nnUNet V2修改网络——暴力替换网络为Swin-Unet

更换前，要用nnUNet V2跑通所用数据集，证明nnUNet V2、数据集、运行环境等没有问题

阅读nnU-Net V2 的 U-Net结构，初步了解要修改的网络，知己知彼，修改起来才能游刃有余。

Swin-Unet是一种基于纯Transformer的U型编码器-解码器架构，专为医学图像分割任务设计。传统方法主要依赖卷积神经网络（CNN），尤其是U-Net及其变体，通过局部卷积操作和跳跃连接提取多尺度特征。然而，卷积的局部性限制了模型对全局语义信息和长程依赖的建模能力。为此，Swin-Unet创新性地引入分层Swin Transformer作为核心模块，利用移位窗口机制实现局部到全局的自注意力计算，从而有效捕获上下文特征。编码器通过块合并层逐步下采样并扩展特征维度，而对称的解码器则采用专门设计的块扩展层进行上采样，避免传统插值或转置卷积操作，同时通过跳跃连接融合编码器多尺度特征以恢复空间细节。实验表明，该方法在Synapse多器官CT数据集和ACDC心脏MRI数据集上均取得领先性能，尤其在边缘精度（Hausdorff距离）上显著优于现有CNN及混合架构模型。

Swin-Unet论文：arxiv
Swin-Unet官方代码：点此查看

一 准备工作

1. 生成nnUNetPlans.json文件

运行nnUNetv2_plan_and_preprocess命令，也是预处理命令，生成nnUNetPlans.json文件。

二 修改思路

---

说明

综合修改程度和修改难度，可以分为两种方法。第一种是使用完全自定义的U-Net变体；第二种是在nnU-Net V2原有的U-Net基础上进行适当修改。

如果目标U-Net与原有U-Net差异较大，应选用第一种方法。此时，在nnU-Net V2 训练阶段实例化网络时，进行“偷梁换柱”，不必理会预处理阶段配置好的、关于网络结构的各项参数，直接修改训练阶段 nnUNetTrainer 类的self.build_network_architecture()函数或者self.network变量。

如果读者只想快速将nnU-Net的U-Net替换为手头