weixin_41962493的博客

nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation摘要：The key design choices in this process are modeled as a set of fixed parameters, interdependent rules and empirical decisions. Without manual intervention, nnU-N

在分析完nnUNet的基础训练框架之后，再接着分析一下nnUNet的基础分割网络，2D，3D的分割网络都是在此基础上进行构建的。此部分的代码在nnunet/network_architecture/neural_network.py中。#基础的神经网络框架class NeuralNetwork(nn.Module): def __init__(self): super(NeuralNetwork, self).__init__() def get_device(se

在进入网络自适应配置之前，我们先学习一下nnUNet的基础训练框架，该模块对于大部分的视觉任务都通用，不管是分割、检测还是分类，因此可更具自身需要将此模块进行修改，添加至自己任务中。该模块包括train_val 循环、跟踪trian、val损失以及metirc，使用早停法提前终止训练，使用移动平均得到更加平滑的实验结果。nnUNet的后续训练都是再此基础进行延申。该模块位于nnunet/training/network_training/network_trainer.py中。该部分需要了解的知识点：

在将数据黑边crop并保存为npz、pkl文件之后，nnUNet接下来就是以数据集为单位，分析数据集基本信息。而这些都集成在**nnunet\experiment_planning\DatasetAnalyzer.py**文件中，下面对该模块文件进行分析，该模块的作用有：统计数据集中所有数据的大小和spacing 计算不同模态间数据集强度分布 计算crop区域所占比例再完成上述统计后，使用pkl将数据集信息保存DataAnalyzer数据分析模块class DatasetAnalyze

nnUNet最大的优点，就是可以根据数据集的情况，自适应的选择模型情况，而这一切的基础建立在nnUNet具有一套自成体系的数据分析框架，下面就开始一步一步解析nnUNet数据分析代码。相关代码存在于 nnUNet_plan_and_preprocess.py文件中。参数解析该文件首先就是参数配置，包括 task_id, planner3d, planner2d, no_pp, tl, tf, verify_dataset_integrity, overwrite_plans, overwrite_pl

nnUNet代码学习——预处理代码学习之前在实验室用了一段时间nnUNet代码，当时学习了一段时间，不过半途而废了。现在开始工作，感觉有必要将nnUNet的代码全部重新过一遍。那么就先从nnUNet预处理开始吧。首先先学习如何配置nnUNet。图像之间的依赖关系：图像大小，spacingnnUnet： 模块化的设计用来增改网络如何在新数据集上运行nnUNetnnUNet使用混合精度进行训练注意pytorch>1.6、显卡、以及cudnn版本的协调使用cpu可进行相关的数据增强最好使用c