nnUNet 2D数据训练避坑指南:跳过五折交叉验证,用Brats2019数据集快速验证模型

1.1 精准的环境搭建

  推荐使用conda创建隔离的Python 3.8环境，这能有效避免与系统其他项目的库冲突：

conda create -n nnunet_py38 python=3.8
conda activate nnunet_py38

  安装nnUNet时，建议直接从官方仓库克隆最新稳定版本：

git clone https://github.com/MIC-DKFZ/nnUNet.git
cd nnUNet
pip install -e .

  特别注意：某些CUDA版本可能与PyTorch默认安装不兼容。若遇到GPU相关错误，可尝试指定PyTorch版本：

pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html

1.2 数据目录结构的黄金法则

  nnUNet对数据目录结构有着严格的要求，错误的组织方式会导致预处理失败。以下是经过验证的标准结构：

nnUNetFrame/
├── DATASET/
│   ├── nnUNet_raw/
│   │   └── nnUNet_raw_data/
│   │       └── Task100_Brats2019/
│   │           ├── imagesTr/        # 训练集图像
│   │           ├── labelsTr/        # 训练集标签
│   │           ├── imagesTs/        # 测试集图像
│   │           ├── labelsTs/        # 测试集标签（可选）
│   │           └── imagesTsPred/    # 预测输出目录
│   ├── nnUNet_preprocessed/         # 预处理缓存
│   └── nnUNet_trained_models/       # 训练模型保存位置

  提示：任务编号建议从100开始（如Task100_Brats2019），避免与官方预设任务冲突。

1.3 2D数据转3D的实用技巧

  虽然nnUNet主要处理3D数据，但通过简单的维度扩展，2D切片也能完美适配。以下是关键转换代码：

import SimpleITK as sitk
import numpy as np

def convert_2d_to_3d(image_2d):
    # 在z轴添加维度
    image_3d = np.expand_dims(image_2d, axis=0)