医学影像 开源项目 高级
nnU-Net
可根据数据集自动配置预处理、网络结构和训练策略的生物医学图像分割框架。
- 医学子领域
- 医学影像
- 资源类型
- 开源项目
- 开源协议
- Apache License 2.0
- 部署方式
- Python/pip；Docker 需自行容器化或使用经验证镜像
部署引导
快速部署
Docker 命令
涉及患者数据的项目请仅用公开或脱敏数据集，部署说明可能随项目更新变化
git clone https://github.com/MIC-DKFZ/nnUNet.git
cd nnUNet
docker compose up -d简介
nnU-Net 是医学图像分割领域常用的强基线框架，会根据数据集自动规划预处理、patch 大小、网络配置和训练策略。它适合 2D/3D CT、MRI、显微图像等监督分割任务，常被用于挑战赛和论文 baseline。
部署步骤
- 先安装与硬件匹配的 PyTorch。
- 安装 nnU-Net v2：
pip install nnunetv2- 设置三个必需的数据路径环境变量。Linux/macOS 示例：
export nnUNet_raw="/data/nnUNet_raw"
export nnUNet_preprocessed="/data/nnUNet_preprocessed"
export nnUNet_results="/data/nnUNet_results"- Windows PowerShell 示例：
$env:nnUNet_raw="D:\nnUNet_raw"
$env:nnUNet_preprocessed="D:\nnUNet_preprocessed"
$env:nnUNet_results="D:\nnUNet_results"- 按官方数据格式准备
DatasetXXX_Name数据集。 - 运行规划和预处理：
nnUNetv2_plan_and_preprocess -d DATASET_ID --verify_dataset_integrity- 开始训练，例如 3D full resolution 第 0 折：
nnUNetv2_train DATASET_ID 3d_fullres 0- 仓库 README 未把 Docker 作为最小安装路径；如需 Docker，建议团队自行固定 CUDA、PyTorch、nnU-Net 和数据卷路径后再验证。
适用场景
- 医学图像分割挑战赛 baseline。
- 论文中与新模型比较的强参照方法。
- 小团队快速得到器官、肿瘤或病灶分割模型。
- 需要标准化训练、推理和交叉验证流程的医学影像研究。