【亲测免费】 nnFormer 开源项目教程

项目介绍

nnFormer 是一个基于 3D Transformer 的体积医学图像分割工具。该项目通过结合交错的卷积和自注意力操作，并引入局部和全局体积自注意力机制，来学习体积表示。此外，nnFormer 使用跳跃注意力替代传统的 U-Net 架构中的连接/求和操作。实验表明，nnFormer 在三个公共数据集上显著优于之前的基于 Transformer 的模型。

项目快速启动

环境设置

首先，克隆项目仓库并设置环境：

git clone https://github.com/282857341/nnFormer.git
cd nnFormer
conda env create -f environment.yml
source activate nnFormer
pip install -e .

数据准备

下载所需的数据集并进行预处理：

nnFormer_convert_decathlon_task -i /DATASET/nnFormer_raw/nnFormer_raw_data/Task01_ACDC
nnFormer_convert_decathlon_task -i /DATASET/nnFormer_raw/nnFormer_raw_data/Task02_Synapse
nnFormer_convert_decathlon_task -i /DATASET/nnFormer_raw/nnFormer_raw_data/Task03_tumor
nnFormer_plan_and_preprocess -t 1
nnFormer_plan_and_preprocess -t 2
nnFormer_plan_and_preprocess -t 3

训练模型

使用以下命令开始训练：

nnFormer/nnformer/run/run_training.py

模型评估

训练完成后，可以使用以下脚本进行模型评估：

nnFormer/nnformer/inference_acdc.py
nnFormer/nnformer/inference_synapse.py
nnFormer/nnformer/inference_tumor.py

应用案例和最佳实践

案例一：ACDC 数据集上的分割

在 ACDC 数据集上，nnFormer 能够有效地进行心脏分割，提供高质量的分割结果。通过调整训练参数和数据预处理步骤，可以进一步优化性能。

案例二：Synapse 多器官 CT 数据集

在 Synapse 数据集上，nnFormer 展示了其在多器官分割任务上的强大能力。通过使用跳跃注意力机制，模型能够更好地捕捉器官间的复杂关系。

最佳实践

• 数据预处理：确保数据集的正确组织和预处理，以避免常见的数据加载问题。
• 超参数调整：根据具体任务调整学习率、批大小和训练轮数等超参数。
• 模型评估：定期评估模型性能，使用如 DSC 和 HD95 等指标来衡量分割质量。

典型生态项目

nnUNet

nnUNet 是一个高度灵活和强大的医学图像分割框架，nnFormer 在设计上借鉴了 nnUNet 的许多优点，并在此基础上引入了 Transformer 架构，以进一步提升分割性能。

UNETR

UNETR 是另一个基于 Transformer 的医学图像分割模型，nnFormer 在某些方面与 UNETR 有相似之处，但通过引入新的注意力机制和优化策略，nnFormer 在多个数据集上取得了更好的结果。

通过结合这些生态项目，可以进一步扩展和优化 nnFormer 的功能和性能。