nnU-Net v2
Samokonfigurujący się framework segmentacji: dla etykietowanego zbioru dobiera preprocessing, topologię sieci i harmonogram treningu automatycznie; pozostaje punktem odniesienia w większości konkursów segmentacji medycznej, także guzów.
W skrócie
Co robi
Trenuje mocny 2D/3D U-Net na własnych zaadnotowanych wolumenach TK/MRI/PET bez projektowania architektury; używany do segmentacji guzów, narządów krytycznych i węzłów chłonnych w radioterapii i radiomice.
Zadania, typy danych i nowotwory
Architektura
Dane treningowe
Brak stałego korpusu treningowego. nnU-Net nie udostępnia wag wytrenowanych wcześniej: konfiguruje się sam i trenuje od zera na zbiorze etykietowanym dostarczonym przez użytkownika. W pracy źródłowej zastosowano go bez żadnych ręcznych korekt między zbiorami do Medical Segmentation Decathlon (10 zadań) oraz kolejnych konkursów segmentacji biomedycznej.
Powiązane zbiory danych
- benchmark BraTS — Brain Tumor Segmentation Challenge Bezpłatna rejestracja — standardowy benchmark segmentacji glejaków, w którym warianty nnU-Net wielokrotnie zajmowały pierwsze miejsce
Ewaluacja
| Benchmark / zbiór | Miara | Wartość | Walidacja zewnętrzna | Źródło |
|---|---|---|---|---|
| Medical Segmentation Decathlon + 23 public challenges (paper) | Dice | first place or top tier on the majority | tak | Źródło |
Jak uruchomić
pip install nnunetv2
nnUNetv2_plan_and_preprocess -d 001 --verify_dataset_integrity
nnUNetv2_train 001 3d_fullres 0
nnUNetv2_predict -i imagesTs/ -o preds/ -d 001 -c 3d_fullresStatus regulacyjny i przeznaczenie
Status regulacyjny cytujemy ze wskazanego źródła i może się zmienić. Modele „tylko do badań” nie służą do decyzji klinicznych.
Ograniczenia i błędy systematyczne
- Wymaga etykiet wokselowych; brak skrótu przez pretrening.
- Długi trening; wariant kaskadowy jest ciężki.
Źródła
Ta strona ma charakter edukacyjny — nie stanowi porady medycznej i nie zastępuje konsultacji z onkologiem. Decyzje diagnostyczne i terapeutyczne podejmuje wyłącznie lekarz specjalista.