韩国少妇无码,色就是色欧美,亚洲人妻乱码,国产精品影视1区2区3区,熟妇人妻av,六月婷婷综合,韩国免费一区二区三区,俺也去网址

向AI轉(zhuǎn)型的程序員都關(guān)注了這個號??????

nnUNet是什么？

nnU-Net是由德國癌癥研究中心、海德堡大學(xué)以及海德堡大學(xué)醫(yī)院研究人員(Fabian Isensee, Jens Petersen, Andre Klein)提出來的一個自適應(yīng)任何新數(shù)據(jù)集的醫(yī)學(xué)影像分割框架，該框架能根據(jù)給定數(shù)據(jù)集的屬性自動調(diào)整所有超參數(shù)，整個過程無需人工干預(yù)。僅僅依賴于樸素的U-Net結(jié)構(gòu)（就是原始U-Net）和魯棒的訓(xùn)練方案，nnU-Net在六個得到公認的分割挑戰(zhàn)中實現(xiàn)了最先進的性能。

關(guān)于nnUNet，如果你想更加深入的了解，我推薦看一下這論文

https://arxiv.org/abs/1809.10486

更深入的學(xué)習(xí)還是建議精讀論文。

一、配置虛擬環(huán)境

首先，我們想實現(xiàn)nnUNet的使用，需要配置類似如下的環(huán)境：

上圖所示為nnUNet的官方readme文檔建議的環(huán)境配置，如果你對cuda，cudnn，torch之類的詞語還不算熟悉，可以看一下我的另一篇博客用人話講解深度學(xué)習(xí)中CUDA，cudatookit，cudnn和pytorch的關(guān)系

https://blog.csdn.net/m0_68239345/article/details/128803487?spm=1001.2014.3001.5501

至于為什么要在虛擬環(huán)境中安裝nnUNet，當(dāng)我們在安裝包的時候，pip install django安裝一個包會附帶安裝數(shù)個其他關(guān)聯(lián)的包。但是當(dāng)我們刪除這個包的時候，我們之后僅僅刪除這一個包，安裝時附帶的其他包并不會刪除。**簡單來說，當(dāng)我們的環(huán)境使用時間長的時候，我們的包是很難進行管理的。**所以非常建議在一個全新的虛擬環(huán)境中來完成接下來的操作！！！

二、安裝nnUNet框架

此時，你應(yīng)該已經(jīng)配置好了自己的虛擬環(huán)境并且可以打印出類似上圖的環(huán)境版本（可以更高，但最好不要太低），注意，后續(xù)的操作均要在你激活你想要使用的那個虛擬環(huán)境的前提下進行！！！！

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）用作標準化基線、開箱即用的分割算法或使用預(yù)訓(xùn)練模型進行推理:

pip install nnunet

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

你想把nnUNet的文件夾放在哪，就在哪個路徑下運行這些命令！

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

cd nnUNet

pip install -e .#最后這個點也不能忽略

對于我來說，因為我后續(xù)是要改網(wǎng)絡(luò)代碼的，所以我選擇第二種方法，下面詳細說明一下這三行命令都是什么意思：

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

cd nnUNet不用說了，就是進入文件夾

其實這個時候就已經(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,也就是運行上圖這個setup.py文件

這個文件是用來干什么的呢？

安裝nnUNet需要的python包

向終端添加幾個新命令。這些命令用于運行整個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）運行pip命令的時候速度很慢，這個問題導(dǎo)致我運行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)拓撲圖（后面會細說），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)集準備

nnUNet對于你要訓(xùn)練的數(shù)據(jù)是有嚴格要求的，這第一點就體現(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)！！！

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全能競賽的子任務(wù)名，也是我要實踐的分割任務(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：

進入這個網(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。

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證，并沒有驗證集）

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，因為后面的路徑你和我是一樣的。

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。

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：

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)標識符。dataset.json文件中指定了這些標識符所屬的模態(tài)

標簽文件保存為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

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這個文件來進一步學(xué)習(xí)。

2.運行數(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，因為我們的Task_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以及標準化normalization。如果你想進一步學(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

https://zhuanlan.zhihu.com/p/335970913

運行“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讀取（見下文）。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時進行。

另外，`–verify_dataset_integrity”應(yīng)至少在給定數(shù)據(jù)集上首次運行命令時運行。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默認原始的epoch是1000，這太久了，我們打開nnUNet/nnunet/training/network_training/nnUNetTrainerV2.p

第48行的max_epoch來修改epoch

2.關(guān)于訓(xùn)練的運行命令

nnU-Net在5倍交叉驗證中訓(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）

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進行細化。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)

CONFIGURATION是一個字符串，用于標識所請求的U-Net配置。

TRAINER_CLASS_NAME是model trainer的名稱。如果您實施定制trainers（nnU-Net作為一個框架），您可以在此處指定您的定制trainers。

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倍交叉驗證的哪一倍。

“–npz”使模型在最終驗證期間保存softmax輸出。它僅適用于計劃在之后運行“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:

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展開）：

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

下面詳細講講這些訓(xùn)練后得到的文件都是什么

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分數(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）：

包含背景在內(nèi)的4個標簽，分別是背景、壞疽(NET,non-enhancing tumor)、浮腫區(qū)域(ED,peritumoral edema)、增強腫瘤區(qū)域(ET,enhancing tumor)，如下圖，它們的平均dice分數(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，然后進行三種的擇優(yōu)。不過從實際性能來說，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：

所有指定配置都需要完成所有的5折訓(xùn)練！

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、運行推理

1.準備測試集

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：這個道理其實很明顯，推理太多數(shù)據(jù)集太久了，先用一個試試）