【MICCAI 2023 Challenges ：STS-基于3D CBCT的牙齿分割任务】学习记录：使用nnU-Net V2训练自己的数据集

前言

本文是对天池平台发布的【MICCAI 2023 Challenges ：STS-基于3D CBCT的牙齿分割任务】比赛进行一个初步总结，主要包含开发过程、训练技巧以及创新思路，对于此次比赛的详细信息可移步官网查看。
提示：开发过程，训练技巧同样适用于其他数据集：

提示：以下是本篇文章正文内容，下面案例可供参考

一、大赛数据简介

主题：在提供的三维CBCT数据集上实现牙齿分割任务。

此项任务基于三维CBCT数据集，任务的核心目标是在三维上分割出牙齿结构。我们将采用Dice、豪斯多夫距离、IOU等评价指标进行评估（评估及得分详细信息见评价指标）。同样地，具体的任务目标可参考下图：

在这里插入图片描述

评价指标：所有参赛选手均需对测试集的所有图像进行牙齿分割，生成对应的二值化mask。我们会对选手所提交的mask与我们的基准mask计算Dice、霍夫距离、IOU。
（1）Dice系数（Dice coefficient）用于评估两个集合的相似度，公式为：
在这里插入图片描述

（2）IoU（Intersection over Union）公式为：
在这里插入图片描述
其中，公式中A表示选手模型预测的mask，B表示Groud Truth的基准mask。

（3）三维豪斯多夫距离是基于体素（voxel）级别的距离度量，公式为：
在这里插入图片描述
其中，(x1, y1, z1)和(x2, y2, z2)表示两个体素的坐标，|x1 - x2|、|y1 - y2|和|z1 - z2|表示对应坐标轴上的距离。

**评分规则：**参赛选手的得分主要依据上述三个评分指标，主要为了便于评分，比赛统一将豪斯多夫距离进行归一化，使其值在0-1之间。最终取三个指标的加权平均，具体的评分公式为：score=0.4∗Dice+0.3∗IOU+0.3∗(1−H(d))

二、开发过程

1.准备nnU-Net V2的开发环境：【nnUNet】

（1）进入官网，下载ZIP到本地，或者直接SSH CLone。
在这里插入图片描述
（2）打开服务器终端，创建一个新环境，注意查看官方文档的安装说明！！！！python3.9版本以上

打开终端，创建环境 conda create -n nnUNet python=3.9

安装torch2.0，安装torch慢，直接下载whl文件pip install安装：【whl链接】https://download.pytorch.org/whl/torch_stable.html

实在不会，看此篇教程，博主写的很好：https://blog.csdn.net/i__om/article/details/128773034

下图是我在Linux服务器下安装的版本，仅供参考，具体根据自己需要进行安装;(这图片水印怎么去掉，烦死了)，到这里，nnUNet所需的torch环境已安装好，接下来安装nnUNetV2。
在这里插入图片描述

2.安装nnU-Net V2

（1）官网 https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/installation_instructions.md。根据官网的步骤来安装，打开终端，激活刚刚创建的新环境，按照步骤一步一步来，注意pip install -e .的时候别忘了后面的.（安装的时候一定要保持目录干净，官方的啥样，你的就啥样，如果你在nnUNet提前创建了新的目录，在安装的时候会报错，一定要安装完之后在创建）
在这里插入图片描述

（2）接下来就是数据集准备，创建目录结构，和具体怎么训练、推理的教程，暂时没时间写了，请先移步官方文档，有空会更新。
官方文档说明的很详细，【https://github.com/MIC-DKFZ/nnUNet】按照自己的需求创建（若遇到困难，请进一步搜素如何nnUNetv2的使用教程之类的文章，后续有时间我会继续更新）
在这里插入图片描述

3. 一些训练过程和推理过程踩过的坑（耐心等待，有时间就更新）

4. “投机取巧”，不走寻常路（耐心等待，有时间就更新）

5. 比赛提供数据集的处理方式（耐心等待，有时间就更新）

6. 半监督学习在此比赛的表现（耐心等待，有时间就更新）

三、训练技巧（耐心等待，有时间就更新）

四、创新思路（耐心等待，有时间就更新）

五、实验结果对比分析（大概有30条结果，后续更新）

总结（耐心等待，有时间就更新）

完结撒花（提前）：