nnUNet实战一使用预训练nnUNet模型进行推理

nnU-Net到底怎么使用，好不好用，我们看一个实战例子

本次实战项目为使用预训练nnU-Net模型进行推理
数据集： 医学分割十项全能的前列腺数据集（Prostate）

本系列还有
1 论文解读- nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation（附实现教程）
2 nnU-Net 如何安装–傻瓜式安装教程

这是该系列第3篇✍️✍️✍️

1 安装nnU-Net

确保已经安装nnU-Net。确保设置所有相关路径，

具体操作见nnU-Net 如何安装–傻瓜式安装教程

2 下载 Prostate dataset

下载链接

tips: 文件不是很大（< 250MB）, 使用vpn应该可以下载下来。下载不下来，联系我，我发给你。

3 数据集格式转换

十项全能的数据都是 4D nii格式。这与nnU-Net不兼容。将前列腺数据集转换为正确的格式。

3.1 nnU-Net支持的数据格式

这一个知识点很重要，很重要。也是你使用nnU-Net唯一需要做的事情。

nnU-Net的所有数据集都存放在nnUNet_raw_data_base/nnUNet_raw_data 文件夹（nnUNet_raw_data_base安装nnU-Net时指定了该文件夹的地址！）。

比如，我的nnUNet_raw_data_base文件夹在/home/.../.../nnunet_file/

每个数据集都存储为单独的“Task”。统一命名为( “Task”“ID”_“任务名称”)， “ID”是三位数的整, 任务名称（您可以自由选择. 比如 Task005_Prostate以’Prostate’作为任务名称任务ID为5。像这样存储在nnUNet_raw_data_base / nnUNet_raw_data文件夹中：

在每一个Task文件夹里，又包含以下文件夹。

• imagesTr: 训练图像。
• imagesTs（可选）: 测试图像
• labelTr: 训练集标签。
• dataset.json : 包含数据集的元数据， 如任务名字，模态，标签含义，训练集包含的图像地址👇。
  
  注意： 请使您的自定义任务ID从500开始，以确保与下载的预训练模型不会有冲突！！！（ID不能超过999）

另外，对图像的名称还要要求！

图像和标签最好是相同的名字。所有图像（包括标签）必须是3D nifti文件（.nii.gz）！

图像的统一命名格式case_identifier_XXXX.nii.gz， 标签的统一命名格式case_identifier.nii.gz

XXXX是模态标识符, 四位整数。

此命名方案将导致以下文件夹结构。必须严格将其数据转换为这种格式！

举例1：这是MSD的第一个任务的示例：BrainTumour。每个图像都有四个模态：FLAIR（0000），T1w（0001），T1gd（0002）和T2w（0003）。


举例2 这是MSD第二个任务的另一个示例，它只有一个模态，也要如下命名：

nnU-Net使用的dataset.json文件与MSD使用的文件相同。对于自定义任务，把dataset.json的内容替换一下就可以了，从而完全遵循相同的结构。

如果你想用于2D 数据，参见如何通过nnU-Net使用2D数据

3.2 转换数据

我们下载好的Task005_Prostate数据集是以下格式

将其转换成如下格式

具体步骤：
step1 ：激活nnUNet
step2: 使用nnUNet_convert_decathlon_task命令自动转格式

 nnUNet_convert_decathlon_task -i $nnUNet_raw_data_base/nnUNet_raw_data/Task05_Prostate

-i 后面 接 Task05_Prostate（下载的数据）存放地址

转换成功后， Task05_Prostate 会重新命名为 Task005_Prostate

4 下载与训练模型

nnUNet_download_pretrained_model Task005_Prostate

下载的模型会自动保存到 RESULTS_FOLDER=“/media/fabian/nnUNet_trained_models”

因为使用了五折交叉验证，所以会有5个文件夹，每个文件夹都包含一个预训练模型。

5 获取预训练模型信息

前列腺数据集需要两个图像模式作为输入。这很像RGB图像有三个颜色通道。

nnUNet通过文件结尾识别模式：前列腺数据集的单个测试用例因此由两个文件case_0000.nii.gz和case_0001.nii.gz组成。

每个文件都是一个三维图像。以0000.nii.gz结尾的文件必须始终包含T2图像和0001.nii.gz ADC图像。无论何时使用预训练模型，都可以使用

nnUNet_print_pretrained_model_info Task005_Prostate

得到如下的结果

Prostate Segmentation.
Segmentation targets are peripheral and central zone,
input modalities are 0: T2, 1: ADC.
Also see Medical Segmentation Decathlon, http://medicaldecathlon.com/

6 预测

你现在可以用预训练模型预测前列腺测试病例。我们在这里举例使用3D full resoltion U-Net：

nnUNet_predict -i $nnUNet_raw_data_base/nnUNet_raw_data/Task005_Prostate/imagesTs/ -o OUTPUT_DIRECTORY -t 5 -m 3d_fullres

-i : 测试图像文件夹地址 -o : 模型输出地址 -t： id号， 您还可以提供完整的任务名称（Task005_Prostate， -m: 选择的模型为3d_fullres

预测应该很快，您应该在几分钟之内就沉迷其中。如果您想加快速度（以降低分割质量为代价），可以通过设置--disable_tta标志（8倍加速）来禁用测试时间数据扩充(TTA)。

如果这对于您来说仍然太慢，可以通过指定使用单个模型而不是整体模型-f 0。这将仅使用在交叉验证的折数0上训练的模型来实现另外5倍的加速。

到这里，可以结束今天的教程

但是，下面还有进阶操作~~~~~

7 集成模型推理

如果要使用一组不同的U-Net配置进行推理，则需要运行以下命令：

使用3d全分辨率U-Net进行预测（此命令与上面的命令有些不同）。

nnUNet_predict -i $nnUNet_raw_data_base/nnUNet_raw_data/Task005_Prostate/imagesTs/ -o OUTPUT_DIRECTORY_3D -t 5 --save_npz -m 3d_fullres

二维U-Net预测

nnUNet_predict -i $nnUNet_raw_data_base/nnUNet_raw_data/Task005_Prostate/imagesTs/ -o OUTPUT_DIRECTORY_2D -t 5 --save_npz -m 2d

--save_npz 会告诉nnU-Net还存储softmax概率进行集合。

还可以集成模型

nnUNet_ensemble -f OUTPUT_DIRECTORY_3D OUTPUT_DIRECTORY_2D -o OUTPUT_FOLDER_ENSEMBLE -pp POSTPROCESSING_FILE

这将合并来自OUTPUT_DIRECTORY_2D和的预测OUTPUT_DIRECTORY_3D。

-pp POSTPROCESSING_FILE : （可选！）是一个文件，提供有关如何对集合进行后处理的nnU-Net信息。

这些文件也作为预训练模型权重的一部分下载，位于RESULTS_FOLDER/nnUNet/ensembles/ Task005_Prostate/ensemble_2d__nnUNetTrainerV2__nnUNetPlansv2.1–3d_fullres__nnUNetTrainerV2__nnUNetPlansv2.1/postprocessing.json。

我们将在以后的版本（很快！）中使后处理文件更易于访问。

关注我，共同学习更多医学图像处理相关知识~~

小试牛刀后，下一次我们就试试 如何在自己的数据集上训练nn-UNet吧~~

最后，喜欢这篇文章，请点赞，评论（夸我也行），收藏。