nnUNetv2：train参数解读

先贴上完整的一坨

Configuration name: 2d {'data_identifier': 'nnUNetPlans_2d', 'preprocessor_name': 'DefaultPreprocessor', 'batch_size': 33, 'patch_size': [384, 256], 'median_image_size_in_voxels': [374.0, 254.0], 'spacing': [1.0, 1.0], 'normalization_schemes': ['ZScoreNormalization'], 'use_mask_for_norm': [False], 'UNet_class_name': 'PlainConvUNet', 'UNet_base_num_features': 32, 'n_conv_per_stage_encoder': [2, 2, 2, 2, 2, 2, 2], 'n_conv_per_stage_decoder': [2, 2, 2, 2, 2, 2], 'num_pool_per_axis': [6, 6], 'pool_op_kernel_sizes': [[1, 1], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2]], 'conv_kernel_sizes': [[3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3]], 'unet_max_num_features': 512, 'resampling_fn_data': 'resample_data_or_seg_to_shape', 'resampling_fn_seg': 'resample_data_or_seg_to_shape', 'resampling_fn_data_kwargs': {'is_seg': False, 'order': 3, 'order_z': 0, 'force_separate_z': None}, 'resampling_fn_seg_kwargs': {'is_seg': True, 'order': 1, 'order_z': 0, 'force_separate_z': None}, 'resampling_fn_probabilities': 'resample_data_or_seg_to_shape', 'resampling_fn_probabilities_kwargs': {'is_seg': False, 'order': 1, 'order_z': 0, 'force_separate_z': None}, 'batch_dice': True} These are the global plan.json settings: {'dataset_name': 'Dataset002_Osteoporosis', 'plans_name': 'nnUNetPlans', 'original_median_spacing_after_transp': [1.0, 1.0, 1.0], 'original_median_shape_after_transp': [1, 374, 254], 'image_reader_writer': 'SimpleITKIO', 'transpose_forward': [0, 1, 2], 'transpose_backward': [0, 1, 2], 'experiment_planner_used': 'ExperimentPlanner', 'label_manager': 'LabelManager', 'foreground_intensity_properties_per_channel': {'0': {'max': 255.0, 'mean': 132.15310668945312, 'median': 131.0, 'min': 0.0, 'percentile_00_5': 30.0, 'percentile_99_5': 255.0, 'std': 40.12575912475586}}}

'batch_size': 33：批处理大小为33

patch_size : 输入图像尺寸

'median_image_size_in_voxels': [374.0, 254.0] 中位尺寸，分别代表x、y轴，如果是3d会有三个数

'spacing': [1.0, 1.0]：空间间距是[1.0, 1.0]，说明图像在x和y轴上的分辨率是1mm，可能数据已经经过标准化处理

'normalization_schemes': ['ZScoreNormalization'] 标准化方案--ZScore（该方法的计算公式：z = (x - μ) / σ）

'use_mask_for_norm': [False]：表示归一化时未排除背景区域（可能导致计算均值和标准差时引入冗余背景信息（若背景占比高））

'UNet_class_name': 'PlainConvUNet'：采用Unet网络架构的名称

'UNet_base_num_features': 32：控制参数，作用？

'n_conv_per_stage_encoder': [2, 2, 2, 2, 2, 2, 2], 'n_conv_per_stage_decoder': [2, 2, 2, 2, 2, 2], 'num_pool_per_axis': [6, 6]：采样层级，每层两个解码器两个编码器

pool_op_kernel_sizes': [[1, 1], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2], [2, 2]], 'conv_kernel_sizes': [[3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3], [3, 3]]：循环根据规则值得出每个维度需要的pool_size大小/根据体素反应出的感受野进行选择每个维度上的kernel_size

kernel_sizes：卷积核大小

resampling_fn_data：用于调整分割图大小的重采样函数名称（整数：0、1、2、3等）。

.......太多了，不写了

参考：nnUNet（代码）-预处理-优快云博客

https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/explanation_plans_files.md

（这个是该模型参数的官方解读）