腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

综合排序丨最热优先丨最新优先

nnU-Net 入门实操教程

目录 nnU-Net 简介环境安装数据集准备数据预处理模型训练模型推理结果可视化常见问题 1. nnU-Net 简介 1.1 什么是 nnU-Net？ nnU-Net (no-new-UNet) 是一个用于医学图像分割的自适应深度学习框架，由德国癌症研究中心（DKFZ）开发。它对应的论文为：2020年12月《nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation 》和2024年7月《nnU-Net Revisited: A Call for Rigorous Validation in 3D Medical Image Segmentation》 1.2 核心优势 2.3 环境变量设置 nnU-Net 需要三个环境变量来指定数据存储路径： # 创建项目目录 mkdir -p ~/nnUNet_workspace cd ~/nnUNet_workspace # 设置环境变量

2025-10-16

3.4K4

标签:

智慧医学影像

【感知·医学分割】打不死的 nnU-Net：为什么 2026 年了它依然是霸榜 Baseline？

【感知·医学分割】打不死的nnU-Net：为什么2026年了它依然是霸榜Baseline？但在这些论文的实验对比图中，总有一个名字像“叹息之墙”一样横在那里：nnU-Net。甚至很多时候，选手们用最新架构折腾了一个月，最后发现分数还不如跑一个默认配置的nnU-Net高。 nnU-Net的精髓，在于它将数据预处理、网络配置、训练策略和后处理，全部抽象成了一套自动化的流程。 04动态自适应：榨干硬件的每一滴性能无论是顶配的集群，还是显存有限的本地工作站，nnU-Net都能通过“动态自适应”给出最优解。 05官方源码与论文由于nnU-Net是一个庞大的工程化框架，包含数百个脚手架文件，这里附上官方的V2版本开源仓库地址以及论文。

2026-04-25

1.1K0

标签:

卓越架构师最佳实践征文#场景解决方案

医学影像分割难题获突破：可自动调参，适应所有数据集

值得注意的是，nnU-Net去掉了在学界提出的花哨的网络结构，而仅仅依赖于嵌入在鲁棒的训练方案中的朴素U-Net结构。nnU-Net在六个得到公认的的分割挑战中实现了最先进的性能。介绍 ? 本文试图朝这个方向迈出第一步：我们提出了no-new-Net（nnU-Net），一种包含自动适应新数据集的分割方法。基于对数据集的自动分析，nnU-Net自动设计并执行网络训练流程。 nnU-Net在医学十项全能分割挑战赛（第一阶段和第二阶段）以及另外五个流行的医学分割挑战进行了评估。所有挑战赛结果如表格1所示。 ? 图1所示：nnU-Net在各个医学分割数据测试集的性能。我们介绍了nnU-Net，一个可以自动适应任何给定数据集而无需用户干预的医学分割框架。据我们所知，nnU-Net是第一个尝试形式化数据集之间需要进行的必要调整的分割框架。 nnU-Net在六个公开的分割挑战中实现了最先进的性能。这是非常了不起的，因为nnU-Net不依赖于近年来提出的各种复杂的分割结构，而只依赖于简单的U-Net结构。

2019-08-29

1.4K0

标签:

基于 nnU-Net 的 IHC Ki-67 细胞分类实战指南

关键词：nnU-Net、Ki-67、免疫组化、细胞分割、深度学习、病理图像分析1. 1.2 nnU-Net 框架简介nnU-Net（no-new-Net）是由德国癌症研究中心（DKFZ）开发的自动化医学图像分割框架。数据预处理与格式转换3.1 理解 nnU-Net v2 数据格式nnU-Net v2 要求数据按照特定格式组织。总结本文详细介绍了使用 nnU-Net 框架进行 IHC Ki-67 细胞分割与分类的完整流程：数据准备：将 BCData 点标注转换为 nnU-Net 所需的分割掩码格式环境配置：设置必要的环境变量数据预处理：利用 nnU-Net 的自配置能力自动完成模型训练：支持多种配置和训练策略推理评估：获得最终的细胞分割结果nnU-Net 的自配置能力大大简化了医学图像分割任务的开发流程，使研究者能够专注于数据准备和结果分析

2025-12-05

1.1K0

标签:

智慧医学影像

CNN依旧能战：nnU-Net团队新研究揭示医学图像分割的验证误区，设定先进的验证标准与基线模型

这篇论文研究了在3D医学图像分割领近年引入了许多新的架构和方法，但大多数方法并没有超过2018年的原始nnU-Net基准。以下是一些关键的性能提升数据及其与以前研究的比较： nnU-Net 及其变体的性能：原始 nnU-Net 在不同数据集上的DSC分数：BTCV (83.08%), ACDC (91.54%), LiTS 数据集上，nnU-Net ResEnc XL 达到了 88.67% 的 DSC 分数。这表明 MedNeXt 在大多数数据集上的性能优于原始 nnU-Net 和其他变体。这些变体在nnU-Net的框架内进行了特定的调整以适应更广泛的应用场景。 nnU-Net (原始)：架构：基于经典的U-Net架构，使用标准的卷积层、池化层和上采样层。

2024-06-17

1.5K0

标签:

nnUnet使用2d数据训练方法-DKFZ官方版

一、官方说明 How to use 2D data with nnU-Net nnU-Net was originally built for 3D images. And also on 2D segmentation tasks nnU-Net cam perform extremely well! paper) and we have also successfully applied nnU-Net tohistopathological segmentation problems. And also on 2D segmentation tasks nnU-Net cam perform extremely well! Working with 2D data in nnU-Net requires a small workaround in the creation of the dataset.

2021-03-03

3.8K1

标签:

当AR遇上深度学习：实时超声肾脏分割与测量技术全解析

通过5折交叉验证评估了四种最先进模型：nnU-Net、Segmenter，以及YOLOv11与MedSAM或LiteMedSAM的级联结构。 nnU-Net：选择v2版本因其在广泛的医学图像分割任务中表现出持续的高性能。基于原始框架的成功，nnU-Net v2引入了新的残差编码器、改进的归一化策略，以及通过指纹提取自动适应数据集特征的增强训练管道。这些发现凸显了权衡关系：nnU-Net 在准确性方面表现优异，但计算成本高昂，而 Segmenter 在性能与实时可行性之间实现了平衡。结果显示，nnU-Net实现最高分割准确率，展现出对伪影的鲁棒性，而Segmenter则在实时可行性方面表现出竞争性性能。

2025-07-03

4700

标签:

计算机视觉

开源 | SegVol 通用且可交互的医学体素分割模型

SegVol对hard类的平均Dice score比排名第二的nnU-net高14.76%。病灶分割能力我们使用nnU-net作为基线模型，它在传统的医学体素分割模型中表现出最强的分割能力。如表3所示，SegVol分割这些具有挑战性的病变的能力明显优于nnU-net。在这三个病变数据集中，SegVol的Dice score超过nnU-net 19.58%，这代表在复杂体素病灶分割方面SegVol的重大进步。可视化结果显示，与nnU-net产生的结果相比，SegVol重建的这些病变解剖结构更接近于Ground Truth。与最强大的传统体素分割方法nnU-net（自动为每个数据集配置参数）不同，SegVol的目的是将各种医学体素分割任务统一到一个单一的架构中。

2023-12-04

8020

标签:

医学通用分割模型来了！一口气分割200多个解剖类别，发布即开源 | 智源出品

特别在三个具有挑战性的病变数据集上，SegVol比nnU-Net的Dice得分高20%左右。目前，SegVol的代码和权重已经在GitHub上公开。 SegVol对hard类的平均Dice score比排名第二的nnU-net高14.76%。病灶分割能力此外，研究人员使用nnU-net作为基线模型，该模型在传统的医学体素图像分割模型中表现出最强的分割能力。如下表3所示，SegVol分割这些具有挑战性的病变的能力明显优于nnU-net。 △病灶分割可视化结果显示，与nnU-net产生的结果相比，SegVol重建的这些病变解剖结构更接近于Ground Truth。

2023-12-28

1K0

标签:

冠军方案解读 | nnUNet改进提升笔记

1.2 模型方面 1、Baseline nnU-Net nnU-Net核心是一个在128×128×128大小的Patch上运行的3D U-Net。 nnU-Net应用Region-Based训练，而不是预测3个相互排斥的肿瘤子区域，而不是预测3个互斥肿瘤分区,与提供的分割标签一样，该网络预测的是增强肿瘤的3个重叠区域如加强肿瘤(ET,original 1.3 训练策略这里遵循nnU-Net训练方法。每个网络都接受了5倍交叉验证的训练。在训练过程中，动态地应用数据增强来提高泛化能力。数据增强包括随机旋转和缩放、弹性变形、附加亮度增强和伽玛缩放。

集智书童公众号

2021-12-13

5.1K0

标签: