给定某个数据集，nnU-Net完全自动执行整个分割过程，包括数据预处理到模型配置、模型训练、后处理到集成的整个过程，而不需要人为干预。此外，训练好的模型还可以应用到测试集中进行推理。
博主强烈建议：==做医学图像分割的任何人，都必须要会使用nnU-Net==
理由2个：
- 首先用nnU-Net测试一下。看一下该任务的大致效果，心里有个大致预测。
- 第二，写论文的时候通常都要和nnU-Net对比，尤其是投英文期刊（SCI）。因为它太火了，审稿人都知道这个东西的，不要抱侥幸心理。要么战胜它，要么使用它😂。它的出现，真的是有好有坏，毕竟投论文更加难了~
开始之前，确保你已经学习了以下内容
论文解读- nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation（附实现教程）
nnU-Net 如何安装--傻瓜式安装教程
nnU-Net实战一使用预训练nnU-Net模型进行推理
@[TOC]
1 数据准备
nnU-Net 需要结构化格式的数据集。并将原始数据存放在文件夹
nnUNet_raw_data_base/nnUNet_raw_data/TaskXXX_MYTASK
在nnU-Net实战一使用预训练nnU-Net模型进行推理 ，3.1 nnU-Net支持的数据格式这一小节已经讲了你需要把数据转换的格式。主要包含以下文件夹和文件。
-
imagesTr: 训练图像。 -
imagesTs（可选）: 测试图像 -
labelTr: 训练集标签。 -
dataset.json: 包含数据集的元数据， 如任务名字，模态，标签含义，训练集包含的图像地址👇。
这里讲一下，dataset.json这个文件怎么弄。一个合格的文件应该包含如下信息：
- name: 数据集名字
- dexcription: 对数据集的描述
- modality: 模态，0表示CT数据，1表示MR数据。nnU-Net会根据不同模态进行不同的预处理
- labels: label中，不同的数值代表的类别
- numTraining: 训练集数量
- numTest: 测试集数量
- training: 训练集的image 和 label 地址对
- test： ==只包含==测试集的image. 这里跟Training不一样
在这里插入图片描述
现在我们知道长什么样了，那么怎么把我们的数据准备成这个样子呢。最简单的方法就是copy别人的代码，在前人的基础上修改一下。如： dataset_conversion
当然，代码能力强的可以自己写一个~
2 一行命令数据预处理
使用命令： ==nnUNet_plan_and_preprocess==
nnUNet_plan_and_preprocess -t XXX --verify_dataset_integrity
作用： 它会自动读取 ==数据集的属性，例如图像大小、体素间距、强度信息==等。并转换成模型需要的格式。
==XXX==是与您的任务名称相关联的整数标识符TaskXXX_MYTASK（如005， 就写5）。您可以一次传递多个任务 ID。
==--verify_dataset_integrity== 对数据集执行一些检查以确保它与 nnU-Net 兼容。如果此检查已通过一次，则可以在以后的运行中省略。如果您遵守数据集转换指南（见上文），那么这应该毫无问题地通过:-)
nnUNet_plan_and_preprocess完成后，结果保存在文件夹
nnUNet_preprocessed / TaskXXX_MYTASK。
主要包含以下文件：
[图片上传失败...(image-132680-1631149835878)]
3 一行命令开始训练
使用命令 ==nnUNet_train==
该命令参数很多，可以使用nnUNet_train -h查看参数的含义
该命令的一般结构为：
nnUNet_train CONFIGURATION TRAINER_CLASS_NAME TASK_NAME_OR_ID FOLD (additional options)
- CONFIGURATION： 模型架构，三种Unet:
2D U-Net,3D U-Netand aU-Net Cascade(U-Net级联)。 - TRAINER_CLASS_NAME： 使用的model trainer. 默认为nnUNetTrainerV2就可以
- TASK_NAME_OR_ID： 任务全名TaskXXX_MYTASK或者是ID号
- FOLD： 第几折交叉验证，可选 [0, 1, 2, 3, 4]，一共五折。
举例一： 2D U-Net 训练第三折
nnUNet_train 2d nnUNetTrainerV2 Task100_adrenal 3
或者
nnUNet_train 2d nnUNetTrainerV2 100 3
举例二： 3D full resolution U-Net 训练第二折
nnUNet_train 3d_fullres nnUNetTrainerV2 Task100_adrenal 2
举例三： 3D U-Net cascade 训练第二折
分为两步
step1 : 3D low resolution U-Net 训练
nnUNet_train 3d_lowres nnUNetTrainerV2 TaskXXX_MYTASK FOLD
step2: 3D full resolution U-Net 训练
nnUNet_train 3d_cascade_fullres nnUNetTrainerV2CascadeFullRes TaskXXX_MYTASK FOLD
tips： 3D full resolution U-Net 训练需要使用nnUNetTrainerV2CascadeFullRes
训练过程中，终端会输出以下信息：大致包括使用的模型，数据信息，损失函数，网络架构，每个epoch的输出。
我们将训练好的模型写入 RESULTS_FOLDER/nnUNet 文件夹。每次训练都会获得一个自动生成的输出文件夹名称：
nnUNet_preprocessed/CONFIGURATION/TaskXXX_MYTASKNAME/TRAINER_CLASS_NAME__PLANS_FILE_NAME/FOLD
文件树大致如下
每一折里面，又有图上红框所示内容。大致包括
- debug.json：包含用于训练此模型的蓝图和推断参数的摘要。不容易阅读，但对调试非常有用;-)
- model_best.model / model_best.model.pkl：训练期间确定的最佳模型的检查点文件。暂时没用。
- model_final_checkpoint.model / model_final_checkpoint.model.pkl：最终模型的检查点文件（训练结束后）。这是用于==验证和推理==的内容。
-
progress.png：训练过程中的训练（蓝色）和验证（红色）损失图。还显示了评估指标的近似值（绿色）。这个近似值是前景类的==平均 Dice 分数==。
在这里插入图片描述 - validation_raw：在这个文件夹中是训练完成后预测的验证案例。
在训练期间，观察进度通常很有用。因此，我们随时可以查看 progress.png。它将在每个epoch后进行更新。
4 一行命令从断点开始训练
nnU-Net训练时间还是比较久的，毕竟默认跑1000epochs, 假如突然断电了怎么办，难道要重新来吗？
当然不是， nnU-Net 每 50 个 epoch 存储一个检查点。如果您需要继续之前的训练，只需在训练命令中添加一个==-c==即可。如：
nnUNet_train 2d nnUNetTrainerV2 100 3 -c
5 一行命令进行预测
训练完成后，我们当然要看看在测试集上的表现啦。
使用命令 ==nnUNet_predict==
nnUNet_predict -i INPUT_FOLDER -o OUTPUT_FOLDER -t TASK_NAME_OR_ID -m CONFIGURATION
INPUT_FOLDER: 测试数据地址
OUTPUT_FOLDER： 分割数据存放地址
CONFIGURATION： 使用的什么架构，2d or 3d_fullres or 3d_cascade_fullres等
如：
nnUNet_predict -i /home/.../nnunet_file/nnUNet_raw/nnUNet_raw_data/Task100_adrenal/imagesTs -o /home/.../nnunet_file/output -t 100 -m 2d -f 2
分割结果保存在OUTPUT_FOLDER，自行打开查看吧~
总结： 虽然写了这么多，其实也就4行命令就搞定了，每个步骤一行命令。nnUNet有一个不好的地方是，他的预测是没有Dice得分的，因为他不接收测试集的标签。
到这里，nnUNet的使用就分享结束了呀，欢迎评论区交流~
我是Tina, 我们下篇博客见~
最后，求点赞，评论，收藏
