nnUNetV2修改笔记-D9

验证

昨天验证的有问题，ET没有数据。

然后在网上看到一篇文章，说是nnunet在预处理的时候会把分割的标签改成0-3，但是数据集原始的标签序号不是0-3，所以就会出现问题。

于是就跟AI友好交流写了个代码查看标签的原始信息。

import nibabel as nib
import numpy as np

def check_labels(input_path):
    img = nib.load(input_path)
    data = img.get_fdata()
    unique_labels = np.unique(data)
    return unique_labels

# 使用范例
input_file = r"D:\深度学习\结果\√0.9046PretrainedSTUNetTrainer_base__nnUNetPlans__3d_fullres\infer\remapped\BraTS19_CBICA_AAM_1.nii.gz"
labels = check_labels(input_file)
print(f'Unique labels in {input_file}: {labels}')

查看了原始数据集中训练集和输出的验证集的分割文件做一下对比，确实是有问题：

看刚才那篇文章上说，需要更改nnunet的代码。但是根据他这篇文章写作的时间还有代码结构，应该是nnunetv1时代的产物，我现在一直都是用的V2。所以这个代码用不了。看了半天也没在v2的代码里找到类似的代码。
于是灵机一动，不如直接从生成的文件下手，直接更改标签的编号算了。于是又跟AI交流了一下，写出了如下的代码：

import nibabel as nib
import numpy as np
import os

def remap_labels(input_path, output_path):
    # 加载标签文件
    img = nib.load(input_path)
    data = img.get_fdata()

    # 创建一个空的数组来存储新的标签
    new_data = np.zeros_like(data)

    # 转换标签
    new_data[data == 0] = 0  # Background
    new_data[data == 1] = 1  # WT remains the same
    new_data[data == 2] = 2  # TC remains the same
    new_data[data == 3] = 4  # ET: 3 -> 4

    # 确保标签值为整数类型
    new_data = new_data.astype(np.int16)

    # 保存新的标签文件
    new_img = nib.Nifti1Image(new_data, img.affine, img.header)
    nib.save(new_img, output_path)

def batch_remap_labels(input_folder, output_folder):
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    for filename in os.listdir(input_folder):
        if filename.endswith('.nii.gz'):
            input_path = os.path.join(input_folder, filename)
            output_path = os.path.join(output_folder, filename)
            remap_labels(input_path, output_path)
            print(f'Processed {filename}')

# 使用范例
input_folder = 'D:\深度学习\结果\√0.90641nnUNetTrainer__nnUNetPlans__EAB__3d_fullres_100EPOCH\post'
output_folder = os.path.join(input_folder, 'remapped')
batch_remap_labels(input_folder, output_folder)

把之前所有的数据的标签全部更改了下。中间还出现了小插曲，更改的标签编号不是整数，难绷。

然后重新提交上去进行验证：

最终得到了如下的结论，其他两个任务都一样，就第一个ET的数据也出来了，这个TC感觉低得有点不合理，不知道是不是训练轮次太少的原因。不过看曲线应该也收敛了，那就不知道了。原版nnunet都这样，可能是正常的吧。如下：（没写完，刚写的没保存，焯）

Model	Dice_ET	Dice_WT	Dice_TC	Sensitivity_ET	Sensitivity_WT	Sensitivity_TC	Specificity_ET	Specificity_WT	Specificity_TC	Hausdorff95_ET	Hausdorff95_WT	Hausdorff95_TC
eab-nnunet	0.74459	0.90641	0.39029	0.78645	0.90544	0.62394	0.99839	0.99518	0.96524	3.54292	4.54008	16.91987
plain-nnunet	0.73716	0.90297	0.38221	0.76966	0.9024	0.60403	0.99057	0.98712	0.95677	33.44588	7.47936	19.83174
stunet-pretr-base	0.73427	0.90460	0.38761	0.78325	0.90565	0.61204	0.99857	0.99539	0.96549	3.47016	4.56391	16.51672
stunet-small	0.72337	0.90397	0.38184	0.77114	0.90648	0.60293	0.99855	0.99499	0.96494	4.1006	4.85547	16.80102