nnUNet_v2（Linux）

目录

一、环境配置

二、数据集准备

三、数据转化

四、数据预处理

五、训练

六、测试

七、寻找最优配置

八、后处理

九、screen的用法

---

最近在使用nnUNet做医学影像分割，为大家提供参考。

官方使用说明地址:

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

一、环境配置

1. 创建虚拟环境（anaconda 3）

conda create -n nnUnet python=3.9
conda activate nnUnet

2. 配置nnUNet_v2

(1)安装nnUNet

git clone https://github.com/MIC-DKFZ/nnUNet.git
cd nnUNet
pip install -e .

(2)安装hiddenlayer（可选，为了输出网络结构示意图）

pip install --upgrade git+https://github.com/FabianIsensee/hiddenlayer.git

如果在实际使用中发现graphviz库报错："failed to execute PosixPath('dot'), make sure the Graphviz executables are on your systems' PATH"

请使用以下命令安装dot：

conda install -c conda-forge graphviz

3. 配置环境变量

修改位于/home/user路径下的.barshrc文件，在文件末端输入：

export nnUNet_raw="/home/user_name/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data"
export nnUNet_preprocessed="/home/user_name/nnUNet/nnUNetFrame/DATASET/nnUNet_preprocessed"
export nnUNet_results="/home/user_name/nnUNet/nnUNetFrame/DATASET/nnUNet_results"

4. 更新配置（位于/home/user路径下）

source .bashrc

二、数据集准备

nnUnet有严格的数据集结构要求，按照以下步骤制作自定义数据集：

1. 安装好nnUNet后，在home/user/nnUNet/目录下创建文件夹，命名为nnUNetFrame

2. 在nnUNetFrame下创建DATASET文件夹

3. 在DATASET文件夹下创建三个文件夹，分别为nnUNet_results、nnUNet_raw、nnUNet_preprocessed

如图：

4. 在nnUNet_raw下创建nnUNet_raw_data与nnUNet_cropped_data(后者为可选项)文件夹

5. 在nnUNet_raw_data下创建Task对应的文件夹，以rmyy数据为例，Task200_ctrmyy

注：每一个Task都有唯一的ID，最好从200开始，以免与原有数据集发生冲突。

6. 在Task200_ctrmyy下存放训练、测试数据及标签，并且创建一个dataset.json文件

可以运行脚本自动生成dataset.json文件。

"""
位置：/home/suian/nnUNet/nnUNetFrame/create_data_json.py
创建数据集的json
"""
import os
import json
from collections import OrderedDict

path_originalData = r"/home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/"
Task_name = 'Task200_ctrmyy'
train_real_image = os.listdir((path_originalData + Task_name + "/imagesTr"))
train_real_label = os.listdir((path_originalData + Task_name + "/labelsTr"))
test_real_image = os.listdir((path_originalData + Task_name + "/imagesTs"))
print(train_real_image)
for idx in range(len(train_real_image)):
    print({'image': "./imagesTr/%s" % train_real_image[idx],
           "label": "./labelsTr/%s" % train_real_label[idx]})

# # -------下面是创建json文件的内容--------------------------
# # 可以根据你的数据集，修改里面的描述
json_dict = OrderedDict()
json_dict['name'] = "ct_rmyy"  # 任务名
json_dict['description'] = " Segmentation"
json_dict['tensorImageSize'] = "3D"
json_dict['reference'] = "see challenge website"
json_dict['licence'] = "see challenge website"
json_dict['release'] = "0.0"
# 这里填入模态信息，0表示只有一个模态，还可以加入“1”：“MRI”之类的描述，详情请参考官方源码给出的示例
json_dict['modality'] = {"0": "CT"}

# 这里为label文件中的标签，名字可以按需要命名
########下面一行在参考的基础上做了修改######
json_dict['labels'] = {'0': 'background',
                       '1': "LV",
                       '2': "RV",
                       '3': "LA",
                       '4': "RA",
                       '5': "Aorta",
                       '6': "PA",
                       '7': "myo",
                       '8': "SVC",
                       '9': "IVC",
                       '10': "PV"}

# 下面部分不需要修改
json_dict['numTraining'] = len(train_real_image)
json_dict['numTest'] = len(test_real_image)
json_dict['file_ending'] = '.nii.gz'

json_dict['training'] = []
for idx in range(len(train_real_image)):
    json_dict['training'].append({'image': "./imagesTr/%s" % train_real_image[idx],
                                  "label": "./labelsTr/%s" % train_real_label[idx]})

json_dict['test'] = ["./imagesTs/%s" % i for i in test_real_image]
with open(os.path.join(path_originalData + Task_name, "dataset.json"), 'w') as f:
    json.dump(json_dict, f, indent=4, sort_keys=True)
# 输出文件夹：path_originalData

三、数据转化

准备好数据和dataset.json文件后，进行数据转化：

nnUNetv2_convert_MSD_dataset -i /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task300_FullWholeHeart -overwrite_id 300

命令完成后会在同级文件夹下生成新的Dataset200_ctrmyy文件夹，内部包含转化后的数据（实际上就是把文件重命名以说明当前模态）

会生成新的dataset.json(内容和刚刚自己创建的没什么不同，只是v2相对于v1有些区别，不用管)以及重命名后的数据：

注：Task_x下的dataset.json中label键值对为"0": "background"（b区分大小写）；Dataset_x下为”background”: 0。（数据转化命令会自动实现）

四、数据预处理

nnUNetv2_plan_and_preprocess -d 300 --verify_dataset_integrity

结果存放在../DATASET/nnUNet_preprocessed目录下，会生成2d/3d_lowres/3d_fullres三种配置的预处理结果。（Default: 2d 3d_fullres 3d_lowres）

可以通过 -c CONFIGURATIONS设定需要生成的预处理文件，比如：

nnUNetv2_plan_and_preprocess -d 300 -c 3d_fullres --verify_dataset_integrity

五、训练

首先设定GPU编号：

export CUDA_VISIBLE_DEVICES=0
echo $CUDA_VISIBLE_DEVICES

修改训练文件中的num_epochs（原先代码中是1000，训练起来太久了）

（位于/home/user/nnUNet/nnunetv2/training/nnUNetTrainer下nnUNetTrainer.py文件内）

使用脚本训练：

source /home/suian/nnUNet/scripts/train.sh

train.sh脚本内容：

export CUDA_VISIBLE_DEVICES=0
echo $CUDA_VISIBLE_DEVICES

for fold in {0..4}
do
    nnUNetv2_train 300 3d_fullres $fold
done

如果训练意外中断，使用--c恢复训练（需要指定第几折，如第1折）：

nnUNetv2_train 300 3d_fullres 0 --c

六、测试

（如果想要确定最佳配置后再测试，可以使用nnUNetv2_find_best_configuration，详见七。）

首先设定GPU编号：

export CUDA_VISIBLE_DEVICES=1
echo $CUDA_VISIBLE_DEVICES

模板：

nnUNetv2_predict -i INPUT_FOLDER -o OUTPUT_FOLDER -d DATASET_NAME_OR_ID -c CONFIGURATION -npp 1

例子：

export CUDA_VISIBLE_DEVICES=1
echo $CUDA_VISIBLE_DEVICES
# 1. rmyy
nnUNetv2_predict -i /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Dataset200_ctrmyy/imagesTs -o /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_results/test_results/Dataset200_ctrmyy -d 200 -c 3d_fullres -npp 1
# 2. rmyy_on_cq:
nnUNetv2_predict -i /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Dataset201_ctcq/imagesTs -o /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_results/test_results/rmyy_on_cq -d 200 -c 3d_fullres -npp 1
# 3. cq
nnUNetv2_predict -i /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Dataset201_ctcq/imagesTs -o /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_results/test_results/Dataset201_ctcq -d 201 -c 3d_fullres -npp 1
# 4. FullWholeHeart
nnUNetv2_predict -i /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Dataset300_FullWholeHeart/imagesTs -o /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_results/test_results/Dataset300_FullWholeHeart -d 300 -c 3d_fullres -npp 1

七、寻找最优配置

前提是训练了2d、3d_lowres、3d_fullres中的多个配置。

模板：

nnUNetv2_find_best_configuration DATASET_NAME_OR_ID -c CONFIGURATIONS

例子：

nnUNetv2_find_best_configuration 300 -c 2d 3d_fullres --disable_ensembling

八、后处理

寻找最优配置后，会在命令行输出后处理所使用的代码，复制粘贴即可。

例子：

nnUNetv2_apply_postprocessing 
-i /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_results/prediction_results/Dataset201_ctcq 
-o /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_results/prediction_results/ Dataset201_ctcq/ Dataset201_ctcq_pp 
-pp_pkl_file /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_results/Dataset201_ctcq/nnUNetTrainer__nnUNetPlans__2d/crossval_results_folds_5/postprocessing.pkl 
-np 1 -plans_json /home/suian/nnUNet/nnUNetFrame/DATASET/nnUNet_results/Dataset201_ctctcq/nnUNetTrainer__nnUNetPlans__2d/plans.json

也可以在相应文件夹找到：

九、screen的用法

1. 命令：

screen -S <session_name> # 启动一个screen会话

screen -ls # 列出所有的screen会话

screen -r <session_name or id> # 恢复一个Detached会话

screen -d <session_name or id> # 分离一个Attached会话

screen -S <session_name or id> -X quit # 关闭整个screen会话

2. 在一个screen会话中，使用以下命令：

Ctrl+a+d # 分离当前会话

Ctrl+a+c # 在当前screen会话中创建一个新的窗口

Ctrl+a+n # 切换到下一个窗口

Ctrl+a+p # 切换到上一个窗口

exit # 退出并关闭screen

参考博客：

[1] 服务器中的screen 命令_screen关闭会话-优快云博客

[2] nnUNet保姆级使用教程！从环境配置到训练与推理（新手必看）-优快云博客

[3] nnUNet详细笔记教程（Linux下，只有实验没有原理）-优快云博客

[4] 医学图像分割 3D nnUNet全流程快速实现-优快云博客