用 nnU-Net 跑通脑 MRI 分割
从数据下载到 AI 推理 · 全流程
在没有 GPU 的 CPU 机器上，跑通 nnU-Net 自动流水线（260 个海马 MRI 病例）和它的衍生工具 HD-BET（脑提取）。本页是整个过程的可视化记录。
01关键数字
02nnU-Net 是什么
nnU-Net 是德国癌症研究中心 (DKFZ) 发的"医学图像分割框架"，发表在 Nature Methods 2021。它跟一般 U-Net 项目最大的不同是：不需要人调参——丢一个数据集进去，它会自动：
原始 MRI 数据
NIfTI 格式的 3D 体素 + 标注掩膜，按规定目录结构组织
Dataset Fingerprint
统计每个病例的 shape / spacing / 强度分布，得到数据指纹
训练 Plan
基于规则推导 patch size / batch / 归一化 / 网络深度，零 ML 调参
这是它的核心创新——本质上是医学图像分割界的 "rule-based AutoML"。
03实际跑通的 Plan 长什么样
把 MSD Task04 Hippocampus 喂进去，37 秒后它生成了下面这套 Plan：
nnUNetPlans.json）{
"dataset_name": "Dataset004_Hippocampus",
"experiment_planner_used": "ExperimentPlanner",
"configurations.2d": {
"patch_size": [56, 40],
"batch_size": 366,
"normalization": "ZScoreNormalization",
"network": "PlainConvUNet",
"features_per_stage": [32, 64, 128, 256]
}
}
04数据集长什么样
MSD Task04 是公开 benchmark 中最小的一个（27 MB / 260 训练 + 130 测试），分割任务是把海马分成 前部 和 后部 两个区域。下面是病例 001 的真值标注：
05真 AI 推理：HD-BET 脑提取
nnU-Net 自己不带预训练权重；但同团队基于它做的 HD-BET 是个开箱即用的工具，专门干"把头骨/头皮/眼球等非脑组织从 MRI 里抠掉"——医学影像处理的第一步。
用 ICBM152 标准脑模板（一张真的 T1 脑 MRI）测试，CPU 模式 3-5 分钟出结果：
06两个工具对比
训练框架
- 需要带标注数据集
- 需要 GPU 训练（10 GB+ 显存）
- 能做任意分割任务（你定义类别）
- 本次只跑了 预处理，没真训练
- 核心价值：自动配置 → 公平基线
开箱即用推理
- 基于 nnU-Net 已训好的预训练权重
- 支持 CPU 推理（虽然慢）
- 只做脑提取这一件事
- 本次跑出了真分割结果 ✓
- 核心价值：临床/科研流程的第一步
07体验感受
核心洞察
nnU-Net 的"自动配置"确实漂亮——37 秒完成数据指纹 + 训练计划，比 Kaggle 上手撸超参的工作量小一个数量级。HD-BET 这种衍生工具更是即插即用。如果你想用在自己的数据上：
1. 有 GPU + 已标注数据 → 走完整 nnU-Net 训练（nnUNetv2_train 4 2d 0）
2. 想分割脑结构 → 用 FreeSurfer / FastSurfer，比 nnU-Net 更合适
3. 想分割脑肿瘤 → 用 BraTS 预训练权重 + nnU-Net 推理
4. 只想脑提取 → HD-BET 已经够好用了