nnUNet使用教程_batchgenerators

大佬GitHub：https://github.com/MIC-DKFZ/nnUNet上面写得也很清楚，英文看着嫌麻烦，然后找的很棒的使用教程，最开始的入门教程看的是另一位大佬的

（四：2020.07.28）nnUNet最舒服的训练教程（让我的奶奶也会用nnUNet（上））（21.04.20更新）_花卷汤圆的博客-CSDN博客_nnunet​​​​​​p​​​​​​​p简单总结一下就是：

1.默认为Ubuntu，cuda， pythorch已安装好

2.从github下载nnunet

 
git clone https://github.com/MIC-DKFZ/nnUNet.git
cd nnUNet
pip install -e .
 
 
pip install --upgrade git+https://github.com/FabianIsensee/hiddenlayer.git@more_plotted_details#egg=hiddenlayer

3.创建数据文件夹

 主要是创建DATASET那部分的文件，然后设置路径，在home目录中找到.bashrc（ctrl+h），在文件最后输入以下，然后保存退出，并在终端输入source .bashrc更新文档。

export nnUNet_raw_data_base="/home/xx/nnUNetFrame/DATASET/nnUNet_raw"
export nnUNet_preprocessed="/home/xx/nnUNetFrame/DATASET/nnUNet_preprocessed"
export RESULTS_FOLDER="/home/xx/nnUNetFrame/DATASET/nnUNet_trained_models"

4.处理数据

1）思维导图中的小红旗可以通过以下代码生成：

from batchgenerators.utilities.file_and_folder_operations import *
import shutil
import nibabel as nib
import numpy as np
from nnunet.paths import nnUNet_raw_data
from nnunet.dataset_conversion.utils import generate_dataset_json
 
if __name__ == '__main__':
    # this is the data folder from the kits21 github repository, see https://github.com/neheller/kits21
    base = '/home/hannah/code/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task10_GJA'
 
 
    # Arbitrary task id. This is just to ensure each dataset ha a unique number. Set this to whatever ([0-999]) you
    # want
    task_id = 10
    task_name = "GJA"
    resampled_path = join(base, "labelsTr")
    nii_all = nib.load(os.path.join(resampled_path, "gja_001.nii.gz"))
    arr_all = np.array(nii_all.dataobj)
    numb = np.unique(arr_all)
    label = {}
    for i in range(len(numb)):
        label[i] = int(numb[i])
    print(label)
 
    generate_dataset_json(output_file=join(base, 'dataset.json'),
                          imagesTr_dir=join(base, 'imagesTr'),
                          imagesTs_dir=join(base, 'imagesTs'),
                          modalities=('mri',),
                          labels=label,
                          dataset_name=task_name,
                          license='nope',
                          dataset_release='0')
    print("done!")

2）思维导图中红圈1转换数据，在终端中输入（-i 后面为转换前的路径）

nnUNet_convert_decathlon_task -i /home/xx/nnUNetFrame/DATASET/nnUNet_raw/nnUNet_raw_data/Task01_brain

3）思维导图中黄圈2预处理数据，在终端中输入（-t 后面为任务编号）

nnUNet_plan_and_preprocess -t 1

4）思维导图中蓝圈3训练，在终端中输入（2d可换，1为任务编号，4为5折交叉验证）

nnUNet_train 2d nnUNetTrainerV2 1 4

5）思维导图中紫圈4测试，在终端中输入（分别是输入、输出路径，任务编号，模型，交叉验证）

nnUNet_prodict -i /home/XX/Task001_brain/imagesTs -o /home/XX/Task001_brain/infersTs -t 1 -m 2d -f 4

后面在跑对比实验的时候，发现好多都是在nnunet上改的，包括unet++，所以如果用惯了，在这上面跑自己的模型跟数据，会很舒服