”。比如某些基因数据、原始DICOM文件，会带单独的访问限制标记。

拿到授权后，建议先做两件事。一是登录IDA，随便搜索一个公开数据集，确认能正常浏览和下载，把整个平台的访问链路打通；二是到“My Account”里检查自己的授权范围，确认ADNI1/2/3等阶段是否都已开放给你。免得后面排了很久的筛选条件，最后才发现某个阶段的数据没有权限。

3. IDA平台实操：从筛选到下载的全流程拆解

3.1 登录和界面分区：别一进来就懵

IDA平台的中文资料很少，第一次进去很容易晕。它不是一个“傻瓜式”资源站，界面风格更接近科研数据管理系统。登录后，几个核心入口值得先摸清楚：左上角的菜单区里会有Data Search、Data Explorer、Advanced Search之类的选项，购物车和下载管理通常在页面顶部或侧边栏。不同时期的平台版本界面会有差异，但核心逻辑是“搜索—筛选—加入购物车—下载”这一条线。

我在实际使用中觉得最顺手的是Advanced Search。它能按项目、影像类型、序列名、访问级别等多个条件组合筛选，适合对ADNI数据有一定了解的人。Data Explorer的图形化程度更高一些，适合快速浏览某个受试者下有哪些数据，但要批量筛选大样本，效率不如Advanced Search。

还有一个小技巧：IDA的右上角通常有“Help”或文档入口，里面有逐字段的说明。遇到不清楚的选项，先看文档，别乱点。因为有些字段选错会影响搜索结果，比如把“Collection”选成其他项目，搜出来就是一堆无关数据。

3.2 用Advanced Search精准锁定目标数据

我们拿最常见的“下载ADNI1的T1加权MRI，格式为NIfTI”来走一遍完整搜索流程。

进入Advanced Search后，首先在Collection/Project字段里选择ADNI1。一定不要嫌麻烦跳过这步，因为ADNI1、ADNI2、ADNI3、ADNI4在平台上是被区分为不同Collection的，选错直接查不到。接着在Image Type字段里选MRI，再在Sequence或Scan Type里选T1W或类似选项。有些版本里序列名带有更细的后缀，比如“T1W 3D SPGR”，这是ADNI1早期常用的序列参数，如果你做皮层厚度分析或体积计算，这类高分辨率结构像很关键。

搜索之前还要确认一个字段：Access Level。公共数据通常默认可见，但有些影像序列标记为Restricted，搜索时记得把访问级别里的选项都打开，否则即使你有权限也看不到完整的条目列表。我最初搜索ADNI2的AV45 PET时，就是因为访问级别勾选不全，结果只搜到三分之一的数据条目，还以为PET数据量本身就这么少。

搜索结果出来之后，可以先看“Subject”列表，再展开每个受试者下的影像记录。此时要注意，同一个受试者可能有多条同一序列的记录（比如基线、月12、月24等随访时间点）。如果你只做基线横断面分析，就只挑VISIT中标为“baseline”或“m0”的记录；如果做纵向分析，再逐个勾选不同访视时间点。

3.3 加入购物车、选择格式和生成订单

选中目标影像记录后，点击“Add to Cart”加入购物车。这里有一个很关键的选项：下载格式。IDA允许用户选择DICOM、NIfTI等格式，有的还提供已处理的图像数据。如果你在用SPM、FSL、FreeSurfer、Python的nibabel等工具做分析，NIfTI（.nii或.nii.gz）会方便得多；如果要做更底层的原始数据处理或归档，DICOM更合适。格式选择通常发生在生成订单或下载前，位置在购物车页面或批量下载设置里。

生成订单时，IDA会询问是否同时下载元数据CSV。强烈建议勾选这个。CSV里包含序列号、受试者ID、访视时间、影像模态等关键字段，是你后面做数据索引和标签匹配的重要依据。没有这个CSV，你面对一堆随机命名的图像文件时，会花大量时间在“某个文件到底是哪个受试者的”这类问题上。

订单生成后，系统会进入一个队列等待处理。处理完成后，你能看到下载链接或开始下载按钮。如果数据量很大，IDA多半会提供一个下载管理器或HTTPS链接，而不是直接在浏览器里下载一个几千GB的文件夹。

3.4 下载队列、断点续传和本地校验

批量下载大影像数据最容易遇到的问题就是中断。ADNI的单个扫描文件可能几十MB到几百MB，而一个完整队列的数据量轻松超过几十GB，网络稍有波动，浏览器下载就容易断。IDA本身支持断点续传，但前提是你用对了下载方式。

我的实操经验是，对于超过10GB的数据，尽量别用浏览器的“另存为”。改用支持断点续传的下载工具会更稳，例如aria2这类命令行工具，能支持多线程和断点续传。IDA也会为每个下载任务生成一个带校验值的记录，下载完成后可以用md5sum或sha256sum校验一下文件完整性。我当时下载完ADNI2的T1数据后，校验出两个文件大小不一致，重新补下才避免后面实验用到损坏数据。

下载后的文件命名通常包含一串唯一ID和系列描述，不能直观看出是哪个受试者。所以我在下载完成后都会做一步“重命名+整理”：用元数据CSV作为基准，把文件名和受试者ID、访视时间对应起来，放到以“SubjectID_Visit”命名的目录下。这个习惯在数据量上百GB时尤为宝贵。

3.5 下载后的目录组织与元数据对接

数据下载完成只是开始，本地组织和管理同样重要。我的建议是尽量保持和IDA平台一致的三层结构：第一层按ADNI阶段分，第二层按受试者ID分，第三层按访视时间点分，每个目录下再放对应序列的影像文件和元数据。

目录结构参考：

ADNI_Dataset/ ADNI1/ Subj_001/ baseline/ T1W.nii.gz T1W_dicom/ m12/ T1W.nii.gz Subj_002/ ... ADNI2/ ... metadata/ ADNI1_MRI_metadata.csv ADNI2_MRI_metadata.csv

这样做的好处是，后面写Python脚本做数据加载时，只需要遍历目录结构，再用元数据CSV做匹配，整个过程逻辑清晰、不容易出错。如果从一开始就把所有文件堆在同一个目录，后期找数据会非常痛苦。另一个建议是给每个子目录写一个README或DataKey.txt文件，记录来源下载日期、序列名称、访问权限等信息，方便追踪版本。

4. 科学使用ADNI API：大样本下载的正确姿势

4.1 什么时候该用API

网页端购物车方式虽然在场景直观性上有优势，但一旦数据量达到几百GB，或者你需要按特定的研究条件动态筛选大量子集时，纯手工操作会变成灾难。我后来下载ADNI3的纵向随访数据时，经历了“勾选几百个受试者的几十个时间点”这种重复劳动，才意识到该用API了。

ADNI官方提供了应用程序接口（API），可以通过编程方式搜索受试者、查找影像记录、获取下载链接。API的价值主要有三个：一是可重复性，脚本写完后可以反复执行；二是可扩展性，不管搜100条还是上万条记录，都是一个循环的事；三是便于集成到数据处理流水线里，比如你在做数据预处理时，临时发现某个受试者缺少某个时间点的扫描，可以直接用API增量拉取，不用重新登录网页去翻记录。

4.2 申请API访问凭证并配置环境

使用API需要先在IDA账户里生成访问凭证（通常是Access Token或API Key）。具体入口在个人设置或者账户信息页面，生成后要妥善保存，因为它多半只在生成时显示一次。妥善保存的意思是：放到环境变量或本地配置文件里，不要直接写死在代码里，更不要上传到公开仓库。

配置环境的时候，我习惯创建一个名为.adni_config的配置文件，内容类似：

ADNI_API_BASE=https://ida.loni.usc.edu/ida/api ADNI_API_TOKEN=your-token-here

然后在Python里用python-dotenv读取，这样既能保护密钥，又方便不同脚本复用同一套配置。

4.3 Python脚本：检索影像并批量下载

ADNI的API整体是REST风格，需要将Access Token放在请求头里做认证。接口的具体路径可能随平台版本调整，我这里用的是一个通用的请求结构，实际使用前要先查阅官方API文档确认端点名称和参数。

import os import requests import time API_BASE = os.getenv("ADNI_API_BASE") API_TOKEN = os.getenv("ADNI_API_TOKEN") headers = { "Authorization": f"Bearer {API_TOKEN}" } # 1. 搜索ADNI1中所有T1加权MRI序列 search_payload = { "project": "ADNI1", "image_type": "MRI", "sequence": "T1W", "format": "nifti" } resp = requests.post(f"{API_BASE}/searchImage", json=search_payload, headers=headers) resp.raise_for_status() images = resp.json().get("images", []) print(f"共找到 {len(images)} 条影像记录") # 2. 批量获取下载链接并执行下载 for img in images[:20]: image_uid = img["image_uid"] download_resp = requests.get( f"{API_BASE}/download", params={"image_uid": image_uid}, headers=headers, stream=True ) # 根据返回结果保存文件 ... time.sleep(0.5) # 控制请求频率，别把服务器打爆

你可以看到，核心步骤就是两个：searchImage拿到记录列表，download拿到文件。关键在于，官方接口的字段名和返回格式要以最新文档为准；如果返回的是JSON，就多打印几层结构看看字段怎么命名；如果返回的是文件流，就直接用response.content或迭代写入本地文件。

如果一次搜索的结果太多，接口一般会分页，务必处理分页游标，否则下载的只是前几十条，后面全被漏掉了。

4.4 异常重试、限速和日志：让脚本更“耐造”

用API下载大量数据时，最常见的问题是请求过于频繁被限流，或者网络抖动导致单个文件下载失败。我写下载脚本时，一定会加三样东西：异常重试、请求限速、日志记录。

import time import random from functools import wraps def retry(max_retries=5, delay=2.0): def decorator(func): @wraps(func) def wrapper(*args, **kwargs): for attempt in range(max_retries): try: return func(*args, **kwargs) except Exception as e: print(f"第{attempt + 1}次请求失败: {e}") if attempt == max_retries - 1: raise time.sleep(delay * (2 ** attempt) + random.uniform(0, 1)) return wrapper return decorator

这里用的是指数退避策略：第一次失败后等2秒，第二次等4秒，第三次等8秒，以此类推。这个策略对减轻服务器压力和应对临时的网络问题都很友好。同时，每次成功下载一个文件后，把文件名和状态追加写到download_log.txt里。这样即使中断，也能通过对比日志知道自己下载到哪一步，下次直接跳过已完成的部分，继续下载剩下的文件。

我遇到过的情况是，几百个文件下到一半，网络断了。没有日志的时候完全不知道哪些文件已经完成，只能重来；加了日志之后，用脚本检查一遍文件是否存在，就可以无缝续传。

5. 下载过程的坑与解：高频问题排查

5.1 页面打不开、下载中断怎么办

遇到IDA页面打开慢或者下载中断，先别急着认定是数据平台的问题。ADNI服务器在北美，跨地域访问时网络延迟和丢包确实会有影响。最直接的办法是换一个网络环境试试，比如从无线网络切换到有线网络，或者换个时段的服务器压力低一些再下载。建议避开工作日的下载高峰，选择凌晨或周末，速度通常会有明显改善。

如果单个文件下载到一半失败，优先用下载管理工具续传，而不是重新生成订单。IDA的下载认证机制有时候和IP变化绑定，断网重连后原来的链接可能失效，这时候要重新从下载队列里取一次链接，取到后再用断点续传工具接着下。

还有一点容易被忽略：你的本地磁盘格式和可用空间。NDA数据文件动辄几个GB，如果磁盘是FAT32格式，单个文件超过4GB会写入失败，建议使用NTFS或exFAT格式的硬盘，并保证磁盘剩余空间至少是数据总量的1.5倍。

5.2 搜索不到数据？先检查这三个地方

搜索结果的条目数远低于预期，或者完全搜不到时，我从前往后排查，百分之八十的问题出在三处。

第一，Collection选错了。ADNI1、ADNI2、ADNI3、ADNI4是分开的，别指望在一个Collection里看到所有阶段的数据。第二，访问级别筛选没打开。平台默认可能只显示Public数据，你申请到的受控Access权限需要手动勾选对应的访问级别，否则数据在数据库里，但前端不显示。第三，序列名或Image Type选得太具体。不同批次的采集协议会有差异，序列名可能是“T1W 3D SPGR”，也可能是“T1W MPRAGE”，如果只选了一个精确值，另一个序列协议的数据就会被过滤掉。

怀疑筛选条件有问题时，最有效的办法是把条件逐个删掉，从“只选Collection”开始逐步加回条件，看从哪一步开始结果数量骤减，问题就定位到了。

5.3 DICOM和NIfTI怎么选：格式与转换建议

DICOM是医学影像的原始标准格式，能保留所有扫描参数和元数据，但一个扫描序列通常包含几百个独立的.dcm文件，直接用它做深度学习训练很不方便。NIfTI格式则是由神经影像社区推动的标准化格式，将三维体数据打包成一个文件，再配合一个.json或.txt头文件保存元数据，绝大多数影像分析框架都对NIfTI天然支持。

如果你要做的是算法研究和模型训练，直接下载NIfTI是省时省力的选择。如果你拿到的是DICOM，需要自己转NIfTI，我建议用dcm2niix这个工具。它能把一个DICOM序列文件夹转成一个NIfTI文件，还能自动生成BIDS风格的JSON侧car文件。命令行示例：

dcm2niix -z y -o output_dir input_dcm_dir

-z y表示启用gzip压缩，输出.nii.gz文件，节省磁盘空间。转换时留意检查是否有方向信息翻转的问题，尤其是结合临床标签对齐情况，这在多模态分析中很容易埋雷。

5.4 审核被拒后的修改重提策略

研究计划被拒不代表死路一条，但一定要明白原因再重提。审核意见通常会在邮件里说清楚，有些是“研究计划信息不足”，有些是“数据需求范围不明确”。如果邮件里没有具体说明，可以直接回复邮件询问，我在实践中发现ADNI的支持团队回复速度不错，态度也很专业。

修改重提时，原则上不要只是把原来的话换种说法，而是实打实地补充细节。我当时第一次被拒，是因为研究计划里只写了“使用机器学习预测阿尔茨海默病”，完全没有写要哪些影像模态、哪些阶段、怎么验证。第二次申请时，我把它扩到500词，写了具体的数据范围、模型方案、评估指标、数据集划分方式，结果很快就通过了。核心思路是让审核人觉得你有清晰、可行的研究计划，而不是“先拿到数据再想做什么”。

5.5 数据版本更新与增量下载

ADNI的数据是会更新版本的。某个受试者可能因为影像质控不过关被重新标记，或者某个序列增加了新的处理版本。官方一般会通过邮件通知数据更新情况，但如果你不留意，本地数据可能和最新版本脱节。

我的做法是定期检查平台的“Data Updates”或版本公告页面，并在本地记录每次下载的日期和版本号。如果更新的只是少量受试者，直接用API按受试者ID增量拉取就好，不需要把整个数据集重新下载一遍。增量拉取之后，记得同步更新本地元数据CSV，避免新旧数据混在一起无法区分。

5.6 用了ADNI要会致谢：引用规范速查

ADNI数据虽然向学术界开放，但使用它发表论文时必须符合引用规范。ACI的一贯要求在论文的致谢或者数据可用性声明里加入特定表述，大致是“Data used in preparation of this article were obtained from the Alzheimer's Disease Neuroimaging Initiative (ADNI) database”。具体标准表述以项目官网提供的模板为准，不同期刊对表述格式可能也有要求。

更关键的是，引用ADNI时通常还要引用介绍项目的关键文献，比如ADNI1的原始设计文章。发文章前，把引用表述和参考文献列到论文中，能避免后期审稿人要求补充时手忙脚乱，也能体现你对数据来源的尊重。

另外，ADNI数据的使用协议里明确禁止尝试识别受试者身份、禁止将原始数据转交给未经授权的第三方。做多中心合作时，如果要把数据分享给合作方，也要先确认对方是否具备独立的数据访问授权。这两年不少期刊对数据使用合规性查得越来越严，这一点千万别大意。

我个人在实际操作中还有一个体会：ADNI的数据下载不是一次性的体力活，而是一个需要持续维护的数据工程环节。建议第一次只下载一个小规模子集，比如20到50个受试者的T1数据，把整个流程从申请、搜索、下载到校验完整跑通一次，再放心去申请全量数据。平台熟悉之后，后面每次拉数据都会顺手很多，也能把更多精力留给真正重要的研究问题本身。最后再分享一个小技巧：把你在IDA里用过的搜索条件和本地目录命名规范保存成一份项目笔记，下次不管是要补充下载某个受试者的PET，还是要换一套分析方法重取数据，都能直接参考，不用重新摸索。