目录
1. 前言
2. 更改epochs
3. 推理
3.1 nnUNet_predict
3.2 切成小的nii gz文件推理
切片代码
融合代码
3.3 可视化展示
3.4 评估指标
参考
1. 前言
训练了一天半，终于跑完了。。。。
训练的模型在这可以免费下载：
基于nnUnet3d-fullres训练的spineCT训练结果资源-CSDN文库
关于nnUnet的环境搭建、数据集制作、训练网络参考：
第四章：nnUnet大模型之环境配置、数据集制作_nnunet代码详解pytorch-CSDN博客
nnUnet 大模型学习笔记（续）：训练网络（3d_fullres）以及数据集标签的处理-CSDN博客
训练过程如下：
生成的结果在 nnUnet_trained_models 目录下：
训练过程的指标可以看曲线图或者训练日志（validation_raw/summary.json）：
这里validation_raw/summary.json没有生成，不知道因为什么原因，程序被kill了。。。。
2. 更改epochs
1000个epoch太多了，可以更改官方的参数，如果按照本文的环境搭建，参数在这里
*/environments/nnunet/lib/python3.8/site-packages/nnunet/training/network_training/
3. 推理
nnUnet 是没有推理和测试放在一起的，它会对指定的数据进行推理
如果你有推理的labels的话，那么就可以进行指标计算，这样就可以测试
如果没有labels，那么只有推理
3.1 nnUNet_predict
在最初的数据集里，新建inferTs，用于推理nnUnet推理的结果，把想要推理的数据放在imagesTs下就行了
好像这里的测试数据必须得是0000.nii.gz结尾的，是因为多模态？
运行下面的命令：
nnUNet_predict -i DATASET/nnUNet_raw/nnUNet_raw_data/Task01_Spine/imagesTs/ -o DATASET/nnUNet_raw/nnUNet_raw_data/Task01_Spine/inferTs/ -t 1 -m 3d_fullres -f 0- -i 是想要预测的数据目录 ，一般为imagesTs
- -o 是保存推理后的数据目录，一般为inferTs
- -t 是任务的训练标号
- -m 是nnUnet训练好的模型
- -f 是训练m模型的几折交叉验证
由于是直接使用模型进行推理， inference done. 后出现 WARNING! Cannot run postprocessing because the postprocessing file is missing. 也即表示已经完成推理。
若CT层数太多或层间距小，可能会卡在 inference done. 阶段，此时需要将CT切分成几部分分别进行 推理。
这里有时候nnUnet推理不出来，可能是因为输入层数太多？参考3.2 处理
3.2 切成小的nii gz文件推理
如果3.1可以成功推理，可以不参考这步！！！
切片代码
注意，这里只需要把想要推理的数据进行切片，然后推理完再拼接即可！！
代码如下：
import SimpleITK as sitk
import numpy as np
import os
import cv2
# 切片函数
def sliceMain(rt):
img = sitk.ReadImage(rt)
img_array = sitk.GetArrayFromImage(img) # nii-->array
print('input size:', img_array.shape)
channel = img_array.shape[0]
y, z = channel // 100, channel % 100 # 2 91
if z == 0:
n = y
print('切出的nii.gz文件个数：', n)
else:
n = y + 1
print('切出的nii.gz文件个数：', n)
for i in range(n):
star, end = i * 100, i * 100 + 100
if i == n - 1: # 最后一个切片
img_select = img_array[star:, :, :]
shape = img_select.shape
img_select = sitk.GetImageFromArray(img_select)
img_save_name = 'data_' + str(i) + '_0000.nii.gz'
print(img_save_name, 'channel:', shape)
sitk.WriteImage(img_select, img_save_name)
else:
img_select = img_array[star:end, :, :]
shape = img_select.shape
img_select = sitk.GetImageFromArray(img_select)
img_save_name = 'data_' + str(i) + '_0000.nii.gz'
print(img_save_name, 'channel:', shape)
sitk.WriteImage(img_select, img_save_name)
if __name__ == '__main__':
root = 'spine_001.nii.gz'
# 切片函数
sliceMain(rt=root)切片结果：
效果如下：
|
| ||
|
|
|
|
然后推理就行了！
nnUNet_predict -i DATASET/nnUNet_raw/nnUNet_raw_data/Task01_Spine/imagesTs/ -o DATASET/nnUNet_raw/nnUNet_raw_data/Task01_Spine/inferTs/ -t 1 -m 3d_fullres -f 0
融合代码
推理完成的nii数据下放在data目录下，然后运行下面代码会自动拼接：
import SimpleITK as sitk
import numpy as np
import os
import cv2
# 切片函数
def sliceMain():
data = [os.path.join('data',u) for u in os.listdir('data')]
ret_nii = None
for index,i in enumerate(data):
img = sitk.ReadImage(i)
img_array = sitk.GetArrayFromImage(img) # nii-->array
print(i,':',img_array.shape)
if index ==0:
ret_nii = img_array
else:
ret_nii = np.concatenate((ret_nii,img_array),axis=0)
print('返回的数组size:',ret_nii.shape)
sitk.WriteImage(sitk.GetImageFromArray(ret_nii),'ret.nii.gz')
if __name__ == '__main__':
# 切片函数
sliceMain()
效果如下：
左上角是拼接后的，其余三个是nnUNet推理生成的
 |  |
 |  |
3.3 可视化展示
下面是原图加真实gt
下面是原图加nnUNet推理结果：
3.4 评估指标
在labelsTs下放入对应的标签即可
如果评估的话，需要真实的gt图！！！
import numpy as np
import SimpleITK as sitk
from tqdm import tqdm
def main(pred, gt,n):
gt = sitk.GetArrayFromImage(sitk.ReadImage(gt)) # [ 0 2 3 4 5 6 7 8 9 10 11 12 13 14 15]
pred = sitk.GetArrayFromImage(sitk.ReadImage(pred))
dice = []
for h in tqdm(range(n)):
if h == 0:
continue
g = np.zeros(gt.shape,dtype=np.uint8) # 单独提取某个灰度级
g[gt == h] = 255
g[g<255] = 0
g[g==255] = 1
p = np.zeros(pred.shape,dtype=np.uint8) # 单独提取某个灰度级
p[pred == h] = 255
p[p<255] = 0
p[p==255] = 1
if len(np.unique(p)) == 1 or len(np.unique(g)) == 1:
dice.append('None')
else:
dice_score = (2*(p*g).sum() / ((p+g).sum()+1e-8))
dice.append(round(dice_score,4))
print(dice)
for i in range(len(dice) - 1,-1,-1):
if dice[i] == 'None':
dice.remove('None')
print('mean dice',np.array(dice).mean())
if __name__ == "__main__":
gt_path = 'labels.nii.gz'
pred_path = 'infer.nii.gz'
classes = 19
main(pred=pred_path,gt=gt_path,n=classes)
指标如下：
['None', 0.4523, 0.9311, 0.967, 0.9732, 0.9756, 0.9687, 0.9665, 0.9674, 0.9787, 0.9743, 0.9802, 0.9811, 0.9826, 0.974, 'None', 'None', 'None']
mean dice 0.9337642857142857
代码主要实现思路：
因为推理的时候，不是所有的数据同时包含所有标签，所以这里为了方便评估，将所有的类别全部显示。如果没有某个标签就设定为None，然后计算平均dice的时候，就会去掉相应的空标签。
这是nnUnet某个epoch计算的平均dice指标
参考
参考博文如下：nnUNet使用指南（一）：Ubuntu系统下使用nnUNet对自己的多模态MR数据集训练 - 梅雨明夏 - 博客园
nnUNet训练并推理自己的数据集_nnunet训练自己数据集-CSDN博客
