nnUNet

nnUNet是一个用于医学图像分割的数据集格式，包含了多个不同的医学图像数据集，如腹部MR、腹部CT等。

nnUNet is a dataset format for medical image segmentation, which includes multiple distinct medical imaging datasets such as abdominal MRI and abdominal CT.

原始信息汇总

nnUZoo 数据集概述

概述

nnUZoo是一个基于nnUNet的开源基准测试框架，专注于医学图像分割领域。该框架整合了多种深度学习架构，包括CNN、Transformer和基于Mamba的模型，旨在为不同医学图像分割任务提供公平的性能比较。

关键特性

• 包含多种深度学习架构：CNN、Transformer、Mamba
• 提出五种新架构（X2Net系列）：UNETR2Net、SwT2Net、SS2D2Net、Alt1DM2Net、MambaND2Net
• 在六种医学图像数据集上进行评估：显微镜、超声、CT、MRI、PET
• 评估指标：Dice分数和计算效率

数据集评估结果

模型	显微镜	CAMUS	ACDC	AbdomenMR	AbdomenCT	PET
nnUNet	0.69	0.92	0.92	0.74	0.78	0.73
UNETR	0.72	0.89	0.89	0.56	0.47	0.50
SwinUMamba	0.70	0.92	0.90	0.73	0.78	0.71
SS2D2Net	0.71	0.92	0.92	0.74	0.80	0.72

系统要求

硬件要求

• 训练：
  • 最小RAM：24GB
  • 最小CPU：8核
  • GPU：24GB VRAM（如Nvidia-4090、A6000、A100等）
• 推理：
  • 最小RAM：8GB
  • 最小CPU：4核

软件要求

• 操作系统：Ubuntu 22.04/24.04、Pop!_OS 22.04
• 依赖库：CUDA、Mamba

安装指南

1. 安装CUDA和Mamba
2. 安装依赖库： commandline pip install -r requirements.txt pip install ./nnUNet

训练与测试

• 训练命令： commandline python train.py --device 1 --dataset_name Dataset030_AbdomenMR --tr nnUNetTrainerM2NetP --model 2d --num_epochs 250

• 测试命令： commandline python run_test.py --dataset_name Dataset030_AbdomenMR --device 1 --model_name M2Net

许可证

• Apache License 2.0

引用

commandline @article{kazaj2025claims, author = {Pooya Mohammadi Kazaj and Giovanni Baj and Yazdan Salimi and Anselm W. Stark and Waldo Valenzuela and George C. M. Siontis and Habib Zaidi and Mauricio Reyes and Christoph Graeni and Isaac Shiri}, title = {From Claims to Evidence: A Unified Framework and Critical Analysis of CNN vs. Transformer vs. Mamba in Medical Image Segmentation}, journal = {arXiv preprint}, volume = {2503.01306}, year = {2025}, archivePrefix = {arXiv}, primaryClass = {eess.IV}, doi = {10.48550/arXiv.2503.01306}, url = {https://arxiv.org/abs/2503.01306} }

搜集汇总

数据集介绍

构建方式

nnUNet数据集的构建方式旨在针对医学图像分割任务，提供一种统一且高效的框架。数据集包含多种医学图像模态，如MRI、CT、PET等，每种模态均包含训练和测试数据。数据被组织为特定的目录结构，并要求使用nnunetv2格式以便于模型的训练和测试。

特点

nnUNet数据集的特点在于其多样性和广泛性，涵盖了多种不同的医学图像应用场景。该数据集不仅包含了丰富的图像数据，还提供了相应的标签，用于监督学习。此外，数据集的构建考虑了不同的性能指标，如Dice分数，以评估模型在各项任务中的表现。

使用方法

使用nnUNet数据集首先需要满足一定的硬件和软件要求，包括具备足够能力的CPU、GPU以及兼容的操作系统。安装过程涉及CUDA和Mamba的安装，之后通过pip命令安装所需的库。数据集的使用包括训练和测试两个阶段，每个阶段都有相应的脚本和命令行参数进行操作。

背景与挑战

背景概述

nnUNet数据集，作为医学图像分割领域的一个重要资源，由Pooya Mohammadi Kazaj等研究人员于2025年提出。该数据集旨在通过统一的框架，对卷积神经网络（CNN）、Transformer和Mamba在医学图像分割中的性能进行批判性分析。nnUNet的创建，不仅整合了多种医学图像数据，而且针对不同模态和器官提供了优化的模型训练方案，对相关领域的研究产生了显著影响。

当前挑战

nnUNet数据集在构建过程中遇到的挑战主要包括：多样化的医学图像模态和复杂的组织结构，这要求数据集在模型训练时能够适应不同的分割任务；同时，数据集的规模和多样性也给数据标注和质量控制带来了挑战。在研究领域问题上，nnUNet所面临的挑战是如何在保持高精度的同时，提高模型在不同数据集上的泛化能力和计算效率。

常用场景

经典使用场景

nnUNet数据集在医学图像分割领域具有重要的应用价值，其经典使用场景主要在于为卷积神经网络、Transformer以及Mamba等模型提供高质量的训练和测试数据，以促进医学图像分割技术的进步。

衍生相关工作

基于nnUNet数据集，学术界衍生了多项相关工作，如nnUNet的改进版本、针对特定疾病的分割模型等，这些工作进一步推动了医学图像分割技术的发展，拓展了nnUNet数据集的应用范围。

数据集最近研究

最新研究方向

nnUNet数据集作为医学图像分割领域的重要资源，近期研究方向主要集中于深度学习模型在医学图像处理中的应用，尤其是CNN与Transformer的对比研究以及Mamba模型的引入。研究者们在nnUNet的基础上，通过不同模型的训练与测试，探索了CNN与Transformer在分割精度、计算效率和适用性方面的差异，同时，Mamba模型的加入为医学图像分割带来了新的视角。该数据集上的研究不仅提升了医学图像分割的准确度，也为临床诊断和治疗提供了有力的技术支持。