nnUnet在二维图像上分割【不使用五折交叉】

写在前面的话

本文是对nnUNet如何在2D数据上进行训练以及预测，是对几篇博文参考之后的总结，由于本人对nnUNet使用也是刚开始不久，所以对于nnUNet的理解肯定还停留在表层，所以原理上的东西就不多介绍了，更侧重于介绍其在2D数据上的使用流程。官方也有nnUNet训练2D数据的例子，一切以官方为准，本文仅作参考。
本人的系统环境为：pytorch为：1.10.2。

一、 nnUNet简介
nnUNet是一种基于2D and 3D 原始U-Nets 自适应框架，该框架能根据给定数据集的属性自动调整所有超参数，整个过程无需人工干预。仅仅依赖于朴素的U-Net结构（就是原始U-Net）和鲁棒的训练方案，nnU-Net在六个得到公认的分割挑战中实现了最先进的性能。
github仓库：https://github.com/MIC-DKFZ/nnUNet
paper：《Automated Design of Deep Learning Methods for Biomedical Image Segmentation》

nnUNet是德国癌症研究中心的工程师编写的框架，迄今为止依旧在维护和更新。虽然整个过程实现自动化，但是对GPU资源要求比较高，虽然官方说For training nnU-Net models the GPU should have at least 10 GB，但是实测后发现，如果按默认配置，需要19G显存。如果显存不足可以考虑降低batch size大小。

二、nnUNet安装
由于本人避免python环境冲突，用conda创建一个虚拟环境nnUNet，并激活虚拟环境

conda create -n nnUNet python=3.8
source activate nnUnet

由于是面向初学者的使用教程，初学者请务必按照我的做法，等你熟练掌握以后再考虑新的姿势（有些文件夹的创建时多余的，但是你还是跟着我这样做最好）。
第一步：在某个目录下(比如说/data)创建nnUNetFrame目录，在nnUNet的终端环境下cd到这个nnUNetFrame目录，然后git clone https://github.com/MIC-DKFZ/nnUNet.git

备注：如果第一步克隆就出问题的，直接去github上下载ZIP压缩包是一样的。
第二步：cd nnUNet
第三步：pip install -e .（兄弟们和集美们别忘了加 . ）（备注：安装之后默认会安装pytorch1.11以上的版本，但是我实际操作发现会报与cuda错误的OSError，所以我卸载了后重新安装的1.10.2+cuda）
当你安装完成这些以后，你的每一次对nnUNet的操作，都会在命令行里以nnUNet_开头，代表着你的nnUNet开始工作的指令。

接下来是创建数据保存目录。

进入你之前创建的nnUNetFrame文件夹里面，创建一个名为DATASET的文件夹，现在你的nnUNetFrame文件夹下有两个文件夹，nnUNet是代码源，另一个DATASET就是我们接下来用来放数据的地方；
进入创建好的DATASET文件夹下面，创建下面三个文件夹分别是nnUNet_preprocessed、nnUNet_raw、nnUNet_trained_models

第一个用来存放原始数据预处理之后的数据，第二个用来存放原始的你要训练的数据，第三个用来存放训练的结果。
进入上面第二个文件夹nnUNet_raw，创建下面两个文件夹，分别是nnUNet_cropped_data、nnUNet_cropped_data，右边为原始数据，左边为crop以后的数据。

进入右边文件夹nnUNet_raw_data，创建一个名为Task100_BloodVessel的文件夹（解释：这nnUnet的数据格式是固定的，Task001_BloodVessel由Task+ID+数据名组成，你可以对这个任务的数字ID进行任意的命名，比如你要分割心脏，你可以起名为Task110_Heart，比如你要分割肾脏，你可以起名为Task112_Kidney，前提是必须按照这种格式）
三、 数据准备
3.1 2D数据转3D数据
假定我们的数据长这样，图片和mask分别存放在img和mask的文件夹下，两者同名。

由于这是2D图片数据，要将其转为3D数据，其实就是z轴为1的3维数据。
所以随意新建一个项目，创建一个2DDataProcessTo3D.py脚本

备注：如果你的数据集没有提前划分训练和测试，用以下代码即可：

import os
import random
from tqdm import tqdm
import SimpleITK as sitk
import cv2
import numpy as np


def SplitDataset(img_path, train_percent=0.9):
    data = os.listdir(img_path)
    train_images = []
    test_images = []
    num = len(data)
    train_num = int(num * train_percent)
    indexes = list(range(num))
    train = random.sample(indexes, train_num)
    for i in indexes:
        if i in train:
            train_images.append(data[i])
        else:
            test_images.append(data[i])
    return train_images, test_images


def conver(img_path,  save_dir, mask_path=None, select_condition=None, mode="trian"):
    os.makedirs(save_dir, exist_ok=True)
    if mode == "train":
        savepath_img = os.path.join(save_dir, 'imagesTr')
        savepath_mask = os.path.join(save_dir, 'labelsTr')
    elif mode == "test":
        savepath_img = os.path.join(save_dir, 'imagesTs')
        savepath_mask = os.path.join(save_dir, 'labelsTs')
    os.makedirs(savepath_img, exist_ok=True)
    if mask_path is not None:
        os.makedirs(savepath_mask, exist_ok=True)

    ImgList = os.listdir(img_path)
    with tqdm(ImgList, desc="conver") as pbar:
        for name in pbar:
            if select_condition is not None and name not in select_condition:
                continue
            Img = cv2.imread(os.path.join(img_path, name))
            if mask_path is not None:
                Mask = cv2.imread(os.path.join(mask_path, name), 0)
                Mask = (Mask / 255).astype(np.uint8)
                if Img.shape[:2] != Mask.shape:
                    Mask = cv2.resize(Mask, (Img.shape[1], Img.shape[0]))
            Img_Transposed = np.transpose(Img, (2, 0, 1))
            Img_0 = Img_Transposed[0].reshape(1, Img_Transposed[0].shape[