大数据最新一文实现nnUNet v2 分割肾脏肿瘤数据集KiTS19_kits19数据集(1)

            os.mkdir(os.path.join("/", *splits[:i + 1]))
        except FileExistsError:
            # this can sometimes happen when two jobs try to create the same directory at the same time,
            # especially on network drives.
            print("WARNING: Folder %s already existed and does not need to be created" % directory)

def subdirs(folder, join=True, prefix=None, suffix=None, sort=True):
if join:
l = os.path.join
else:
l = lambda x, y: y
res = [l(folder, i) for i in os.listdir(folder) if os.path.isdir(os.path.join(folder, i))
and (prefix is None or i.startswith(prefix))
and (suffix is None or i.endswith(suffix))]
if sort:
res.sort()
return res

base = “/root/data/wt/data/KiTS19/origin” # 原始数据集路径
out = “/root/data/wt/nnUNet/dataset/nnUNet_raw/Dataset040_KiTS” # 结构化数据集目录
cases = subdirs(base, join=False)

maybe_mkdir_p(out)
maybe_mkdir_p(os.path.join(out, “imagesTr”))
maybe_mkdir_p(os.path.join(out, “imagesTs”))
maybe_mkdir_p(os.path.join(out, “labelsTr”))

for c in cases:
case_id = int(c.split(“_”)[-1])
if case_id < 210:
shutil.copy(os.path.join(base, c, “imaging.nii.gz”), os.path.join(out, “imagesTr”, c + “_0000.nii.gz”))
shutil.copy(os.path.join(base, c, “segmentation.nii.gz”), os.path.join(out, “labelsTr”, c + “.nii.gz”))
else:
shutil.copy(os.path.join(base, c, “imaging.nii.gz”), os.path.join(out, “imagesTs”, c + “_0000.nii.gz”))

json_dict = {}
“”"
name: 数据集名字
dexcription: 对数据集的描述
modality: 模态，0表示CT数据，1表示MR数据。nnU-Net会根据不同模态进行不同的预处理（nnunet-v2版本改为channel_names）
labels: label中，不同的数值代表的类别(v1版本和v2版本的键值对刚好是反过来的)
file_ending: nnunet v2新加的
numTraining: 训练集数量
numTest: 测试集数量
training: 训练集的image 和 label 地址对
test: 只包含测试集的image. 这里跟Training不一样
“”"
json_dict[‘name’] = “KiTS”
json_dict[‘description’] = “kidney and kidney tumor segmentation”
json_dict[‘tensorImageSize’] = “4D”
json_dict[‘reference’] = “KiTS data for nnunet”
json_dict[‘licence’] = “”
json_dict[‘release’] = “0.0”

json_dict[‘channel_names’] = {
“0”: “CT”,
}
json_dict[‘labels’] = {
“background”: “0”,
“Kidney”: “1”,
“Tumor”: “2”
}
json_dict[‘numTraining’] = len(cases) # 应该是210例
json_dict[‘file_ending’] = “.nii.gz”
json_dict[‘numTest’] = 0
json_dict[‘training’] = [{‘image’: “./imagesTr/%s.nii.gz” % i, “label”: “./labelsTr/%s.nii.gz” % i} for i in cases]
#json_dict[‘test’] = []
save_json(json_dict, os.path.join(out, “dataset.json”))

     结构化处理的结果是在nnUNet\_raw/Dataset040\_KiTS文件下，生成四个文件。
![]()
    
    
     分别是，训练数据（应该是210条），测试数据（90），训练标签(210)，数据说明。
![]()
![]()
![]()
![]()
    
    
    
    ## 3、设置数据路径
    
    
    命令行，确保在nnunet激活环境下，输入vim ~/.bashrc，然后点击键盘insert开始插入，在bashrc文末，添加如下三行代码。然后按Esc键，输入：wq，就可以保存退出。

vim ~/.bashrc

‘’’
说明，这里是路径是你自己的路径，就是上一步创建的三个文件夹的路径（这部分说明不需要写进去，只需要以下三行代码）
‘’’
export nnUNet_raw=“/root/data/wt/nnUNet/dataset/nnUNet_raw”
export nnUNet_preprocessed=“/root/data/wt/nnUNet/dataset/nnUNet_preprocessed”
export nnUNet_results=“/root/data/wt/nnUNet/dataset/nnUNet_trained_models”

![]()
    
    
     然后命令行输入source ~/.bashrc，确保激活路径。

source ~/.bashrc

    **重点：**然后分别键入三个echo $nnUNet\_results，验证是否可以识别。不能识别，后续无法进行数据预处理。
![]()
    
    
     最好三个都验证一下，避免后续出现问题。
    
    
    ## 4、数据集预处理
    
    
    输入下面这行命令：

nnUNetv2_plan_and_preprocess -d 040 --verify_dataset_integrity

    新旧版本不同，有的此处为t，有的为d，新版本应该用d，用t会发现显示没有此命令。
    
    
    040表示KiTS分割任务在nnunet中，为第40个任务，代号040。
    
    
    注意：可能会出现如下错误，不识别背景标签0。原因是v1和v2版本不同，dataset.json文件做出了改动。具体解决办法，见我的另一篇博客[RuntimeError: Background label not declared (remeber that this should be label 0!)\_路人八荒的博客-博客]()_路人八荒的博客-博客")
![img]()
![img]()
![img]()
    
    **既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！** **由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新** **[需要这份系统化资料的朋友，可以戳这里获取]()**
    
    阶课程，涵盖了95%以上大数据知识点，真正体系化！** **由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新** **[需要这份系统化资料的朋友，可以戳这里获取]()**