企业官网建设流程全解析

做医学图像分割这几年，我见过太多人一上来就追各种花哨的新网络，折腾半个月，最后效果还不如老老实实跑一个经典模型。如果你也在这个领域，我想先给你一个建议：别的可以先放放，nnU-Net 一定要先学会。它不是一个普通的分割模型，而是把 U-Net 这类架构在医学影像上的各种细节做到极致的“全家桶”工具。简单说，它就是医学图像分割领域最接近“开箱即用”的 baseline，也是你读懂其他新方法的起点。

nnU-Net 全称是 no-new-Net，意思是它没有提出什么惊世骇俗的新网络结构，而是把已有的 U-Net 和那些常见的训练技巧，通过一套自动化的规则组织起来，自动适配你的数据集。你只需要准备好数据和标签，它就能自己规划预处理方案、网络结构、训练策略，最后给你一个分割结果。正因为这种“无脑但有效”的特性，它在很多医学分割比赛里常年霸榜，也成了医院、科研机构里做影像分析的人绕不开的工具。

这篇文章我会从三个角度展开：nnU-Net 到底解决了什么问题、它内部是怎么运作的、以及你从零开始该怎么做。最后会分享一些我实际跑项目时踩过的坑和排查经验。无论你是刚入门的学生，还是已经跑过几个分割模型的老手，这篇内容应该都能帮你省下不少时间。

1. nnU-Net 解决了什么问题：为什么医学图像分割离不开它

1.1 医学图像分割的天然难点

先聊点实际的。医学图像分割和自然图像分割完全是两回事。自然图像里，你随便找一张照片，物体大小、颜色、边界都比较稳定；但医学影像不一样，CT、MRI、超声这些模态之间的差异极大，同一个器官在不同设备、不同扫描参数下，像素间距（spacing）、灰度范围、图像尺寸都可能完全不同。

比如一个 512x512 的 CT 切片和一个 256x256 的 MRI 切片，你不能直接塞进同一个网络里。再比如肝脏在 CT 里是明显的低密度区域，在 MRI 的 T1 加权像里又可能变成高信号，这就导致预处理和归一化方式不能套用一套模板。更麻烦的是，医学数据集的样本量通常很小，尤其是带精细标注的数据，一百例都算多的，几十例也常见。

这种小样本、高异构、高标注成本的场景，让很多通用分割框架直接失效。你想手动调一个合适的网络结构，先得处理 spacing 不一致、灰度分布不一、显存限制等问题，光是预处理就能写几百行代码。

1.2 nnU-Net 的定位：自动化配置的最强 baseline

nnU-Net 的核心思路很简单：把医学图像分割里的这些“工程经验”全部整理成一套决策规则，然后针对你的数据自动生成一个最优的 pipeline。它没有发明新的网络模块，而是精准地回答了三个问题：我的数据应该怎么预处理？我的网络应该多深多宽？我的训练策略该怎么定？

它会根据数据集的中位 spacing、中位图像尺寸、模态类型，从三个预设配置里选一个或者几个：2D U-Net、3D full resolution U-Net、3D U-Net cascade（级联）。然后自动跑五折交叉验证，给你一个可靠的性能估计。整个过程几乎不需要人工干预，能省掉大量试错时间。

这也是我为什么说它是“硬通货”。你拿任何一个新数据集，不知道怎么做的时候，先跑一遍 nnU-Net，得到一个不错的 baseline，再去研究自己任务的特殊之处，比从零开始调一个网络靠谱得多。很多顶会论文里的 SOTA 方法，其实也就是在 nnU-Net 的 baseline 上改了一点东西。

1.3 为什么它比你手写的 U-Net 效果好

你可能会说，我自己写过一个 U-Net，跑起来也能出结果，为什么非要学 nnU-Net？我见过太多人自己写的 U-Net 结果“差不多”，但实际上差距很大。关键不在于网络结构本身，而在于 nnU-Net 把这些细节全部做到了。

比如它会对每张图像按目标 spacing 重采样，保证不同病例之间的体素分辨率一致；它会采用带深监督的 U-Net，让梯度更好地传播；它会使用 Dice 和交叉熵的联合损失，兼顾区域和像素两个层面；它还会通过自动化搜索，确定每个数据集最优的 patch size、batch size、网络通道数，这些都是手写代码时最容易忽略却又影响巨大的因素。

一句话总结：你手写的 U-Net 可能只是“能跑”，nnU-Net 是“能稳定地出好结果”。在医学图像分割这种高精度要求的场景里，稳定性比什么都重要。

2. 核心机制拆解：nnU-Net 内部的那些关键设计

2.1 三个预设配置：2D、3D full resolution、3D cascade

nnU-Net 默认提供三种配置，这也是它最底层的分工逻辑。第一种是 2D U-Net，适合那些本来就是薄层扫描、切片之间独立性强的数据，比如某些病理切片扫描图；第二种是 3D full resolution U-Net，使用原始分辨率的三维 patch 进行训练，最适合绝大多数 CT、MRI 数据，因为它能充分利用三维空间信息；第三种是 3D low resolution + cascade，先用低分辨率跑一个粗分割，再在高分辨率下细化，适合那些图像尺寸特别大、直接跑全分辨率会显存爆炸的任务。

具体选哪个，不是靠拍脑袋，而是 nnU-Net 在预处理阶段自动判断的。它会统计你的数据属性，比如图像形状、spacing 分布，再对比显存预算，然后决定使用什么配置。多数情况下，3D full resolution 效果最好，但如果你发现显存不够，系统会提示你用 2D 或者调低分辨率。

我在实际使用中，一般会先跑一遍 3D full resolution，如果效果不够再试试 cascade。这里有个技巧：不要只看最终 Dice，还要看分割结果的边界是否平滑，特别是器官边缘清晰度。cascade 在边界处理上通常比单阶段模型更有优势。

2.2 自适应预处理规则：重采样、归一化和数据增强

预处理是整个 pipeline 中最重要的环节之一，也是 nnU-Net 最值得学习的地方。它不像很多开源代码那样硬编码一个预处理方法，而是根据数据自动选择。第一步是重采样，把所有图像统一到目标 spacing，这个目标 spacing 通常是训练集中所有病例在第 5 百分位到第 95 百分位之间的某个值。为什么不用中位数？因为这样能避免极端值影响，同时又保证大多数图像不会被过度形变。

第二步是归一化。对不同模态，nnU-Net 的处理完全不一样。CT 图像它会使用全局的均值和方法做标准化，因为 CT 值本身有物理意义（亨氏单位）；而 MRI 图像，它会使用每张图像自己的均值和方法，因为 MRI 的灰度值本身没有绝对物理意义，受扫描参数影响很大。这个差异处理，是很多自己写预处理脚本的人最容易忽略的。

数据增强部分，nnU-Net 用了随机旋转、缩放、高斯噪声、高斯模糊、亮度对比度调整、弹性形变等操作。这些操作不是全部都用，而是通过一定的概率随机组合，在训练时动态作用于 patch。目的很简单：让模型见过更多样化的形态，提升泛化能力，避免小数据集过拟合。

2.3 网络结构与训练策略：细节就是魔鬼

结构上，nnU-Net 依然是 encoder-decoder 形式的 U-Net，但加了几个关键改动。它使用 instance normalization 而不是 batch normalization，因为医学影像 batch size 通常较小，batch norm 容易不稳定。激活函数用的是 leaky ReLU，比普通 ReLU 能减少信息丢失。在网络最后几层会输出多个不同分辨率的预测结果，然后计算深监督损失，这样浅层也能得到足够的梯度信号，训练更稳定。

损失函数用的是 Dice loss 和交叉熵 loss 的加和。Dice loss 擅长处理前景背景极度不平衡的问题，比如器官可能只占整个体积的百分之几；交叉熵则能提供更平滑的梯度。两者结合，比单用任何一个都要好。优化器是带 Nesterov 动量的 SGD，学习率采用 poly 策略，也就是从初始值按幂次衰减到接近零。

训练流程采用五折交叉验证，每次训练四个 fold，留一个 fold 做验证。这个设计非常实用，一方面可以评估模型稳定性，另一方面还能为后续的模型集成提供基础。你在推理时可以把五个模型全部用上，对结果做平均集成，往往比单模型提升 1% 到 2% 的 Dice。

3. 新手必看：用 nnU-Net 跑通一个医学分割任务

3.1 环境准备与安装：V2 版本别装错

现在的官方版本是 nnU-Net V2，整体架构比旧版清晰很多，接口也更统一。安装很简单，建议你使用独立的 conda 环境，避免污染系统 Python。创建环境、安装 PyTorch 之后，直接 pip 安装即可。

conda create -n nnunet python=3.9 conda activate nnunet pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install nnunetv2

安装完成后，你需要设置几个环境变量，主要是告诉 nnU-Net 数据存在哪里、训练结果存在哪里。我习惯把它们写进~/.bashrc：

export nnUNet_raw="/path/to/nnUNet_raw" export nnUNet_preprocessed="/path/to/nnUNet_preprocessed" export nnUNet_results="/path/to/nnUNet_results"

这三个目录分别存放原始数据、预处理后的数据、训练结果。如果不设置，后面很多命令都会报错。我把这条规则记在便签上，每次换机器第一件事就是配好这几个变量。

3.2 数据格式整理：从原始图像到 Dataset 目录

nnU-Net 对数据格式要求很严格，但也很好理解。一个数据集需要包含imagesTr（训练图像）、labelsTr（训练标签）、imagesTs（测试图像）和dataset.json（数据集配置文件）。目录结构长这样：

nnUNet_raw/ Dataset001_MyTask/ imagesTr/ labelsTr/ imagesTs/ dataset.json

文件命名上，图像必须有通道后缀，比如case_0000.nii.gz表示第一个通道，如果你有多个模态，则用case_0000.nii.gz、case_0001.nii.gz这样区分。标签文件没有通道后缀，直接叫case.nii.gz，并且要和图像名字的前缀保持一致。

dataset.json里面要写明模态、标签对应关系。我一般用模板改一改，很快就能准备好。下面是一个典型的例子：

{ "channel_names": { "0": "CT" }, "labels": { "background": 0, "liver": 1, "tumor": 2 }, "numTraining": 100, "file_ending": ".nii.gz" }

这里要特别注意：标签里的类别 ID 要和 mask 文件里的像素值一致，背景必须是 0。如果标签里出现未定义的类别，预处理会直接报错。

3.3 预处理和训练命令：一条命令跑到底

数据整理好后，可以开始预处理。这个阶段会做三件事：数据完整性检查、统计数据集属性、生成预处理后的图像和对应的计划文件。

nnUNetv2_plan_and_preprocess -d 1 --verify_dataset_integrity

-d 1是你的数据集 ID，也就是Dataset001后面的1。如果数据没问题，这个命令会跑一段时间，生成nnUNet_preprocessed下的文件夹。接下来就是训练：

nnUNetv2_train 1 3d_fullres 0

这里的参数依次是数据集 ID、配置名、fold 编号。fold 编号取 0 到 4，对应五折交叉验证的五份。如果你显存够大，可以用全部数据训练加验证模型，把 fold 换成all。但为了让之后可以集成预测，我建议至少把五折都跑完。

训练完成后，推理也很直接：

nnUNetv2_predict -i /path/to/input -o /path/to/output -d 1 -c 3d_fullres -f 0

-i是测试图像目录，-o是输出目录。如果之前训练了多个 fold，可以加上-f 0 1 2 3 4，nnU-Net 会自动对多个模型做集成，预测结果会更稳定。

3.4 后处理：去掉多余的小连通域

分割结果出来之后，nnU-Net 推荐你跑一步后处理，主要是把那些明显不符合解剖结构的小孤立区域去掉。它的后处理思路很简单：遍历标签中每个前景类别，尝试去掉小于某个体积阈值的连通域，然后看验证集 Dice 是否提升，如果提升就保留这个操作，否则就不加。

这一步可以手动控制，比如对于器官分割，把阈值设成整个体积的 1% 可能是合理的，但对于散布的小病灶，去掉小连通域反而会坏事。实际操作时，我会先跑默认的后处理，再结合可视化结果微调。nnU-Net 提供了自动生成后处理文件的脚本，但我更习惯人工判断，毕竟医学图像分割最终还是要看具体的临床意义。

4. 常见问题与排查技巧实录

4.1 数据完整性检查失败：八成是命名或标签值问题

很多人第一次跑nnUNetv2_plan_and_preprocess --verify_dataset_integrity就报错。最常见的原因是文件命名不规范，比如图像文件名里忘了加_0000，或者标签文件里存在非 0/1/2 的像素值。建议你写一个简单的脚本，读取所有 nii 文件，打印 shape 和标签类别，先自查一遍再跑预处理。

还有一个很容易忽略的问题：所有图像和标签必须保证相同的方向、间距和空间位置。如果标注是用其他工具画的，很可能和原图的空间对齐没做好，模型训练时会出现奇怪的边界错位。这种情况下预处理不会报错，但训练出的模型效果会很差。

4.2 显存不足：OOM 发生时怎么办

显存不够是跑 3D full resolution 时最高频的问题。不要慌，先降低 batch size，看训练是否报错。如果还不行，再考虑减小 patch size。patch size 变小会降低感受野，但经过 nnU-Net 的自动化搜索，通常还能保持相对不错的效果。

还有一个办法，是直接使用更低内存占用的配置，比如2d或3d_lowres。你先跑一个快速实验验证流程，再争取更大显存的机器跑 full resolution。我个人的经验是，如果数据本身是 3D 且分辨率较高，直接降分辨率到 3d_fullres 能处理的范围，不要图省事直接切 2D，因为 2D 模型会丢失 slice 间的连续性，分割结果容易在层间出现抖动。

4.3 五折结果差异大：怎么分析是数据问题还是训练问题

交叉验证五个 fold 的 Dice 相差超过 5% 时，说明数据集本身存在比较大的分布差异，或者某个 fold 里包含极端病例。你需要去检查那些差异大的 fold 里具体是哪些影像导致失败，是器官形状特殊，还是灰度异常，又或者是标注质量差。

这时候不要急着改网络，先做数据清洗。我遇到过很多次，最终影响结果的就是个别的标注错误。把错误 mask 修正后，重新跑这个 fold，性能普遍能回升不少。如果修正后还是有 fold 偏低，那再考虑是否加入额外的验证集来自动选择最优模型。

4.4 推理结果出现全黑或全白：定位输入和预处理

这个问题的常见原因是测试图像的预处理方式与训练时不一致。nnU-Net 在预测时会自动沿用预处理计划，但如果你自己写了推理脚本，很可能漏掉了归一化或重采样。建议直接用官方的nnUNetv2_predict命令，不要自己手动加载模型做前向传播，少踩很多坑。

如果确认用的官方命令还是全黑，可以检查测试图像文件名和训练数据是否一致，包括通道顺序、spacing 信息。有一个隐藏很深的坑是：有些 nii 文件头里的 spacing 信息是错的，重采样后整个图像会被压扁，分割结果自然不对。用 ITK-SNAP 打开原始图像，确认解剖结构没有形变，这是很必要的检查。

4.5 训练长时间不收敛：关注学习率和损失曲线

nnU-Net 默认的学习率策略和优化器参数在大多数任务上表现稳定，但如果你发现训练损失迟迟不降，需要检查数据增强是否过强。可以尝试关闭部分增强，比如把弹性形变的概率调低。另一个常见原因是类别极度不均衡，某些类别只有几十个像素，单纯靠 Dice loss 很难收敛，这时候可以试试给损失函数加权重，或者先做类别再平衡，但这种做法需要自己修改源码，一般小样本任务默认配置就够用。

我习惯用 TensorBoard 监控训练曲线。如果训练损失下降但验证损失上升，那就要考虑是不是过拟合了，可以增加训练数据、加大增强、或者提前终止。nnU-Net 本身没有内置早停策略，但你可以根据验证集的表现手动停止再继续下一个 fold。

5. nnU-Net 不是终点：什么时候该改进它，以及怎么改进

5.1 边界模糊和拓扑结构破坏时的改进方向

nnU-Net 虽然强，但在某些任务上也有短板。比如对于血管、神经纤维这类具有强拓扑结构的目标，普通像素级分割结果容易出现断裂或孔洞，单纯靠 Dice 指标看不出来，但解剖学上是不可用的。这时候可以考虑在训练时加入拓扑约束损失，保持血管连通性，或者在网络里引入注意力机制，让模型更关注关键分支区域。

但注意，改进之前先把 nnU-Net 默认结果跑出来。很多人一上来就想着改模型，结果 baseline 都没建立，改进效果也没法对比。正确姿势是：用 nnU-Net 做基线，记录它的缺陷，再有针对性地设计模块。

5.2 多模态输入和 3D 大尺度任务的扩展

如果输入包含 CT、MRI、PET 等多模态数据，nnU-Net 天然支持多通道输入，你只需把不同模态按通道后缀排列好，预处理时会自动对齐。但如果模态之间配准不够精确，模型分割结果也会受影响。此时需要考虑先做多模态配准，或者加入形变场感知模块，而不是盲目增加网络容量。

对于超大尺寸的 3D 数据，比如全器官病理切片，patch 会切得很碎，上下文信息不足。nnU-Net 的 cascade 配置有一定帮助，也可以考虑用 slide 级训练加实例分割的思路，把整张切片切成 patch 训练，再在推理时拼接。这个方向已经有不少论文在做了，但你拆开看，底层很多还是 nnU-Net 的模块。

5.3 我的经验：把 nnU-Net 当作学习和对比的工具

从学习和科研的角度看，nnU-Net 有一个非常大的价值：它是一个完美的“对照组”。当你想验证一个新的损失函数、新的注意力模块或新的数据增强方法时，只需要在 nnU-Net 的默认配置上替换掉相应的部分，其他保持一致，就能准确衡量你的改动到底带来了多少提升。这种对比实验的严谨性，在医学图像分割领域特别重要。

我平时做课题时，先在 nnU-Net 上跑一个标准结果，然后在它的基础上做最小改动。这样既能保证复现，又能让我在论文里的对比实验具有很强的说服力。审稿人看到你的 baseline 是 nnU-Net，至少不会质疑你的比较基准太低。

5.4 社区生态和后续资源

nnU-Net 的生态也在飞速扩展，围绕它有很多现成工具：像自动压缩模型、部署到推理引擎的脚本、针对特定器官的预训练模型库等等。你可以把 nnU-Net 当作工具箱，也可以当作教科书。

我的建议是，如果你想深入医学图像分割，一定要把 nnU-Net 的源码读一遍，尤其是预处理和训练流程。它里面没有太多复杂数学，但工程实现极其精炼，读一遍能让你少走很多弯路。

最后再说一点心得

用 nnU-Net 这些年，我最大的感受是：它让我把更多精力放在了数据本身，而不是调参和 debug 网络结构。你会发现，很多项目最终效果不好，根本不是模型不行，而是数据清洗、标注规范、预处理细节没做到位。

如果你现在刚开始接触医学图像分割，我的建议非常简单：先别急着找各种新模型，把这个工具练熟，把一套预处理、训练、验证、推理的闭环跑通，你的水平就已经能超过很多停留在“跑通一个 demo”阶段的人。等你能看清 nnU-Net 在哪些任务上容易失误，你也就真正明白了医学图像分割这行的水有多深，也更有能力去做真正有价值的工作。