nnUnet介绍
本文主要解决拿来就用的问题，具体nnUet技术细节可以查看原文,代码,以及一些介绍的文章。
nnUnet Docker
- 必须是要linux环境，不推荐windows
- 习惯用ubuntu，注意支持的版本最高是20.04。
推荐用rufus制作U盘启动，选择ubuntu 20.04光盘。部分笔记本安装ubuntu 20.04，网卡驱动无法识别，需要更新内核。下载新版内核保存，用sudo dpkg -i * 安装后重启就可以了。 - 安装Nvidia驱动,使用软件和更新->附加驱动，选择高版本驱动即可。不需要安装
ubuntu-drivers devices
sudo apt-get remove --purge nvidia*
sudo apt install nvidia-driver-510
- docker和nvidia-docker安装
使用带有 cuda 环境的 docker 容器，需要安装 nvidia-docker 组件。
sudo apt-get install curl
curl -fsSL get.docker.com -o get-docker.sh
sudo sh get-docker.sh --mirror Aliyun
sudo systemctl enable docker
sudo systemctl start docker
sudo usermod -aG docker $USER
distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
&& curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \
&& curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update
sudo apt-get install nvidia-docker2
sudo systemctl restart docker
- 测试CUDA是否能够运行
sudo docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi
- docker nnUnet
从nnUNet官网下载最新代码 MIC-DKFZ/nnUNet
进入nnUNet代码文件夹，创建空的Dockerfile文件
touch Dockerfile
在Dockerfile中复制如下内容
FROM nvcr.io/nvidia/pytorch:21.10-py3
RUN apt-get update && apt-get install -y --no-install-recommends \
python3-pip \
python3-setuptools \
build-essential \
&& \
apt-get clean && \
python -m pip install --upgrade pip
WORKDIR /workspace
COPY ./ /workspace
RUN pip install pip -U && pip config set global.index-url https://pypi.mirrors.ustc.edu.cn/simple/
#RUN git clone https://github.com/MIC-DKFZ/nnUNet.git
#RUN cd nnUNet && pip install -e .
RUN pip install -e .
RUN pip install --upgrade git+https://github.com/FabianIsensee/hiddenlayer.git@more_plotted_details#egg=hiddenlayer
#RUN pip install --upgrade git+https://github.com/FabianIsensee/hiddenlayer.git@more_plotted_details#egg=hiddenlayer
ENV nnUNet_raw_data_base="/workspace/data/"
ENV nnUNet_preprocessed="/workspace/data/nnUNet_preprocessed"
ENV RESULTS_FOLDER="/workspace/data/RESULTS_FOLDER"
docker build -t nnunet_docker .
docker container run --ipc=host -it --rm --gpus "device=0" --name nnunet -v $HOME/nnUNet-master/data:/workspace/data nnunet_docker /bin/bash
docker container run --ipc=host -it --rm --gpus "device=0" --name nnunet -v $HOME/data:/workspace/data nnunet_docker /bin/bash
docker container run -d --ipc=host -it -p 8889:8888 --gpus "device=0" --name nnunet -v $HOME/work:/workspace/data nnunet_docker /bin/bash -c 'jupyter notebook'
docker container run -d --ipc=host -it -p 8889:8888 --net nlink --ip 172.18.0.24 --gpus "device=0" --name nnunet -v $HOME/work:/workspace/data nnunet_docker /bin/bash -c 'jupyter notebook --no-browser --ip="*" '
docker container run -d --name science --ipc=host -it -p 8889:8888 --gpus "device=0" -v $HOME/work:/workspace/data nvcr.io/nvidia/pytorch:21.10-py3 /bin/bash -c 'jupyter notebook'
nvidia-docker run --rm -it --gpus all nvcr.io/nvidia/pytorch:21.10-py3 /bin/bash
docker run --ipc=host -it --rm -v $HOME/work:/tf/notebooks -p 8899:8888 tensorflow/tensorflow:latest-jupyter
docker run --ipc=host -it -d --name tensorflow -v $HOME/work:/tf/notebooks -p 8899:8888 --gpus "device=0" tensorflow/tensorflow:latest-jupyter
docker run --runtime nvidia --rm -it gcr.io/kaggle-gpu-images/python /bin/bash
docker run --ipc=host -it -d --name kaggle -v $HOME/work:/tf/notebooks -p 8889:8888 --gpus "device=0" --runtime nvidia - gcr.io/kaggle-gpu-images/python
本地数据准备
首先按照官方教程熟悉数据结构和训练流程，按照教程《Example: 3D U-Net training on the Hippocampus dataset》来依样画葫芦
run a training with the 3d full resolution U-Net on the Hippocampus dataset. See here.
数据构建
设置目录Task91_Innerear，包括子目录 'imagesTr', 'labelsTr', 'imagesTs' ，其中labelsTr保存标签文件，imagesTr保存标签对应原始数据，imagesTs保存其他原始数据。
根据数据结构要求，准备半规管标签数据，要求标签和原始数据的shape保持一致，文件名称按照规范，举例：MR_12345.nii.gz
用3D Slicer软件查看一下原始文件和标签文件信息包括shape是否一致，标签是否准确。
主要信息包括shape，Spacing，Origin，Direction。
nnUnet对于Direction的识别可能会有问题，可以将Origin和Direction信息归零。
path_ci3d="/home/yakeworld/nnUNet-master/data/Task92_miniinnerear/labelsTr"
for PatientID in files:
ci3dFile=path_ci3dout+PatientID
itkimage = sitk.ReadImage(ci3dFile)
data = sitk.GetArrayFromImage(itkimage)
lab_img=sitk.GetImageFromArray(data)
lab_img.SetSpacing(itkimage.GetSpacing())
#lab_img.SetOrigin(itkimage.GetOrigin())
#lab_img.SetOrigin(itkimage.GetOrigin())
lab_img.SetDirection((-1.0, 0.0, 0.0, 0.0, -1.0, 0.0, 0.0, 0.0, 1.0))
sitk.WriteImage(lab_img, './dicom_out/' + PatientID + '.gz')
本地数据训练
1.数据转换
nnUNet_convert_decathlon_task -i Task91_innerear
转换后的数据保存在
data/nnUNet_raw_data 目录下，主要是原始数据的文件名从MR_12345.nii.gz改为MR_12345_0000.nii.gz形式。
注：MRI支持多模态数据
2. 预处理
You can now run nnU-Nets pipeline configuration (and the preprocessing) with the following line:
nnUNet_plan_and_preprocess -t 91 --verify_dataset_integrity
91代表innerear数据任务id
3. 数据训练
3.1 3d_fullres
nnUNet_train 3d_fullres nnUNetTrainerV2 91 4
nnUNet_train 3d_fullres nnUNetTrainerV2 92 4
91代表你的任务ID，4代表五折交叉验证（0代表一折）。所有的任务都应当在“4”的情况下，也就是五折交叉验证下进行。
3.2 3D U-Net cascade
nnUNet_train 2d nnUNetTrainerV2 91 4 --npz
nnUNet_train 3d_lowres nnUNetTrainerV2 91 4 --npz
nnUNet_train 3d_cascade_fullres nnUNetTrainerV2CascadeFullRes 91 4 --npz
3.3 残差网络
nnUNet_plan_and_preprocess -t 91
nnUNet_plan_and_preprocess -t 91 -pl2d None
nnUNet_plan_and_preprocess -t 91 -pl3d ExperimentPlanner3DFabiansResUNet_v21 -pl2d None
nnUNet_train 3d_fullres nnUNetTrainerV2_ResencUNet 91 4 -p nnUNetPlans_FabiansResUNet_v2.1
3.4
nnUNet_find_best_configuration -m 2d 3d_fullres 3d_lowres 3d_cascade_fullres -t 91 --strict
3.5
nnUNet_predict -i nnUNet_raw_data/Task091_innerear/imagesTs -o OUTPUT_FOLDER -t 91 -m CONFIGURATION --save_npz
nnUNet_predict -i nnUNet_raw_data/Task091_innerear/imagesTs -o OUTPUT_FOLDER -t http://hostname:8888/?token=fb34fb50ebfa53746bd8d511f75d41bab07b60be89777de691 -m 3d_fullres -f 4
nnUNet_predict -i nnUNet_raw_data/Task091_innerear/imagesTs -o OUTPUT_FOLDER -t 91 -tr nnUNetTrainerV2 -ctr nnUNetTrainerV2_ResencUNet -m 3d_fullres -f 4 -chk model_best
nnUNet_train 3d_fullres nnUNetTrainerV2 91 3
nnUNet_predict -i nnUNet_raw_data/Task091_innerear/imagesTs -o OUTPUT_FOLDERMINI -t 92 -m 3d_fullres
nnUNet_find_best_configuration -m 2d 3d_fullres -t 91
nnUNet_predict -i nnUNet_raw_data/Task091_innerear/imagesTs -o OUTPUT_FOLDER -t 91 -m 3d_fullres
半规管分割任务
1.原始数据+标签
对原始数据不做处理
2.预处理数据+标签
对数据进行预处理，各向同性
3.crop数据+标签
按照标签crop原始数据进行训练。好像nnUnet原理就是这么干的。
效果还是可以的，周边小组织需要清理。
数据下载
1.预训练模型
https://zenodo.org/record/3734294#.YYPv1rq-suU
2.数据集
MSD - Google 云端硬盘
task03: https://pan.baidu.com/s/1CReeZ6m2dl5ryxQtJvn8rA 提取码: hino