【基于nnunet的深度学习医学图像分割网络的使用经验系列】_其三_修改nnUNet的dataloader，从一个训练输入到两个训练输入

文章目录

- 前言
- 对nnUNet的nnUNetTrainer的优化

前言

我们在nnUNet框架下设计自己的网络结构时，通常需要继承nnUNet的若干个类，在此基础上进行修改。同时，有时候我们为了loss function以及网络结构的设计，可能会让网络有多个不同的输入，代表同一主旨的某个不同的特征。言归正传，本文讨论我们怎么继承nnUNet，使得可以在一次训练中导入两个输入和两个输出。

对nnUNet的nnUNetTrainer的优化

虽然我们是继承nnUNet的nnUNetTrainer，但是还是有需要优化nnUNetTrainer的地方
比如107-109行代码

self.my_init_kwargs = {}
for k in inspect.signature(self.__init__).parameters.keys():
    self.my_init_kwargs[k] = locals()[k]

需要改为

self.my_init_kwargs = {}
for k in inspect.signature(nnUNetTrainer.__init__).parameters.keys():
    self.my_init_kwargs[k] = locals()[k]

这是因为 inspect.signature() 是基于当前类的代码结构进行检查的，而不是基于运行时的实际参数传递。
inspect.signature() 查看的是类的静态定义，它会返回当前类 nnUNetTrainerToothWNet 的 init 方法签名，而不是父类 nnUNetTrainer 的签名，所以需要将nnUNetTrainer中这几行中的self.__init__改为nnUNetTrainer.init。

未完待续