nnUNet：自适应的医疗图像分割框架

FreeGuideOnline 最新 2026-06-20

nnUNet：自适应的医疗图像分割框架

什么是 nnUNet？

nnUNet（no-new-Net）是一个开箱即用、无需手动调参的医疗图像分割深度学习框架。它通过自动分析数据集特性，自适应地配置预处理、网络结构、训练策略和后处理，使得非深度学习专家也能在各类医学图像分割任务中获得顶尖性能。其核心哲学是：不要反复设计新网络，而是充分利用数据本身的信息来驱动配置。

为什么选择 nnUNet？

全流程自动化：从数据指纹提取到模型集成，几乎无需人工干预。
领域自适应：根据图像的模态、空间分辨率和目标区域大小自动设定最优超参数。
鲁棒性强：在数十个国际医学分割挑战赛（如BraTS、KiTS、ACDC）中名列前茅。
可复现性高：固定随机种子并提供完整的训练与评估代码，性能复现稳定。
易于扩展：只需遵循数据集格式规范即可应用至新任务。

nnUNet 的核心原理

数据指纹与规则化配置

nnUNet 不是盲目地采用固定网络，而是通过“数据集指纹”（dataset fingerprint）指导一切。指纹包含：

图像尺寸分布
体素间距（spacing）
模态数量
类别定义与比例
前景区域所占比例

根据这些信息，nnUNet 使用一系列硬编码的启发式规则自动生成适合该数据集的“管道规划”（plans）。这确保了对于不同分辨率或对比度的图像（如CT、MRI、超声），预处理方式和网络拓扑均能达到最优匹配。

三级配置体系

nnUNet 为每个数据集生成三套预设配置：

2D U-Net：将3D体积数据切片为2D图像进行训练，适用于各向异性显著的数据（比如层厚远大于面内分辨率）。
3D 全分辨率 U-Net：直接在原始分辨率上处理3D块，对精细结构捕捉更佳，但对GPU显存要求高。
3D 低分辨率 U-Net：先对图像降采样再训练3D模型，适合大体结构分割，计算代价较低，通常与全分辨率3D模型一起用于级联策略。

训练结束后，nnUNet 使用集成策略（cross-validation集成与不同配置模型的软投票）进一步提升稳定性和最终性能。

网络架构细节

nnUNet 的基础网络沿用了经典的U-Net架构，但通过规则进行了针对性调整：

编码器

卷积块：每个分辨率层级包含两个 Conv-InstanceNorm-LeakyReLU 序列。
下采样：通过步长为2的卷积实现，下采样次数根据目标间距和图像尺寸自动推算，直到特征图达到最小允许尺寸（通常4×4×4）。
残差连接：可选，自动根据数据量大小决定是否开启深度监督。

解码器

每个层级与编码器对称，通过跳跃连接融合特征。
上采样使用三线性插值或转置卷积（由配置规则决定）。
深层监督（deep supervision）在所有解码器层输出加上辅助损失，加速收敛并提高泛化能力。

自适应调整参数

基础特征通道数：默认32，对显存紧张的任务会降低。
块大小/批次大小：依据目标间距和显存容量自动优化，确保最大覆盖。
归一化方式：默认使用 Instance Normalization 替代 BatchNorm，因其对 batch size 不敏感，更适合3D医学图像的小批量训练。

如何安装 nnUNet

建议在 Python 3.9+ 和 PyTorch 1.10+ 环境下操作。安装分为两步：

从 PyPI 安装基础包
```
pip install nnunetv2
```

设置环境变量 需要指定原始数据、预处理结果和模型权重的存储路径：

export nnUNet_raw="/path/to/nnUNet_raw_data"
export nnUNet_preprocessed="/path/to/nnUNet_preprocessed"
export nnUNet_results="/path/to/nnUNet_results"

建议将上述行写入 ~/.bashrc 并运行 source ~/.bashrc。

数据准备与格式

nnUNet v2 采用极其简单的数据组织方式：

nnUNet_raw/
└── Dataset001_BrainTumour/
    ├── dataset.json
    ├── imagesTr/
    │   ├── BRATS_001_0000.nii.gz    (modality 0)
    │   ├── BRATS_001_0001.nii.gz    (modality 1, 若存在)
    │   └── ...
    ├── labelsTr/
    │   ├── BRATS_001.nii.gz         (标注)
    │   └── ...
    └── imagesTs/ (可选测试图像)

dataset.json 是唯一需要手动编写的配置文件，内容包括：

{
  "channel_names": { "0": "T1", "1": "T1ce" },
  "labels": { "0": "background", "1": "edema", "2": "enhancing tumor" },
  "numTraining": 30,
  "file_ending": ".nii.gz"
}

图像文件命名：训练图像以 _XXXX.nii.gz 结尾，其中 XXXX 为模态编号（从0开始），标注图直接用相同前缀加 .nii.gz。
所有图像和标签必须使用同一个坐标系和相同形状。

完整使用流程

1. 实验规划与预处理

运行以下命令，nnUNet 会扫描数据集，提取数据指纹并生成预处理计划：

nnUNetv2_plan_and_preprocess -d 1 --verify_dataset_integrity

-d 1 表示处理 ID 为1的数据集，即上文中的 Dataset001_BrainTumour。命令会检查文件完整性，然后进行：

重采样到目标间距
强度归一化（CT图像使用固定窗宽窗位，MRI使用Z-score归一化）
生成3D/2D训练所需的.npz文件

2. 模型训练

对于数据集ID 1，使用以下命令分别训练三组配置：

# 2D训练
nnUNetv2_train 1 2d 0
# 3D全分辨率训练
nnUNetv2_train 1 3d_fullres 0
# 3D低分辨率训练（可选，通常用于级联）
nnUNetv2_train 1 3d_lowres 0

最后的数字 0 表示交叉验证的fold编号（默认做5折，分别训练fold 0-4）。

3. 模型集成与推理

用所有训练好的fold进行推理并集成：

nnUNetv2_predict -i /path/to/input/images -o /path/to/output -d 1 -c 3d_fullres -f 0 1 2 3 4

-f 后面列出所有要集成的fold，预测结果会通过多数投票或软平均融合。

4. 后处理（可选）

nnUNet 会自动分析验证集上每个标签的连通域大小，若发现某标签经常出现极小孤立区域，则会在最终预测后自动移除。无需人工干预。

高级功能

级联模型

对于形状差异极大的器官（如极小的病灶配极大视野），nnUNet 可自动级联：

先用低分辨率U-Net定位大体区域
裁剪出该区域后，用全分辨率U-Net进行精细分割级联配置自动生成，只需在训练时开启对应选项。

自定义网络集成

你可以将自行设计的网络注册到 nnUNet 的训练器中，只需继承 nnUNetTrainer 并覆盖 build_network_architecture 等方法，然后通过 -tr 参数指定训练器类名。

跨模态微调

nnUNet 支持从预训练模型开始微调（例如从 BraTS 迁移到其他脑肿瘤数据），利用官方提供的 nnUNetTrainerNoDeepSupervision 等变体实现。

常见问题与解决方法

Q: 遇到 “CUDA out of memory” 怎么办？ A: 降低 plans.json 中的 batch_size，或者在训练命令中加入 --npz 调整验证集验证方式以节约显存。也可以使用梯度累积（修改训练器配置）。

Q: 数据集含有缺失模态怎么办？ A: 将所有模态拼合为一个通道，缺失的图像用全零填充，并在 dataset.json 中指明有效模态组合。

Q: 预测结果与训练时差距大？ A: 确保测试图像的预处理方式与训练时完全一致（nnUNet 预测命令会自动应用预处理，但需确认测试集路径正确）。检查图像朝向是否与训练集匹配，使用 nnUNetv2_determine_postprocessing 重新应用后处理规则。

Q: 如何对2D RGB医学图像使用 nnUNet？ A: nnUNet v2 官方不直接支持2D RGB，但可以通过将图像转换为多通道3D体积（高度×宽度×1×通道）来适配。

总结

nnUNet 为医疗图像分割提供了极致简洁的使用体验，同时保障了方法论上的前沿性。它剥离了深度学习应用中需要人工调参的痛苦环节，让医生和研究者聚焦于数据本身而非网络设计。无论是参加分割挑战赛，还是构建临床辅助诊断系统，nnUNet 都是当前最值得信赖的基线工具。

立即安装 nnUNet，用你的数据测试它的自适应魔力吧！