从零到一手把手教你用nnUNet复现BraTS2021脑肿瘤分割含完整代码与环境配置在医学影像分析领域脑肿瘤自动分割一直是极具挑战性的任务。BraTSBrain Tumor Segmentation Challenge作为该领域的标杆性竞赛每年都吸引全球顶尖团队参与。而nnUNet作为医学图像分割的瑞士军刀以其开箱即用的优秀表现成为众多研究者的首选工具。本文将带你从零开始完整复现BraTS2021数据集的肿瘤分割流程即使你是刚接触该领域的新手也能在3小时内搭建出可运行的完整系统。1. 环境准备与数据获取1.1 硬件与基础环境配置推荐使用Linux系统Ubuntu 20.04或Windows WSL2环境确保至少具备GPUNVIDIA显卡RTX 3060及以上显存≥12GBCUDA11.3版本与PyTorch 1.10兼容性最佳Python3.8.x避免使用3.9可能存在的兼容性问题# 创建隔离的conda环境 conda create -n nnunet python3.8 conda activate nnunet1.2 nnUNet框架安装从源码安装能获得更好的灵活性git clone https://github.com/MIC-DKFZ/nnUNet.git cd nnUNet pip install -e .注意安装过程中可能出现的常见错误包括batchgenerators版本冲突 → 指定安装0.23版本SimpleITK编译失败 → 使用预编译版本pip install SimpleITK2.0.21.3 BraTS2021数据下载与解压访问 BraTS官网 注册并下载训练集解压后得到约160GB的NIfTI格式数据BraTS2021_TrainingData/ ├── BraTS2021_00000/ │ ├── BraTS2021_00000_flair.nii.gz │ ├── BraTS2021_00000_t1.nii.gz │ ├── BraTS2021_00000_t1ce.nii.gz │ ├── BraTS2021_00000_t2.nii.gz │ └── BraTS2021_00000_seg.nii.gz ├── BraTS2021_00001/ └── ...2. 数据集格式转换与任务配置2.1 创建标准目录结构nnUNet要求严格的目录规范mkdir -p dataset/nnUNet_raw_data_base/nnUNet_raw_data mkdir -p dataset/nnUNet_preprocessed mkdir -p dataset/nnUNet_trained_models2.2 编写BraTS2021转换脚本创建Task999_BraTS2021.py基于官方Task043修改import shutil from batchgenerators.utilities.file_and_folder_operations import * def convert_brats2021(input_folder: str, output_folder: str): cases subdirs(input_folder, joinFalse) for c in cases: # 处理每个病例的四模态数据 shutil.copy(join(input_folder, c, f{c}_flair.nii.gz), join(output_folder, imagesTr, f{c}_0000.nii.gz)) # ...其他模态类似处理0001-0003 # 处理标签 shutil.copy(join(input_folder, c, f{c}_seg.nii.gz), join(output_folder, labelsTr, f{c}.nii.gz))2.3 关键配置文件解析dataset.json需要精确定义模态信息和标签含义{ modality: { 0: FLAIR, 1: T1, 2: T1CE, 3: T2 }, labels: { 0: background, 1: NCR/NET, # 坏死核心 2: ED, # 水肿 4: ET # 增强肿瘤 } }3. 环境变量与预处理流程3.1 永久环境变量设置对于Linux系统编辑~/.bashrcexport nnUNet_raw_data_base/path/to/dataset/nnUNet_raw_data_base export nnUNet_preprocessed/path/to/dataset/nnUNet_preprocessed export RESULTS_FOLDER/path/to/dataset/nnUNet_trained_models验证是否生效source ~/.bashrc echo $nnUNet_raw_data_base3.2 数据预处理全流程nnUNet的预处理包含多个自动化步骤重采样统一各向同性分辨率默认1mm³归一化各模态独立进行z-score标准化裁剪基于非零区域自动裁剪数据增强生成旋转、缩放等变换样本启动预处理命令nnUNet_plan_and_preprocess -t 999 --verify_dataset_integrity常见问题排查出现Missing modality错误 → 检查.nii.gz文件头信息显存不足 → 添加-overwrite_plans参数降低batch size4. 模型训练与验证4.1 五折交叉训练配置nnUNet默认采用五折交叉验证nnUNet_train 3d_fullres nnUNetTrainerV2 999 4 --npz参数详解3d_fullres使用3D全分辨率模型nnUNetTrainerV2标准训练器999任务ID4五折中的第4折0-4--npz保存softmax预测结果4.2 训练过程监控使用TensorBoard观察指标变化tensorboard --logdir$RESULTS_FOLDER/nnUNet/3d_fullres/Task999_BraTS2021关键监控指标指标名称正常范围说明Dice_ET0.75-0.85增强肿瘤区域分割精度Dice_WT0.88-0.93全肿瘤区域分割精度learning_rate1e-4→1e-5学习率衰减曲线4.3 模型集成与测试训练完成后自动生成五个模型推荐使用集成预测nnUNet_predict -i INPUT_FOLDER -o OUTPUT_FOLDER -t 999 -m 3d_fullres -f 0 1 2 3 45. 实战技巧与性能优化5.1 显存不足解决方案对于小显存显卡如RTX 3060 12GB修改nnUNetPlans.json中的配置{ batch_size: 2, patch_size: [128, 128, 128] }使用混合精度训练nnUNet_train 3d_fullres nnUNetTrainerV2_amp 999 45.2 多模态数据利用策略BraTS2021包含四种模态可通过以下方式提升效果模态加权在dataset.json中设置模态权重training_modality_weights: { 0: 1.0, # FLAIR 1: 0.8, # T1 2: 1.2, # T1CE 3: 1.0 # T2 }通道丢弃增强模型鲁棒性trainer nnUNetTrainerV2(..., disable_channel_dropoutFalse)5.3 推理加速技巧使用-chk参数指定最佳检查点启用--disable_tta关闭测试时增强提速4倍采用半精度推理nnUNet_predict ... --fp16在RTX 3090上的性能对比配置方案单样本推理时间Dice_ET默认全精度tta45s0.83半精度无tta8s0.816. 结果可视化与分析6.1 使用ITK-SNAP进行可视化安装ITK-SNAP后可同时加载原始图像FLAIR/T1CE等金标准标签红色预测结果绿色itksnap -g BraTS2021_00000_flair.nii.gz \ -s BraTS2021_00000_seg.nii.gz \ -o prediction.nii.gz6.2 定量指标计算nnUNet自动生成的验证报告包含Metrics: Dice_ET: 0.824 Dice_WT: 0.912 Dice_TC: 0.801 Hausdorff95_ET: 4.216.3 常见错误模式分析通过观察误分割案例发现主要问题集中在肿瘤边缘模糊区域特别是水肿区小病灶漏检直径5mm异质性增强区域的分割不一致针对这些问题可以尝试增加边缘加权损失函数使用更高分辨率的2.5D模型引入注意力机制模块
从零到一：手把手教你用nnUNet复现BraTS2021脑肿瘤分割（含完整代码与环境配置）
发布时间：2026/6/10 16:23:31
从零到一手把手教你用nnUNet复现BraTS2021脑肿瘤分割含完整代码与环境配置在医学影像分析领域脑肿瘤自动分割一直是极具挑战性的任务。BraTSBrain Tumor Segmentation Challenge作为该领域的标杆性竞赛每年都吸引全球顶尖团队参与。而nnUNet作为医学图像分割的瑞士军刀以其开箱即用的优秀表现成为众多研究者的首选工具。本文将带你从零开始完整复现BraTS2021数据集的肿瘤分割流程即使你是刚接触该领域的新手也能在3小时内搭建出可运行的完整系统。1. 环境准备与数据获取1.1 硬件与基础环境配置推荐使用Linux系统Ubuntu 20.04或Windows WSL2环境确保至少具备GPUNVIDIA显卡RTX 3060及以上显存≥12GBCUDA11.3版本与PyTorch 1.10兼容性最佳Python3.8.x避免使用3.9可能存在的兼容性问题# 创建隔离的conda环境 conda create -n nnunet python3.8 conda activate nnunet1.2 nnUNet框架安装从源码安装能获得更好的灵活性git clone https://github.com/MIC-DKFZ/nnUNet.git cd nnUNet pip install -e .注意安装过程中可能出现的常见错误包括batchgenerators版本冲突 → 指定安装0.23版本SimpleITK编译失败 → 使用预编译版本pip install SimpleITK2.0.21.3 BraTS2021数据下载与解压访问 BraTS官网 注册并下载训练集解压后得到约160GB的NIfTI格式数据BraTS2021_TrainingData/ ├── BraTS2021_00000/ │ ├── BraTS2021_00000_flair.nii.gz │ ├── BraTS2021_00000_t1.nii.gz │ ├── BraTS2021_00000_t1ce.nii.gz │ ├── BraTS2021_00000_t2.nii.gz │ └── BraTS2021_00000_seg.nii.gz ├── BraTS2021_00001/ └── ...2. 数据集格式转换与任务配置2.1 创建标准目录结构nnUNet要求严格的目录规范mkdir -p dataset/nnUNet_raw_data_base/nnUNet_raw_data mkdir -p dataset/nnUNet_preprocessed mkdir -p dataset/nnUNet_trained_models2.2 编写BraTS2021转换脚本创建Task999_BraTS2021.py基于官方Task043修改import shutil from batchgenerators.utilities.file_and_folder_operations import * def convert_brats2021(input_folder: str, output_folder: str): cases subdirs(input_folder, joinFalse) for c in cases: # 处理每个病例的四模态数据 shutil.copy(join(input_folder, c, f{c}_flair.nii.gz), join(output_folder, imagesTr, f{c}_0000.nii.gz)) # ...其他模态类似处理0001-0003 # 处理标签 shutil.copy(join(input_folder, c, f{c}_seg.nii.gz), join(output_folder, labelsTr, f{c}.nii.gz))2.3 关键配置文件解析dataset.json需要精确定义模态信息和标签含义{ modality: { 0: FLAIR, 1: T1, 2: T1CE, 3: T2 }, labels: { 0: background, 1: NCR/NET, # 坏死核心 2: ED, # 水肿 4: ET # 增强肿瘤 } }3. 环境变量与预处理流程3.1 永久环境变量设置对于Linux系统编辑~/.bashrcexport nnUNet_raw_data_base/path/to/dataset/nnUNet_raw_data_base export nnUNet_preprocessed/path/to/dataset/nnUNet_preprocessed export RESULTS_FOLDER/path/to/dataset/nnUNet_trained_models验证是否生效source ~/.bashrc echo $nnUNet_raw_data_base3.2 数据预处理全流程nnUNet的预处理包含多个自动化步骤重采样统一各向同性分辨率默认1mm³归一化各模态独立进行z-score标准化裁剪基于非零区域自动裁剪数据增强生成旋转、缩放等变换样本启动预处理命令nnUNet_plan_and_preprocess -t 999 --verify_dataset_integrity常见问题排查出现Missing modality错误 → 检查.nii.gz文件头信息显存不足 → 添加-overwrite_plans参数降低batch size4. 模型训练与验证4.1 五折交叉训练配置nnUNet默认采用五折交叉验证nnUNet_train 3d_fullres nnUNetTrainerV2 999 4 --npz参数详解3d_fullres使用3D全分辨率模型nnUNetTrainerV2标准训练器999任务ID4五折中的第4折0-4--npz保存softmax预测结果4.2 训练过程监控使用TensorBoard观察指标变化tensorboard --logdir$RESULTS_FOLDER/nnUNet/3d_fullres/Task999_BraTS2021关键监控指标指标名称正常范围说明Dice_ET0.75-0.85增强肿瘤区域分割精度Dice_WT0.88-0.93全肿瘤区域分割精度learning_rate1e-4→1e-5学习率衰减曲线4.3 模型集成与测试训练完成后自动生成五个模型推荐使用集成预测nnUNet_predict -i INPUT_FOLDER -o OUTPUT_FOLDER -t 999 -m 3d_fullres -f 0 1 2 3 45. 实战技巧与性能优化5.1 显存不足解决方案对于小显存显卡如RTX 3060 12GB修改nnUNetPlans.json中的配置{ batch_size: 2, patch_size: [128, 128, 128] }使用混合精度训练nnUNet_train 3d_fullres nnUNetTrainerV2_amp 999 45.2 多模态数据利用策略BraTS2021包含四种模态可通过以下方式提升效果模态加权在dataset.json中设置模态权重training_modality_weights: { 0: 1.0, # FLAIR 1: 0.8, # T1 2: 1.2, # T1CE 3: 1.0 # T2 }通道丢弃增强模型鲁棒性trainer nnUNetTrainerV2(..., disable_channel_dropoutFalse)5.3 推理加速技巧使用-chk参数指定最佳检查点启用--disable_tta关闭测试时增强提速4倍采用半精度推理nnUNet_predict ... --fp16在RTX 3090上的性能对比配置方案单样本推理时间Dice_ET默认全精度tta45s0.83半精度无tta8s0.816. 结果可视化与分析6.1 使用ITK-SNAP进行可视化安装ITK-SNAP后可同时加载原始图像FLAIR/T1CE等金标准标签红色预测结果绿色itksnap -g BraTS2021_00000_flair.nii.gz \ -s BraTS2021_00000_seg.nii.gz \ -o prediction.nii.gz6.2 定量指标计算nnUNet自动生成的验证报告包含Metrics: Dice_ET: 0.824 Dice_WT: 0.912 Dice_TC: 0.801 Hausdorff95_ET: 4.216.3 常见错误模式分析通过观察误分割案例发现主要问题集中在肿瘤边缘模糊区域特别是水肿区小病灶漏检直径5mm异质性增强区域的分割不一致针对这些问题可以尝试增加边缘加权损失函数使用更高分辨率的2.5D模型引入注意力机制模块
