nnUNet 使用不完全指南（上）

2021-03-14 约 2342 字预计阅读 5 分钟

nnUNet 使用教程

nnUNet 是一个专门用于医学图像的深度学习程序。使用 nnUNet 可以很方便的进行网络的训练和预测。他的集成度很高，能自动的进行合适的预处理，自动的选择合适的网络。 nnUNet 的官方 github 地址是https://github.com/MIC-DKFZ/nnUNet。在 github 里面有英文版的详细教程。网上也有一个不错的教程，地址是https://blog.csdn.net/weixin_42061636/article/details/107623757。这两篇再加本教程可以交叉看，如有出入，github 上的肯定是权威。本文在kissandrun.github.io持续更新。

安装

首先是安装部分。默认读者使用Linux环境，nnUNet并没有提供其他平台的支持。nnUNet是基于Python和PyTorch。所以首先得安装这两个，这里推荐使用Anaconda安装。具体步骤如下：

查看一下系统是否已经安装完Anaconda环境。在终端中直接输入conda，然后回车。如果出现下面字样以及一堆使用方法，则环境已存在conda无需安装Anaconda。直接跳至第二步。如果提示命令不存在，则参考https://blog.csdn.net/lwgkzl/article/details/89329383。（记得安装最新的版本！）
装完conda，然后新建一个环境，专门用于nnUNet。
1

conda create --name nnunet python=3.8
然后激活这个环境。（之后如果新开终端，每次都要激活环境）
1

conda activate nnunet
详细的conda手册参考：https://docs.conda.io/projects/conda/en/4.6.1/user-guide/tasks/manage-environments.html#creating-an-environment-with-commands
安装PyTorch。终端输入以下命令
1

conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c conda-forge
check一下是否成功。

如果能正确输出，则pytorch安装正确，且能使用GPU加速。
在这个环境中安装nnUNet。终端中输入以下命令即可。（也可以使用csdn上的教程中的那种安装方式)
1

pip install nnunet
check一下是否成功

如果能import nnunet正常输出，则nnUNet安装正确。而且输入which nnUNet_train 会有输出

用nnUNet训练自己的数据

设置环境变量。

在合适的地方新建如下三个文件夹，分别存放预处理后的图像，原始的图像和训练完成的模型。

修改Home目录下的.bashrc文件，在最后加入下面内容(!注意这三个目录应该是对应自己的)

1
2
3


export nnUNet_raw_data_base="/media/fabian/nnUNet_raw"                   
export nnUNet_preprocessed="/media/fabian/nnUNet_preprocessed"
export RESULTS_FOLDER="/media/fabian/nnUNet_trained_models"

保存之后，在终端中输入以下命令

1

source ~/.bashrc

整理数据

nnUNet 对数据的命名和结构都有严格的要求，需要调整自己的数据才能给nnUNet使用。在上面新建的nnUNet_raw下面再新建nnUNet_raw_data文件夹。然后在nnUNet_raw_data下新建文件 TaskXXX_任务名。 XXX是任务序号(大于100的数，前100被占用了)，任务名取一个好记的英文名。

最后的文件结构如下
1 2 3 4 5 6 7

nnUNet_raw/nnUNet_raw_data/ ├── Task001_BrainTumour ├── Task002_Heart ├── Task003_Liver ├── Task004_Hippocampus ├── Task005_Prostate ├── ...
然后在任务文件夹里构建如下结构
1 2 3 4 5

Task001_BrainTumour/ ├── dataset.json ├── imagesTr ├── (imagesTs) └── labelsTr
imagesTr 和 labelsTr 分别存放训练的原图和标签。imagesTs存放测试的原图。dataset.json 下面会说。
图像命名

imagesTr 和 labelsTr 中图像的命名也有要求。其中imagesTr需要改成类似下图这样，而且必须是 .nii.gz 格式。建议写个 python 脚本批量重命名并保存成 .nii.gz 格式。

labelsTr需要改成如下样式，注意原图和标签图序号一一对应，只是原图后面带**_0000**。

imagesTs改成如下，无需从0开始标号，可以接着训练集继续标下去，比较方便。

dataset.json编写

上文说到这个任务文件夹应该包含一个dataset.json 文件。下面是一个例子

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75


{
    "description": "Task128_LungLobe",
    "labels": {
        "0": "0",
        "1": "1",
        "2": "2",
        "3": "3",
        "4": "4",
        "5": "5"
    },
    "licence": "see challenge website",
    "modality": {
        "0": "CT"
    },
    "name": "Task128_LungLobe",
    "numTest": 6,
    "numTraining": 80,
    "reference": "see challenge website",
    "release": "0.0",
    "tensorImageSize": "4D",
    "test": [
        "./imagesTs/LungLobe_080.nii.gz",
        "./imagesTs/LungLobe_081.nii.gz",
        "./imagesTs/LungLobe_082.nii.gz",
        "./imagesTs/LungLobe_083.nii.gz",
        "./imagesTs/LungLobe_084.nii.gz",
        "./imagesTs/LungLobe_085.nii.gz"
    ],
    "training": [
        {
            "image": "./imagesTr/LungLobe_000.nii.gz",
            "label": "./labelsTr/LungLobe_000.nii.gz"
        },
        {
            "image": "./imagesTr/LungLobe_001.nii.gz",
            "label": "./labelsTr/LungLobe_001.nii.gz"
        },
        {
            "image": "./imagesTr/LungLobe_002.nii.gz",
            "label": "./labelsTr/LungLobe_002.nii.gz"
        },
        {
            "image": "./imagesTr/LungLobe_003.nii.gz",
            "label": "./labelsTr/LungLobe_003.nii.gz"
        },
        {
            "image": "./imagesTr/LungLobe_004.nii.gz",
            "label": "./labelsTr/LungLobe_004.nii.gz"
        },
        {
            "image": "./imagesTr/LungLobe_005.nii.gz",
            "label": "./labelsTr/LungLobe_005.nii.gz"
        },
        {
            "image": "./imagesTr/LungLobe_006.nii.gz",
            "label": "./labelsTr/LungLobe_006.nii.gz"
        },
        {
            "image": "./imagesTr/LungLobe_007.nii.gz",
            "label": "./labelsTr/LungLobe_007.nii.gz"
        },
        {
            "image": "./imagesTr/LungLobe_008.nii.gz",
            "label": "./labelsTr/LungLobe_008.nii.gz"
        },
        {
            "image": "./imagesTr/LungLobe_009.nii.gz",
            "label": "./labelsTr/LungLobe_009.nii.gz"
        },
        {
            "image": "./imagesTr/LungLobe_010.nii.gz",
            "label": "./labelsTr/LungLobe_010.nii.gz"
        }
    ]
}

按自己的任务的属性，修改上面的labels，numTest等等信息。注意：这里image的文件名里没有 _0000 。但是修改这个json文件夹的工作量是比较大的，也可以写个 python 脚本自动生成。下面是例子

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36


from collections import OrderedDict
from batchgenerators.utilities.file_and_folder_operations import save_json
   
   
def main():
    foldername = "Task128_LungLobe"
    numTraining = 80
    numTest = 6
    numClass = 6
    json_dict = OrderedDict()
    json_dict['name'] = foldername
    json_dict['description'] = foldername
    json_dict['tensorImageSize'] = "4D"
    json_dict['reference'] = "see challenge website"
    json_dict['licence'] = "see challenge website"
    json_dict['release'] = "0.0"
    json_dict['modality'] = {
        "0": "CT",
    }
    json_dict['labels'] = {i: str(i) for i in range(numClass)}
   
    json_dict['numTraining'] = numTraining
    json_dict['numTest'] = numTest
    json_dict['training'] = [{'image': "./imagesTr/LungLobe_{:0>3d}.nii.gz".format(i),
                              "label": "./labelsTr/LungLobe_{:0>3d}.nii.gz".format(i)}
                             for i in range(numTraining)]
   
    json_dict['test'] = ["./imagesTs/LungLobe_{:0>3d}.nii.gz".format(i)
                         for i in range(numTraining, numTraining+numTest)]
   
    save_json(json_dict, "./dataset.json")
   
   
if __name__ == "__main__":
    main()
   

需要发挥一点主观能动性，修改一下使之适应自己的任务。

整理完数据，运行下面命令
1

nnUNet_plan_and_preprocess -t XXX --verify_dataset_integrity
XXX 代替为你的任务序号。该命令进行预处理。
开始训练。

单卡训练：执行
1

nnUNet_train 3d_fullres nnUNetTrainerV2 XXX 0
意思是对序号为XXX的任务进行第0折交叉验证，训练模式是3d的全像素。一共有五折交叉验证，所以最后一个数为0-4。

注意：默认在第一块 gpu（索引为0）上进行训练，如果想指定某个gpu，请先执行：
1

export CUDA_VISIBLE_DEVICES=X
X为你指定的gpu索引。再执行上面的命令。

多卡训练：比如我现在要在0和1两张卡上执行训练：先执行
1

export CUDA_VISIBLE_DEVICES=0,1
再执行
1

nnUNet_train_DP 3d_fullres nnUNetTrainerV2_DP XXX 0 -gpus 2
实验证明多卡训练速度和单卡训练速度的差别不大，只是为了减少每张卡的使用显存来弥补单卡显存不足的情况。

参考：https://blog.csdn.net/weixin_42061636/article/details/107623757