1.安裝nnUNet

根據(jù)readme文檔，這里應(yīng)該有兩種方案可供選擇：

（1）用作標(biāo)準(zhǔn)化基線、開箱即用的分割算法或使用預(yù)訓(xùn)練模型進(jìn)行推理:

pip install nnunet

（2）用作集成框架（這將在您的計算機(jī)上創(chuàng)建nnU-Net代碼的副本，以便您可以根據(jù)需要對其進(jìn)行修改）

你想把nnUNet的文件夾放在哪，就在哪個路徑下運(yùn)行這些命令！

git clone https://github.com/MIC-DKFZ/nnUNet.git
cd nnUNet
pip install -e .#最后這個點(diǎn)也不能忽略

對于我來說，因?yàn)槲液罄m(xù)是要改網(wǎng)絡(luò)代碼的，所以我選擇第二種方法，下面詳細(xì)說明一下這三行命令都是什么意思：

git clone其實(shí)就是把人家github上的代碼克隆過來，這一步其實(shí)和直接復(fù)制粘貼代碼文件是一樣的，總共也就1Mb

cd nnUNet不用說了，就是進(jìn)入文件夾

其實(shí)這個時候就已經(jīng)有一個nnUNet完整的文件夾了，里面包含這些東西：

最后pip install -e .相當(dāng)于python setup.py,也就是運(yùn)行上圖這個setup.py文件

這個文件是用來干什么的呢？

1. 安裝nnUNet需要的python包
2. 向終端添加幾個新命令。這些命令用于運(yùn)行整個nnU-Net pipeline。您可以從系統(tǒng)上的任何位置執(zhí)行它們。所有nnU-Net命令都帶有前綴“nnUNet_”，以便于識別。

這一步我遇到的兩個問題：

（1）從github上git clone代碼的時候速度慢的離譜（20kb/s），這個問題主要是github的域名在國內(nèi)被限制了，網(wǎng)上有很多方法解決，比如下面這個網(wǎng)址可以參考https://www.jianshu.com/p/d58ab49ba98b/

（2）運(yùn)行pip命令的時候速度很慢，這個問題導(dǎo)致我運(yùn)行pip install -e .的時候超時報錯了，同樣給出解決方法的鏈接解決Linux，Ubuntu下使用python包管理工具pip命令安裝和下載包速度很慢、失敗或者connection timeout等問題_一點(diǎn)兒也不萌的萌萌的博客-CSDN博客_linux 下載python failed: connection timed out.

2.安裝隱藏層hiddenlayer（可選）

隱藏層使nnU-net能夠給出其生成的網(wǎng)絡(luò)拓?fù)鋱D（后面會細(xì)說），安裝命令如下（這是一整行命令，請務(wù)必一起復(fù)制粘貼）

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

這里我遇到的唯一問題就是上面說的pip命令速度太慢，也是根據(jù)上述解決方案來解決的。

三、數(shù)據(jù)集準(zhǔn)備

nnUNet對于你要訓(xùn)練的數(shù)據(jù)是有嚴(yán)格要求的，這第一點(diǎn)就體現(xiàn)在我們保存數(shù)據(jù)的路徑上，請初學(xué)者務(wù)必按照我下面的樣式來創(chuàng)建相應(yīng)的文件夾并存入數(shù)據(jù)！?。?/h5>

? 第一步：你現(xiàn)在應(yīng)該有一個名為nnUNet的文件夾（上面有圖），進(jìn)入它，在里面創(chuàng)建一個名為nnUNetFrame的文件夾

? 第二步：在nnUNetFrame文件夾中創(chuàng)建一個名為DATASET的文件夾，后面我們會用它來存放數(shù)據(jù)

? 第三步：在DATASET文件夾中創(chuàng)建三個文件夾，它們分別是nnUNet_raw，nnUNet_preprocessed，nnUNet_trained_models

? 第四步：進(jìn)入上面第二個文件夾nnUNet_raw，創(chuàng)建nnUNet_cropped_data文件夾和nnUNet_raw_data文件夾，右邊存放原始數(shù)據(jù)，左邊存放crop以后的數(shù)據(jù)。

? 第五步：進(jìn)入右邊文件夾nnUNet_raw_data，創(chuàng)建一個名為Task01_BrainTumour的文件夾（解釋：這個Task01_BrainTumour是nnUNet的作者參加的一個十項(xiàng)全能競賽的子任務(wù)名，也是我要實(shí)踐的分割任務(wù)，類似的還有Task02_Heart，就是分割心臟的。如果你想分割自己的數(shù)據(jù)集，建議Task_id從500開始，這樣以確保不會與nnUNet的預(yù)訓(xùn)練模型發(fā)生沖突（ID不能超過999））

? 第六步：將下載好的公開數(shù)據(jù)集或者自己的數(shù)據(jù)集放在上面創(chuàng)建好的任務(wù)文件夾下，下面還以Task01_BrainTumour競賽為例，解釋下數(shù)據(jù)應(yīng)該怎么存放和編輯：

1. 進(jìn)入這個網(wǎng)站http://medicaldecathlon.com/.下載對應(yīng)的數(shù)據(jù)集（<–網(wǎng)上學(xué)科議建<–），取代上面你自己創(chuàng)建的Task01_BrainTumour文件夾。
2. 你會發(fā)現(xiàn)目錄是這個樣子的：json文件是對三個文件夾內(nèi)容的字典呈現(xiàn)（關(guān)乎你的訓(xùn)練），imagesTr是你的訓(xùn)練數(shù)據(jù)集，打開后你會發(fā)現(xiàn)很多的有序的nii.gz的訓(xùn)練文件，而labelsTr里時對應(yīng)這個imagesTr的標(biāo)簽文件，同樣為nii.gz。目前只能是nii.gz文件，nii文件都不行。訓(xùn)練階段的imageTs文件夾先不管，其實(shí)這個文件夾出現(xiàn)在任何位置都可以。（解釋：nnUNet使用的是五折交叉驗(yàn)證，并沒有驗(yàn)證集）

---

四、設(shè)置nnUNet讀取文件的路徑

nnUNet是如何知道你的文件存放在哪兒呢，當(dāng)然要在環(huán)境中創(chuàng)建一個路徑，這個路徑你唯一需要更改的是/nnUNet之前的路徑，因?yàn)楹竺娴穆窂侥愫臀沂且粯拥摹?br> 第一步：在home目錄下按ctrl + h，顯示隱藏文件
第二步：找到.bashrc文件，打開
第三步：在文檔末尾添加下面三行，保存文件。

export nnUNet_raw_data_base="/home/work/nnUNet/nnUNetFrame/DATASET/nnUNet_raw"
export nnUNet_preprocessed="/home/work/nnUNet/nnUNetFrame/DATASET/nnUNet_preprocessed"
export RESULTS_FOLDER="/home/work/nnUNet/nnUNetFrame/DATASET/nnUNet_trained_models"

? 第四步：在home下打開終端，輸入source .bashrc來更新該文檔

現(xiàn)在nnUNet已經(jīng)知道怎么讀取你的文件了。

五、數(shù)據(jù)集轉(zhuǎn)換

1.數(shù)據(jù)集轉(zhuǎn)換是什么，為什么要進(jìn)行數(shù)據(jù)集轉(zhuǎn)換？

nnUNet要求將原始數(shù)據(jù)轉(zhuǎn)換成特定的格式，以便了解如何讀取和解釋數(shù)據(jù)。

每個分割數(shù)據(jù)集存儲為單獨(dú)的“任務(wù)”。命名包括任務(wù)與任務(wù)ID，即三位整數(shù)和相關(guān)聯(lián)的任務(wù)名稱。

比如Task001_BrainTumour的任務(wù)名稱為“腦瘤”，任務(wù)ID為1。

在每個任務(wù)文件夾中，預(yù)期的結(jié)構(gòu)如下：

Task001_BrainTumour/
├── dataset.json
├── imagesTr
├── (imagesTs)
└── labelsTr

圖像可能具有多種模態(tài)，這對于醫(yī)學(xué)圖像來說尤其常見。

nnU-Net通過其后綴（文件名末尾的四位整數(shù)）識別成像模態(tài)。因此，圖像文件必須遵循以下命名約定：case_identifier_XXXX.nii.gz。

這里，XXXX是模態(tài)標(biāo)識符。dataset.json文件中指定了這些標(biāo)識符所屬的模態(tài)。

標(biāo)簽文件保存為case_identifier.nii.gz

此命名方案產(chǎn)生以下文件夾結(jié)構(gòu)。用戶有責(zé)任將其數(shù)據(jù)轉(zhuǎn)換為這種格式！

下面是MSD的第一個任務(wù)的示例：BrainTumor。每個圖像有四種模態(tài)：FLAIR（0000）、T1w（0001）、T1gd（0002）和T2w（0003）。請注意，imagesTs文件夾是可選的，不必存在。

nnUNet_raw_data_base/nnUNet_raw_data/Task001_BrainTumour/
├── dataset.json
├── imagesTr
│   ├── BRATS_001_0000.nii.gz
│   ├── BRATS_001_0001.nii.gz
│   ├── BRATS_001_0002.nii.gz
│   ├── BRATS_001_0003.nii.gz
│   ├── BRATS_002_0000.nii.gz
│   ├── BRATS_002_0001.nii.gz
│   ├── BRATS_002_0002.nii.gz
│   ├── BRATS_002_0003.nii.gz
│   ├── BRATS_003_0000.nii.gz
│   ├── BRATS_003_0001.nii.gz
│   ├── BRATS_003_0002.nii.gz
│   ├── BRATS_003_0003.nii.gz
│   ├── BRATS_004_0000.nii.gz
│   ├── BRATS_004_0001.nii.gz
│   ├── BRATS_004_0002.nii.gz
│   ├── BRATS_004_0003.nii.gz
│   ├── ...
├── imagesTs
│   ├── BRATS_485_0000.nii.gz
│   ├── BRATS_485_0001.nii.gz
│   ├── BRATS_485_0002.nii.gz
│   ├── BRATS_485_0003.nii.gz
│   ├── BRATS_486_0000.nii.gz
│   ├── BRATS_486_0001.nii.gz
│   ├── BRATS_486_0002.nii.gz
│   ├── BRATS_486_0003.nii.gz
│   ├── BRATS_487_0000.nii.gz
│   ├── BRATS_487_0001.nii.gz
│   ├── BRATS_487_0002.nii.gz
│   ├── BRATS_487_0003.nii.gz
│   ├── BRATS_488_0000.nii.gz
│   ├── BRATS_488_0001.nii.gz
│   ├── BRATS_488_0002.nii.gz
│   ├── BRATS_488_0003.nii.gz
│   ├── BRATS_489_0000.nii.gz
│   ├── BRATS_489_0001.nii.gz
│   ├── BRATS_489_0002.nii.gz
│   ├── BRATS_489_0003.nii.gz
│   ├── ...
└── labelsTr
    ├── BRATS_001.nii.gz
    ├── BRATS_002.nii.gz
    ├── BRATS_003.nii.gz
    ├── BRATS_004.nii.gz
    ├── ...

如果對于數(shù)據(jù)集轉(zhuǎn)換這件事還是不明白，打開你的nnUNet文件夾，在/nnUNet/documentation/文件夾下找到dataset_conversion這個文件來進(jìn)一步學(xué)習(xí)。

2.運(yùn)行數(shù)據(jù)集轉(zhuǎn)換的命令

依舊以Task01_BrainTumour為例：

nnUNet_convert_decathlon_task -i /home/work/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task01_BrainTumour

轉(zhuǎn)換操作完成以后，你會發(fā)現(xiàn)在你的Task01_BrainTumour文件夾旁邊，出現(xiàn)了一個Task001_BrainTumour文件夾，打開看一下，里面的格式應(yīng)該和我上面展示的一樣。

3.關(guān)于dataset.json文件

這個文件包含你的訓(xùn)練數(shù)據(jù)信息和任務(wù)信息，如果你按照我的建議下載了Task01的數(shù)據(jù)集，那里面是包含dataset.json文件的，如果你有訓(xùn)練自己的數(shù)據(jù)集的需求，在我的另一篇博客里會有詳細(xì)的說明。

六、數(shù)據(jù)預(yù)處理

nnUNet_plan_and_preprocess -t 1 --verify_dataset_integrity

只需要一行命令，因?yàn)槲覀兊腡ask_id是1，所以這里的數(shù)字就是1。這個過程會消耗很多的時間，速度慢的原因在于對要進(jìn)行插值等各種操作。

根據(jù)nnUNet框架，三維醫(yī)學(xué)圖像分割的通用預(yù)處理可以分為四步，分別是數(shù)據(jù)格式的轉(zhuǎn)換，裁剪crop，重采樣resample以及標(biāo)準(zhǔn)化normalization。如果你想進(jìn)一步學(xué)習(xí)，推薦學(xué)習(xí)這篇文章如何針對三維醫(yī)學(xué)圖像分割任務(wù)進(jìn)行通用數(shù)據(jù)預(yù)處理：nnUNet中預(yù)處理流程總結(jié)及代碼分析 - 知乎 (zhihu.com)

運(yùn)行“nnUNet_plan_and_preprocess”將使用預(yù)處理數(shù)據(jù)填充文件夾。

我們將在nnUNet_preprocessed/Task001_BrainTumour中找到這條命令的輸出結(jié)果。使用2D U-Net以及所有適用的3D U-Net的預(yù)處理數(shù)據(jù)創(chuàng)建子文件夾。它還將為2D和3D配置創(chuàng)建“plans”文件（結(jié)尾為.pkl）。這些文件包含生成的分割 pipeline 配置，將由nnUNetTrainer讀?。ㄒ娤挛模?。請注意，預(yù)處理的數(shù)據(jù)文件夾僅包含訓(xùn)練案例。測試圖像沒有經(jīng)過預(yù)處理。測試集的預(yù)處理將會在推理過程中實(shí)時進(jìn)行。

另外，`–verify_dataset_integrity”應(yīng)至少在給定數(shù)據(jù)集上首次運(yùn)行命令時運(yùn)行。這將對數(shù)據(jù)集執(zhí)行一些檢查，以確保其與nnU-Net兼容。如果此檢查通過一次，則可以在以后的運(yùn)行中省略。如果您遵守數(shù)據(jù)集轉(zhuǎn)換指南（請參見上文），那么這條命令一定會通過的。

七、模型訓(xùn)練

1.寫在訓(xùn)練前：更改epoch

nnUNet默認(rèn)原始的epoch是1000，這太久了，我們打開nnUNet/nnunet/training/network_training/nnUNetTrainerV2.py

第48行的max_epoch來修改epoch

2.關(guān)于訓(xùn)練的運(yùn)行命令

nnU-Net在5倍交叉驗(yàn)證中訓(xùn)練所有U-Net配置。這使nnU-Net能夠確定訓(xùn)練數(shù)據(jù)集的后處理和集合（參見下文）。

如果你不清楚什么是K折交叉驗(yàn)證，可以學(xué)習(xí)這篇博客【技術(shù)分享】什么是K折交叉驗(yàn)證？_AISec鹽究員的博客-CSDN博客_k折交叉驗(yàn)證

我們在數(shù)據(jù)預(yù)處理那一步的時候創(chuàng)建了三個U-Net配置：2D U-Net、對全分辨率圖像進(jìn)行操作的3D U-Net以及3D U-Net級聯(lián)，其中級聯(lián)的第一個U-Net在下采樣圖像中創(chuàng)建粗分割圖，然后由第二個U-Net進(jìn)行細(xì)化。我們在訓(xùn)練的時候可以自由選用它們。

訓(xùn)練模型使用“nnUNet_train”命令完成。命令的一般結(jié)構(gòu)為：

nnUNet_train CONFIGURATION TRAINER_CLASS_NAME TASK_NAME_OR_ID FOLD  --npz (additional options)

1. CONFIGURATION是一個字符串，用于標(biāo)識所請求的U-Net配置。
2. TRAINER_CLASS_NAME是model trainer的名稱。如果您實(shí)施定制trainers（nnU-Net作為一個框架），您可以在此處指定您的定制trainers。
3. TASK_NAME_OR_ID指定應(yīng)訓(xùn)練的數(shù)據(jù)集，F(xiàn)OLD指定訓(xùn)練的是5倍交叉驗(yàn)證的哪一倍。
4. “–npz”使模型在最終驗(yàn)證期間保存softmax輸出。它僅適用于計劃在之后運(yùn)行“nnUNet_find_best_configuration”的訓(xùn)練
   （這是nnU Nets自動選擇最佳性能（集合）配置，見下文）。

對于我們的Task01來說，應(yīng)該運(yùn)行的命令如下

nnUNet_train 3d_fullres nnUNetTrainerV2 1 0 --npz

• 3d_fullres代表我們選用對全分辨率圖像進(jìn)行操作的3D U-Net
• nnUNetTrainerV2是我們選用的訓(xùn)練器
• 1代表你的任務(wù)ID
• 0代表五折交叉驗(yàn)證中的第0折

下面給出各種配置的nnUNet網(wǎng)絡(luò)需要的訓(xùn)練命令

2D U-Net

For FOLD in [0, 1, 2, 3, 4], run:

nnUNet_train 2d nnUNetTrainerV2 TaskXXX_MYTASK FOLD --npz

3D full resolution U-Net 3D全分辨率U-Net

For FOLD in [0, 1, 2, 3, 4], run:

nnUNet_train 3d_fullres nnUNetTrainerV2 TaskXXX_MYTASK FOLD --npz

3D U-Net cascade 3D U-net級聯(lián)

①3D low resolution U-Net

For FOLD in [0, 1, 2, 3, 4], run:

nnUNet_train 3d_lowres nnUNetTrainerV2 TaskXXX_MYTASK FOLD --npz

②3D full resolution U-Net

For FOLD in [0, 1, 2, 3, 4], run:

nnUNet_train 3d_cascade_fullres nnUNetTrainerV2CascadeFullRes TaskXXX_MYTASK FOLD --npz

注意，級聯(lián)的3D全分辨率U-Net需要預(yù)先完成低分辨率U-Net的five folds！

3.訓(xùn)練結(jié)果

訓(xùn)練后的模型將寫入RESULTS_FOLDER/nnUNet文件夾。對于我們的項(xiàng)目來說，就是會存在/home/work/nnUNet/nnUNetFrame/DATASET/nnUNet_trained_models/nnUNet這個路徑下。

每次訓(xùn)練都會獲得一個自動生成的輸出文件夾名稱，根據(jù)我們的訓(xùn)練配置，我們會得到3d_fullres/Task001_BrainTumour這個文件夾。關(guān)于它的樹狀圖如下（為簡潔起見，有些文件僅在一個文件夾下詳細(xì)展開）：

RESULTS_FOLDER/nnUNet/
├── 2d
│   └── Task001_BrainTumour
│       └── nnUNetTrainerV2__nnUNetPlansv2.1
│           ├── fold_0
│           ├── fold_1
│           ├── fold_2
│           ├── fold_3
│           └── fold_4
├── 3d_cascade_fullres
├── 3d_fullres
│   └── Task001_BrainTumour
│       └── nnUNetTrainerV2__nnUNetPlansv2.1
│           ├── fold_0
│           │   ├── debug.json
│           │   ├── model_best.model
│           │   ├── model_best.model.pkl
│           │   ├── model_final_checkpoint.model
│           │   ├── model_final_checkpoint.model.pkl
│           │   ├── network_architecture.pdf
│           │   ├── progress.png
│           │   └── validation_raw
│           │       ├── BRATS_010.nii.gz
│           │       ├── BRATS_010.pkl
│           │       ├── BRATS_018.nii.gz
│           │       ├── BRATS_018.pkl
│           │       ├── summary.json
│           │       └── validation_args.json
│           ├── fold_1
│           ├── fold_2
│           ├── fold_3
│           └── fold_4
└── 3d_lowres

如果你的訓(xùn)練成功了，應(yīng)該會得到和我下圖一樣的結(jié)果

下面詳細(xì)講講這些訓(xùn)練后得到的文件都是什么

• debug.json：包含用于訓(xùn)練此模型的藍(lán)圖和推斷參數(shù)的摘要。不容易閱讀，但對調(diào)試非常有用。

• model_best.model/model_best.model.pkl：訓(xùn)練期間識別的最佳模型的檢查點(diǎn)文件。

• model_final_checkpoint.model/model_final_checkpoint.model.pkl：最終模型的檢查點(diǎn)文件（訓(xùn)練結(jié)束后）。這是用于驗(yàn)證和推理的。

• networkarchitecture.pdf（僅當(dāng)安裝了hiddenlayer時?。阂粋€pdf文檔，其中包含網(wǎng)絡(luò)架構(gòu)圖。

• progress.png：訓(xùn)練期間訓(xùn)練（藍(lán)色）和驗(yàn)證（紅色）損失的圖。還顯示了評估指標(biāo)的近似值（綠色）。這個近似值是前景類的平均Dice分?jǐn)?shù)。

• validation_raw：在這個文件夾中是訓(xùn)練完成后預(yù)測的驗(yàn)證案例。summary.json包含驗(yàn)證度量（文件末尾提供了所有情況的平均值）。

• training_log：訓(xùn)練過程中不斷打印，nnunet的loss函數(shù)默認(rèn)是趨向-1的，也就是說在訓(xùn)練的過程中，我們通過每輪訓(xùn)練的日志可以查看到每輪的loss函數(shù)，這個數(shù)值應(yīng)該是負(fù)數(shù)，而且越趨向于-1，效果越好。

現(xiàn)在我們想看看我們訓(xùn)練的結(jié)果怎么樣，有兩種方法：

? 第一種是打開progress.png來從圖像上直觀的感受一下，它大概長這樣：

? 第二種是打開validation_raw/summary.json，從里面我們不僅可以看到對每一個驗(yàn)證數(shù)據(jù)的評價，更可以在最末尾看到它們的平均值。

這里我們主要關(guān)注這個Dice分?jǐn)?shù)，之前說到了腦瘤數(shù)據(jù)集分為四個模態(tài)，而labels的數(shù)量也是4（參見dataset.json）：

"labels": { 
 "0": "background", 
 "1": "edema",
 "2": "non-enhancing tumor",
 "3": "enhancing tumour"

包含背景在內(nèi)的4個標(biāo)簽，分別是背景、壞疽(NET,non-enhancing tumor)、浮腫區(qū)域(ED,peritumoral edema)、增強(qiáng)腫瘤區(qū)域(ET,enhancing tumor)，如下圖，它們的平均dice分?jǐn)?shù)約為0.9994，0.8770，0.7780，0.8728

八、確定最佳U-Net配置

本文只說明了3d_fullres的訓(xùn)練，完整的nnUNet流程還需要跑2d和3d級聯(lián)的，然后進(jìn)行三種的擇優(yōu)。不過從實(shí)際性能來說，一般3d級聯(lián)≥3d＞2d，是否跑其他兩種需要自己考慮。

訓(xùn)練完所有模型后，使用以下命令自動確定用于測試集預(yù)測的U-Net配置：

nnUNet_find_best_configuration -m 2d 3d_fullres 3d_lowres 3d_cascade_fullres -t 1

1. 所有指定配置都需要完成所有的5折訓(xùn)練！
2. 對于未配置級聯(lián)的數(shù)據(jù)集，請改用“-m 2d 3d_fullres”。如果您只想探索配置的某些子集，可以使用“-m”命令指定。

所以說，如果你訓(xùn)練完所有模型，才可以使用這一步，如果沒有，那可以直接推理

九、運(yùn)行推理

1.準(zhǔn)備測試集

讓我們回到你剛剛做好數(shù)據(jù)集轉(zhuǎn)換的那個數(shù)據(jù)集：/home/work/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task001_BrainTumour，在里面創(chuàng)建inferTs這個文件夾，用于存放待推理測試集的推理結(jié)果。然后，我會選擇將原本的imagesTs重命名為imagesTs0，它是我們下載數(shù)據(jù)集時給我們的幾十個測試集，然后新建一個imagesTs，里面只放一個測試集。（解釋：這個道理其實(shí)很明顯，推理太多數(shù)據(jù)集太久了，先用一個試試）

這個時候我們在imagesTs里存放的待推理的測試集，它的格式應(yīng)該是經(jīng)過數(shù)據(jù)集轉(zhuǎn)換那一步的格式，忘記了的話可以翻上去看一下，如下圖所示，四個模態(tài)都要有，且重命名過：

2.運(yùn)行推理的最簡單方法是簡單地使用下面這一條命令：

nnUNet_predict -i 要預(yù)測數(shù)據(jù)的文件夾路徑 -o 輸出文件夾路徑 -t 1 -m 3d_fullres -f 0

對于我們這個項(xiàng)目，它就應(yīng)該是：

nnUNet_predict -i /home/work/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task001_BrainTumour/imagesTs/ -o /home/work/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task001_BrainTumour/inferTs -t 1 -m 3d_fullres -f 0

你會在inferTs里得到模型生成的預(yù)測結(jié)果

3.如果你想集成多個模型的推理結(jié)果

如果你已經(jīng)訓(xùn)練出了多個模型，并且像上一步一樣進(jìn)行了推理，現(xiàn)在你想集成它們的推理結(jié)果，首先需要在上面的命令后面加入“–save_npz”。`–save_npz”將使命令保存softmax概率以及需要大量磁盤空間的預(yù)測分割掩碼。

然后請為每個配置選擇單獨(dú)的“OUTPUT_FOLDER”！

最后使用以下命令集合來自多個配置的預(yù)測：

nnUNet_ensemble -f FOLDER1 FOLDER2 ... -o OUTPUT_FOLDER -pp POSTPROCESSING_FILE

您可以指定任意數(shù)量的文件夾，但請記住，每個文件夾都需要包含由“nnUNet_predict”生成的npz文件。對于集成，還可以指定一個文件，告訴命令如何進(jìn)行后處理。
這些文件是在運(yùn)行“nnUNet_find_best_configuration”時創(chuàng)建的，位于相應(yīng)的訓(xùn)練模型目錄中(RESULTS_FOLDER/nnUNet/CONFIGURATION/TaskXXX_MYTASK/TRAINER_CLASS_NAMEPLANS_FILE_IDENTIFIER/postprocessing.json or
RESULTS_FOLDER/nnUNet/ensembles/TaskXXX_MYTASK/ensemble_XYZ–XY__Z/postprocessing.json).

您也可以選擇不提供文件（只需省略-pp），nnU-Net將不會運(yùn)行后處理。
因此，在運(yùn)行集成推理之前，必須對所有5個折進(jìn)行訓(xùn)練。在推理開始時，將打印找到的可用的nnU-Net folds列表。

十、評估推理結(jié)果

依舊是一行命令完成

nnUNet_evaluate_folder -ref 金標(biāo)準(zhǔn)文件夾 -pred 預(yù)測結(jié)果文件夾 -l 1 2 3

-l 表示要計算的label的類別，正常就是背景-0腫瘤-1，所以設(shè)置1，如果有兩類就是 -l 1 2，以此類推，所以我們這里是1 2 3
這個是nnUNet自帶的評估命令，計算分割DSC，可以不用這個，另寫代碼去算需要的評估指標(biāo)即可

我在相應(yīng)路徑下創(chuàng)建了seg_0文件夾和seg_p文件夾，分別用來存放金標(biāo)準(zhǔn)和預(yù)測結(jié)果

運(yùn)行如下命令

nnUNet_evaluate_folder -ref /home/work/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task001_BrainTumour/seg_0 -pred /home/work/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task001_BrainTumour/seg_p -l 1 2 3

在seg_p文件夾中，我們會得到和訓(xùn)練結(jié)果文件夾里validation_raw/summary.json一樣格式的summary.json文件，它包含了每一個評估數(shù)據(jù)的指標(biāo)，文檔末尾是其平均值。

參考資料

https://blog.csdn.net/u014264373/article/details/116792649

（四：2020.07.28）nnUNet最舒服的訓(xùn)練教程（讓我的奶奶也會用nnUNet（上））（21.04.20更新）_花卷湯圓的博客-CSDN博客_nnuet

（五：2020.07.31）nnUNet最簡單的推理教程（讓我的奶奶也會用nnUNet（下））_花卷湯圓的博客-CSDN博客_nnunet推理

醫(yī)學(xué)圖像分割 3D nnUNet全流程快速實(shí)現(xiàn)_打南邊來了個阿楠的博客-CSDN博客

論文解讀- nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation（附實(shí)現(xiàn)教程）_Tina姐的博客-CSDN博客文章來源地址http://www.zghlxwxcb.cn/news/detail-779396.html

醫(yī)學(xué)圖像分割 3D nnUNet全流程快速實(shí)現(xiàn)_打南邊來了個阿楠的博客-CSDN博客

論文解讀- nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation（附實(shí)現(xiàn)教程）_Tina姐的博客-CSDN博客

碼字不易，您的點(diǎn)贊是對我最好的支持，如果有問題也歡迎在評論區(qū)或私信與我交流！

到了這里，關(guān)于nnUNet保姆級使用教程！從環(huán)境配置到訓(xùn)練與推理（新手必看）的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！