- 综合排序
- 最热优先
- 最新优先
- 来自专栏集智书童
冠军方案解读 | nnUNet改进提升笔记
开发了以下模型: BL：Baseline nnUNet BL+L：Baseline with Large nnUNet BL+GN：Baseline with Group Normalization BL +AA：Baseline with axial attention, batch normalization BL+L+GN：nnUNet with larger Unet, group normalization
5K21编辑于 2021-12-13 - 来自专栏Python编程和深度学习
保姆级教程：nnUnet在2维图像的训练和测试
保姆级教程：nnUnet在2维图像的训练和测试 一、 nnUnet介绍 nnUnet方法源自论文 《Automated Design of Deep Learning Methods for Biomedical 二、环境配置 首先创建nnUnet2环境并激活，之后安装必要的包 source activate nnUnet2 在终端中运行导出命令，设置环境变量 export nnUNet_raw_data_base ="/data/Project/nnUnet/Data/nnUNet_raw" export nnUNet_preprocessed="/data/Project/nnUnet/Data/nnUNet_preprocessed 六、运行推断 根据前面生成的推断方法，修改对应输入-i和输出-o文件夹， nnUNet_predict -i /data/Project/nnUnet/Data/nnUNet_raw/nnUNet_raw_data /Task100_PapSmear/imagesTs/ -o /data/Project/nnUnet/Data/nnUNet_raw/nnUNet_raw_data/Task100_PapSmear/
11.3K53发布于 2021-01-05 - 来自专栏云上修行
基于 nnU-Net 的 IHC Ki-67 细胞分类实战指南
# 例子工作区的路径mkdir -p ~/nnUNet_workspacecd ~/nnUNet_workspaceexport nnUNet_raw="$PWD/ "export nnUNet_preprocessed ="$PWD/nnUNet_preprocessed"export nnUNet_results="$PWD/nnUNet_results"3. # 原始数据export nnUNet_preprocessed="/path/to/nnUNet_preprocessed" # 预处理数据export nnUNet_results="/path/ 设置环境变量export nnUNet_raw="./nnUNet_raw"export nnUNet_preprocessed=". /nnUNet_preprocessed"export nnUNet_results="./nnUNet_results"# 3.
66832编辑于 2025-12-05 - 来自专栏Python编程和深度学习
nnUnet使用2d数据训练方法-DKFZ官方版
nnUnet使用2d数据训练方法-DKFZ官方版 上一篇文章介绍了《保姆级教程：nnUnet在2维图像的训练和测试》，采用的是自己的2d数据集进行2d到3d的数据转换，内容包括nnUnet介绍、环境配置 最近官方也更新了nnUnet在2d数据情况下的训练方法，链接为：https://github.com/MIC-DKFZ/nnUNet/blob/master/documentation/dataset_conversion.md 三、代码详解 此部分代码文件为： nnUNet/nnunet/dataset_conversion/Task120_Massachusetts_RoadSegm.py 1. import generate_dataset_json from nnunet.paths import nnUNet_raw_data, preprocessing_output_dir from 《保姆级教程：nnUnet在2维图像的训练和测试》。
3.6K10发布于 2021-03-03 - 来自专栏云上修行
nnU-Net 入门实操教程
export nnUNet_raw="$PWD/nnUNet_raw" export nnUNet_preprocessed="$PWD/nnUNet_preprocessed" export nnUNet_results /nnUNet_raw"' >> ~/.bashrc echo 'export nnUNet_preprocessed="$HOME/nnUNet_workspace/nnUNet_preprocessed A: 每次使用前确保设置了三个环境变量： export nnUNet_raw="/path/to/nnUNet_raw" export nnUNet_preprocessed="/path/to/nnUNet_preprocessed nnUNet_preprocessed="${SCRIPT_DIR}/nnUNet_preprocessed" export nnUNet_results="${SCRIPT_DIR}/nnUNet_results }/nnUNet_raw" export nnUNet_preprocessed="${SCRIPT_DIR}/nnUNet_preprocessed" export nnUNet_results="$
2.1K54编辑于 2025-10-16 - 来自专栏DeepHub IMBA
CNN依旧能战：nnU-Net团队新研究揭示医学图像分割的验证误区，设定先进的验证标准与基线模型
nnUNet_preprocessed:这是一个将保存预处理数据的文件夹。运行预处理命令(我们将在下面介绍)时，nnUNet将使用这个文件夹来保存预处理的数据。 nnUNet_results:这是nnUNet将保存训练工件的文件夹，包括模型权重、配置JSON文件和调试输出。 可以通过多种方式设置这些环境变量。 例如，对于Linux机器上的环境变量nnUNet_raw，你可以这样做: export nnUNet_raw="/path/to/your/deephub_nnUNet_raw" # Linux set 该命令将预处理放在nnUNet_raw文件夹路径中的数据，并将预处理后的数据保存到nnUNet_preprocessed文件夹路径中。 nnUNetv2_predict -i nnUNet_dirs/nnUNet_raw/Dataset300_Aorta/imagesTs -o nnUNet_dirs/nnUNet_raw/nnUNet_tests
1.2K10编辑于 2024-06-17 - 来自专栏我爱计算机视觉
nnFormer (Not-aNother transFORMER): 基于交叉Transformer结构的3D医疗影像分割网络
3 即使与目前最强劲的nnUNet相比，nnFormer仍然取得了小幅度的提升。 即使跟nnUNet相比，nnFormer也不遑多让，比如在胃（stomach）这一类别上，超越nnUNet约4个点，超过了SwinUNet约13个点。 另外一方面，nnUNet没有使用任何预训练就能够取得这么好的效果，也真是非常强大了。 未来我们可能会尝试更加轻量级的nnFormer或者引入自监督进一步提升性能！ 最后鸣谢一下Swin Transformer和nnUNet的作者们，其实往小里说，nnFormer不过是基于Swin Transformer和nnUNet的经验结合，technical上的novelty 也许大幅度超越nnUNet的那一天并不遥远。
1.9K10发布于 2021-09-27 - 来自专栏AiCharm
每日学术速递1.15
我们从三个方面全面评估模型：按身体区域平均、按类别平均和按数据集平均，展示了与 36 个专业 nnUNet 相当的性能，即我们在每个数据集/子集上训练 nnUNet 模型，得到 36 个约 1000M 的 nnUNet 31个数据集的参数。
29010编辑于 2024-01-15 - 来自专栏最新医学影像技术
AIIB2023——task1&task2任务top3技术方案分享
网络模型：nnUNet（针对大中型气道树分割）和WingsNet（针对小型气道树分割） 损失函数：weighted general union loss，airway continuity loss和 通用分割模型：nnUnet模型 特定分割模型：使用如下混合损失，包括dice loss，weighted jaccard loss,weighted cross entroy。
67620编辑于 2023-10-23 - 来自专栏PaddlePaddle
荟聚NeurIPS顶会模型、智能标注10倍速神器、人像分割SOTA方案、3D医疗影像分割利器，PaddleSeg重磅升级！
定制化医疗分割方案nnUNet 有过医疗分割经验的开发者一定听过nnUNet，作为各大比赛的打榜方案，其支持数据定制化下的高精度分割。而看过其代码的开发者也会发现其代码的晦涩难懂。 为了支持大家更加灵活使用nnUNet的需要，我们基于飞桨对其进行了模块化、清晰化的复现；同时还新增了在静态图预测时匹配多种模型、多折模型的部署方案，达到同一张图像可使用多折静态模型部署的效果，从而大大提升了其产业实用性
1.3K50编辑于 2022-11-29 - 来自专栏我爱计算机视觉
这个开源太强了！智能标注10倍速、精准人像分割、3D医疗影像分割！
定制化医疗分割方案nnUNet 有过医疗分割经验的开发者一定听过nnUNet，作为各大比赛的打榜方案，其支持数据定制化下的高精度分割。而看过其代码的开发者也会发现其代码的晦涩难懂。 为了支持大家更加灵活使用nnUNet的需要，我们基于飞桨对其进行了模块化、清晰化的复现；同时还新增了在静态图预测时匹配多种模型、多折模型的部署方案，达到同一张图像可使用多折静态模型部署的效果，从而大大提升了其产业实用性
3.1K10编辑于 2022-11-28 - 来自专栏Java架构师必看
petct脑代谢显像_pet图像分析方法有哪几种
算法实现 5.1 参数设置 5.1.1 数据裁剪部分 5.1.2 数据增强部分 5.1.3 网络训练部分 5.2 实现平台 6 结果和分析 7总结 8 后继提升 9 源码 10 核心成员 目录 1 前言 nnUNet 目前为止nnUNet的代码已经被很多地方使用并且证明了它的效果，这不禁引起我们的深思，确实网络结构在这么多年来的所谓的创新，是不是真的都只是过拟合，都是论文作者的一厢情愿。
88710编辑于 2022-08-09 - 来自专栏感知·论文
【感知·医学分割】打不死的 nnU-Net：为什么 2026 年了它依然是霸榜 Baseline？
官方GitHub仓库：https://github.com/MIC-DKFZ/nnUNet论文原文：nnU-Net:aself-configuringmethodfordeeplearning-basedbiomedicalimagesegmentation
31110编辑于 2026-04-25 - 来自专栏我爱计算机视觉
CV Code | 本周新出计算机视觉开源代码汇总（含图像修复、目标检测、医学图像分割、度量学习等）
Maier-Hein https://arxiv.org/abs/1904.08128v1 https://github.com/MIC-DKFZ/nnunet 视觉问答 Question Guided
97720发布于 2019-12-27 - 来自专栏未来先知
A4-Unet:用于肿瘤分割的可变多尺度注意网络 ！
BraTS 2020数据集的表e V中，A4-Unet获得了Dice分数为94.47%，mIoU为99.68%，以及第95百分位Hausdorff距离为8.57毫米，优于SwinUNet、TransUNet、nnUNet nnUNet凭借目标训练和后续处理赢得了BraTS 2020挑战赛。与nnUNet的方法相比，作者更关注网络结构的改进，并取得了显著提升。 BraTS 2021数据集。 在BraTS 2021数据集中，作者将A4-Unet与UNETR [34]、Swin UNETR [35]、SegResNet [36]、优化的Unet [37]以及耦合的nnUnet [38]进行了对比
1.3K10编辑于 2025-01-20 - 来自专栏CVer
医学图像半监督分割Baselines
本文已由原作者授权，不得擅自二次转载 先放链接，极速尝试SSL4MIS https://github.com/HiLab-git/SSL4MIS 近年来，CNN在医学图像分割领域取得了统治级的地位，nnUNet
1.9K30发布于 2020-11-11 - 来自专栏最新医学影像技术
BraTS2023-MET——BraTS2023脑转移分割挑战赛
包括 nnUnet 在内的现有算法对于较大的转移瘤显示出较高的骰子分数，但对于较小的转移瘤可能会漏掉或表现不佳。
1.9K10编辑于 2023-11-07 - 来自专栏我爱计算机视觉
开源 | SegVol 通用且可交互的医学体素分割模型
图3c给出了一系列示例，展示了nnUnet和我们的方法的病变分割性能。这些例子包括肝肿瘤、结肠癌和肺肿瘤。
66510编辑于 2023-12-04 - 来自专栏未来先知
LoG-V Mamba ,高效图像分割的新视角 !
Comparison with State-of-The-Art Methods 作者将作者的方法与各类参考文献进行了比较，这些参考文献包括卷积、Transformer和Mamba等模型，它们的代表者分别是nnUNet 如图4(a)所示，作者将作者的方法与三个代表性的基准算法进行了比较：nnUNet（基于CNN的）[25]， Swin-UNETR（基于Transformer的）[17]，以及 U-Mamba-Enc（基于 与nnUNet [25]，Swin-UNETR [17]和U-Mamba-Enc [38]在语义分割任务上的表现相比，作者的方法在计算上最为高效，在各指标上的差异分别为6.3%，9.3%和5.0%（见图
1.3K10编辑于 2024-09-11 - 来自专栏机器学习炼丹术
WBIR | DeepSTAPLE：UDA任务下学习多模态配准质量
algorithm as baseline and opposed to that our proposed weighted-sum method on data parameters 在这个基础上训练了几个nnUnet
62510编辑于 2023-03-16
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号