文章目录

• 前言
• 1. 安装
• 2. 训练与测试
• • 2.1. 数据处理
  • • 2.1.1. 整理数据路径
    • 2.1.2. 设置 nnFormer 读取文件的路径
    • 2.1.3. 数据集预处理
  • 2.2. 训练
  • • 2.2.1. 训练代码
  • 2.2. 预测
• 总结

前言

nnUNet是德国癌症研究中心的工程师编写的框架，迄今为止依旧在维护和更新。本文主要记载 nnUNet 从安装到训练再到推理的过程。

有关 nnUNet 网络结构的讲解，可以看我的另一篇文章：MS-Model【1】：nnU-Net

1. 安装

• 官方系统版本
  • nnU-Net需要GPU！为了推断，GPU应该有4 GB的VRAM。对于培训nnU-Net模型，GPU应至少具有10 GB
  • 对于培训，我们建议使用强大的CPU与GPU配合使用。建议至少6个CPU内核（12个线程）。CPU要求主要与数据增强和输入通道数量的扩展有关。
• 安装步骤

1. 安装 hiddenlayer，hiddenlayer 使 nnU-net 能够生成其生成的网络拓扑图

pip install --upgrade git+https://github.com/FabianIsensee/hiddenlayer.git@more_plotted_details#egg=hiddenlayer

2. 在服务器上创建路径 nnUNetFrame
3. 进入创建好的路径，克隆项目到服务器
   • 需要注意的是，可能需要使用国内一些加速的镜像网站才能比较流畅的 clone 到自己的服务器上

cd /root/nnUNetFramegit clone https://github.com/MIC-DKFZ/nnUNet.git

4. 进入 clone 好的文件路径

cd nnUNet

5. 执行安装指令

pip install -e .

安装完成这些以后，每一次对 nnUNet 的操作，都会在命令行里以 nnUNet_ 开头，代表着你的 nnUNet 开始工作的指令

2. 训练与测试

2.1. 数据处理

2.1.1. 整理数据路径

• 进入创建的 nnFormerFrame 文件路径

cd /root/nnUNetFrame

• 创建一个名为 DATASET 的文件夹
• 进入创建好的 DATASET 文件夹
  • 依次创建
    • nnUNet_preprocessed - 存放原始数据预处理之后的数据
    • nnUNet_raw - 存放原始的训练的数据
    • nnUNet_trained_models - 存放训练的结果
• 进入 nnUNet_raw
  • 依次创建
    • nnUNet_cropped_data - crop 以后的数据
    • nnUNet_raw_data - 原始数据
• 最终的文件结构如图所示：
  

2.1.2. 设置 nnFormer 读取文件的路径

• 进入 .bashrc 文件，在文件末尾添加如下命令：

export nnUNet_raw_data_base="/root/nnUNetFrame/DATASET/nnUNet_raw"
export nnUNet_preprocessed="/root/nnUNetFrame/DATASET/nnUNet_preprocessed"
export RESULTS_FOLDER="/root/nnUNetFrame/DATASET/nnUNet_trained_models"

• 更新资源：

source .bashrc

2.1.3. 数据集预处理

本实验使用的是医学图像十项全能 Task05_Prostate

• 转换数据集，让它可以被 nnUNet 识别：

nnUNet_convert_decathlon_task -i /root/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task05_Prostate

• 进行插值等操作

nnUNet_plan_and_preprocess -t 5

需要注意的是，这一步如果有提示有包没有安装成功，基本上可以确定是先前的环境没有配好，如果有出现报错请试着重新配一下环境

2.2. 训练

2.2.1. 训练代码

• 找到路径 /root/nnUNetFrame/nnUNet/nnunet/training/network_training/ 下的 nnUNetTrainerV2.py，修改 epochs
  • 如果只是想得到一个训练结果，可以不用训练那么多轮 epochs（差不多200个epochs就收敛了）
  • 修改：

self.max_num_epochs = 400

• 训练
  • 5 代表你的任务ID，4代表五折交叉验证中的第4折（0代表分成五折后的第一折）

nnUNet_train 3d_fullres nnUNetTrainerV2 5 4

训练结果

• 训练曲线

  • 仅供参考
    

• 训练 log

2022-12-27 10:31:42.129562: 
epoch:  399 
2022-12-27 10:34:45.765983: train loss : -0.9746 
2022-12-27 10:35:06.985032: validation loss: -0.9035 
2022-12-27 10:35:06.985926: Average global foreground Dice: [0.9274] 
2022-12-27 10:35:06.986063: (interpret this as an estimate for the Dice of the different classes. This is not exact.) 
2022-12-27 10:35:13.525987: lr: 0.002349 
2022-12-27 10:35:13.526254: saving scheduled checkpoint file... 
2022-12-27 10:35:13.607831: saving checkpoint... 
2022-12-27 10:35:14.533169: done, saving took 1.01 seconds 
2022-12-27 10:35:14.534369: done 
2022-12-27 10:35:14.567537: saving checkpoint... 
2022-12-27 10:35:15.225455: done, saving took 0.69 seconds 
2022-12-27 10:35:15.226438: This epoch took 213.096802 s

2.2. 预测

nnUNet_predict -i /root/autodl-tmp/model/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task002_Heart/imagesTs/ -o /root/autodl-tmp/model/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task002_Heart/inferTs -t 2 -m 3d_fullres -f 4
nnUNet_predict -i /root/autodl-tmp/model/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task005_Prostate/imagesTs/ -o /root/autodl-tmp/model/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task005_Prostate/inferTs -t 5 -m 3d_fullres -f 4

各项参数含义：

• nnUNet_predict：执行预测的命令；
• -i: 输入（你的待推理测试集）；
• -o: 输出（测试集的推理结果）；
• -t: 你的任务对应的数字ID；
• -m: 对应的训练时使用的网络架构；
• -f: 数字4代表使用五折交叉验证训练出的模型；

总结

按照上面的流程执行一遍后，就可以得到属于你自己的 nnUNet 了！

训练参考
推理参考