1# 1. 建立虛擬環境（推薦使用 uv）
 2uv venv nnunet-env --python 3.11
 3source nnunet-env/bin/activate
 4
 5# 2. 安裝 PyTorch（依硬體選擇，以 CUDA 12.4 為例）
 6uv pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124
 7
 8# 3. 安裝 nnU-Net
 9uv pip install nnunetv2
10
11# 4. 驗證安裝
12python -c "import nnunetv2; print(nnunetv2.__version__)"

1# 加入 ~/.bashrc 或 ~/.zshrc
2export nnUNet_raw="/data/nnUNet/raw"
3export nnUNet_preprocessed="/data/nnUNet/preprocessed"
4export nnUNet_results="/data/nnUNet/results"
5
6# 建立目錄
7mkdir -p $nnUNet_raw $nnUNet_preprocessed $nnUNet_results

 1nnUNet_raw/
 2└── Dataset001_BrainTumour/
 3    ├── dataset.json            # 資料集描述（通道、類別、檔案數）
 4    ├── imagesTr/               # 訓練影像
 5    │   ├── BrainTumour_001_0000.nii.gz   # case_001, modality_0
 6    │   ├── BrainTumour_001_0001.nii.gz   # case_001, modality_1
 7    │   └── ...
 8    ├── labelsTr/               # 訓練標注
 9    │   ├── BrainTumour_001.nii.gz
10    │   └── ...
11    └── imagesTs/               # 測試影像（選填）
12        └── ...

 1{
 2    "channel_names": {
 3        "0": "T1",
 4        "1": "T1ce",
 5        "2": "T2",
 6        "3": "FLAIR"
 7    },
 8    "labels": {
 9        "background": 0,
10        "edema": 1,
11        "non-enhancing_tumor": 2,
12        "enhancing_tumor": 3
13    },
14    "numTraining": 484,
15    "file_ending": ".nii.gz"
16}

 1# ============================================================
 2# 範例：腦腫瘤分割（BraTS 資料集，Dataset ID = 001）
 3# ============================================================
 4
 5# Step 1: 驗證資料集完整性 + 指紋分析 + 實驗規劃 + 前處理
 6#   -d: Dataset ID
 7#   --verify_dataset_integrity: 檢查檔案配對、標注值
 8nnUNetv2_plan_and_preprocess -d 001 --verify_dataset_integrity
 9
10# Step 2: 訓練模型
11#   -d:      Dataset ID
12#   -c:      Configuration（2d / 3d_fullres / 3d_lowres / 3d_cascade_fullres）
13#   -f:      Fold（0-4，或 all 一次跑完 5-fold）
14#   --npz:   同時儲存 softmax 輸出（用於 Ensembling）
15nnUNetv2_train 001 3d_fullres 0 --npz
16
17# Step 3: 找出最佳配置 + 推論
18#   自動比較所有訓練過的 configuration，選出最佳
19nnUNetv2_find_best_configuration 001 -c 2d 3d_fullres 3d_lowres 3d_cascade_fullres
20
21# 使用最佳配置進行推論
22nnUNetv2_predict \
23    -i /path/to/test_images/ \
24    -o /path/to/predictions/ \
25    -d 001 \
26    -c 3d_fullres \
27    -f 0 1 2 3 4 \
28    --save_probabilities

 1"""
 2範例：使用 nnU-Net Python API 對合成影像進行分割驗證
 3適用場景：驗證 GAN / Diffusion 合成的醫學影像品質
 4"""
 5import torch
 6from pathlib import Path
 7from nnunetv2.inference.predict_from_raw_data import nnUNetPredictor
 8
 9# --- 初始化 Predictor ---
10predictor = nnUNetPredictor(
11    tile_step_size=0.5,          # Sliding window 步長（越小越精確但越慢）
12    use_gaussian=True,           # Gaussian weighting for sliding window
13    use_mirroring=True,          # Test-Time Augmentation (TTA; 測試時增強)
14    device=torch.device('cuda', 0),
15    verbose=False,
16    verbose_preprocessing=False,
17    allow_tqdm=True
18)
19
20# --- 載入訓練好的模型 ---
21predictor.initialize_from_trained_model_folder(
22    model_training_output_dir=str(Path.home() / "nnUNet_results/Dataset001_BrainTumour/nnUNetTrainer__nnUNetPlans__3d_fullres"),
23    use_folds=(0, 1, 2, 3, 4),  # 使用全部 5 folds 做 ensemble
24    checkpoint_name='checkpoint_final.pth'
25)
26
27# --- 對合成影像進行推論 ---
28# 輸入：合成影像資料夾（格式需符合 nnU-Net inference 格式）
29# 輸出：分割結果
30predictor.predict_from_files(
31    list_of_lists_or_source_folder="/path/to/synthetic_images/",
32    output_folder_or_list_of_truncated_output_files="/path/to/segmentation_results/",
33    save_probabilities=True,     # 保存 softmax 機率圖
34    overwrite=True,
35    num_processes_preprocessing=4,
36    num_processes_segmentation_export=4,
37)
38
39print("分割完成！可計算 Dice Score 驗證合成影像品質。")

 1"""
 2範例：自訂 Trainer，在訓練時混入合成影像
 3適用場景：將 GAN/Diffusion 合成的影像與真實影像混合訓練
 4"""
 5import numpy as np
 6from nnunetv2.training.nnUNetTrainer.nnUNetTrainer import nnUNetTrainer
 7
 8
 9class nnUNetTrainerWithSyntheticData(nnUNetTrainer):
10    """
11    繼承 nnUNetTrainer，在每個 training step 中
12    以一定機率將 real batch 替換為 synthetic batch。
13
14    使用方式：
15        nnUNetv2_train DATASET_ID CONFIG FOLD \
16            -tr nnUNetTrainerWithSyntheticData
17    """
18
19    def __init__(self, plans, configuration, fold, dataset_json,
20                 unpack_dataset=True, device=None):
21        super().__init__(plans, configuration, fold, dataset_json,
22                         unpack_dataset, device)
23        # 合成資料混入比例（30% 的 batch 改用合成影像）
24        self.synthetic_ratio = 0.3
25        self.synthetic_data_dir = "/path/to/synthetic_training_data/"
26
27    def train_step(self, batch):
28        """
29        覆寫 train_step：以 synthetic_ratio 機率
30        將 batch 資料替換為合成影像
31        """
32        if np.random.rand() < self.synthetic_ratio:
33            # 從合成資料來源載入一批影像
34            batch = self._load_synthetic_batch(batch)
35
36        # 呼叫原始 train_step 進行前向/反向傳播
37        return super().train_step(batch)
38
39    def _load_synthetic_batch(self, original_batch):
40        """
41        載入合成影像並替換 batch 中的資料。
42        實際實作需根據合成影像的儲存格式調整。
43        """
44        # 此處為概念示範——實際需實作合成影像載入邏輯
45        # 保持 batch 結構 (data, target) 不變
46        self.print_to_log_file("Using synthetic batch for this step")
47        return original_batch  # 替換為實際載入邏輯

 1# AIKT Pipeline 整合流程：
 2# 1. paper-search 找到最新合成方法
 3# 2. gh-tutorial-qd 建立合成模型教學
 4# 3. 合成模型產出影像
 5# 4. nnU-Net 驗證合成品質
 6# 5. paper-qa-lite 交叉比對分割指標與文獻
 7
 8# 具體指令範例：
 9# 將合成影像轉為 nnU-Net 格式
10python -c "
11from nnunetv2.dataset_conversion.generate_dataset_json import generate_dataset_json
12generate_dataset_json(
13    output_folder='/data/nnUNet/raw/Dataset100_SyntheticLiver/',
14    channel_names={0: 'CT'},
15    labels={'background': 0, 'liver': 1, 'tumor': 2},
16    num_training_cases=500,
17    file_ending='.nii.gz'
18)
19"

 1✅ 適合使用 nnU-Net 的情況：
 2   - 新資料集需要快速建立強基準線
 3   - 3D 醫學影像（CT / MRI / PET）語意分割
 4   - 驗證合成影像的分割品質
 5   - 挑戰賽或 benchmark 比較
 6   - 需要自動化超參數選擇的團隊
 7
 8❌ 不適合的情況：
 9   - 需要生成合成影像（改用 MONAI GenerativeModels / medigan）
10   - Instance Segmentation（改用 Cellpose / Mask R-CNN）
11   - 即時推論（nnU-Net 推論較慢，改用蒸餾後的輕量模型）
12   - Whole Slide Imaging 原生處理（改用 CLAM + nnU-Net 組合）