nnU-Net 推理详解：使用训练好的模型进行图像分割

此教程供学员参考！

在学习这部分前，请确保已经完成了以下任务：

1. nnU-Net v2 环境已配置：请参考nnUNet安装部分
2. 数据整理成 nnUNet v2 标准格式：请参考nnUNet数据准备部分
3. 数据预处理：请确认已经运行nnUNetv2_plan_and_preprocess命令，参考nnUNet预处理部分
4. 模型训练：请确认已经运行nnUNetv2_train命令，并完成模型训练，得到最终的checkpoint_latest.pth模型文件。

在完成 nnU-Net 模型训练（model training）之后，真正决定模型能否投入实际应用的关键步骤，就是推理（inference）。

所谓推理，也称为预测，是指使用已经训练好的模型对新的图像数据进行预测（prediction），并输出对应的分割结果。

在推理中，我们还可以加一个测试环节，测试（test）是指在测试集上做推理，并进一步计算评价指标，比如 Dice、IoU、HD95 等，用来验证模型性能（performance）。

总结：只要后续用训练好的模型对新数据进行分割，这个过程就叫推理。但我们还关心在新数据上的分割能力怎么样，要用指标来评价，这个过程就叫测试。测试是需要有测试集（数据和标签的）。

对新数据进行推理

之前，你已经体会过，nnU-Net的任何处理都只需要一行命令即可完成。推理也是一样的。

nnUNetv2_predict -i INPUT_FOLDER -o OUTPUT_FOLDER -d DATASET_NAME_OR_ID -c CONFIGURATION -f fold

参数解析：

• i：待预测图像文件夹(需要经过标准化处理)
• o：输出分割结果文件夹(保存分割结果地址)
• d：数据集 ID 或数据集名
• c：你训练时使用的配置，比如 2d、3d_fullres、3d_lowres、3d_cascade_fullres
• f：如果只训练了一折，需要填写fold是哪一折，比如我们训练的是fold 0，就填0。 如果5折都训练了，可以不写这个参数，默认将使用交叉验证的全部 5 个折叠数据作为一个集成模型进行

比如，我们的实验数据waw-tace，之前存放在nnUNet_raw\Dataset111_wawtace,为了推理，我将训练数据复制了几个到imagesTs，并且新创建了一个文件夹labelsTs用于放推理后的结果。

根据这个数据情况，我们使用下面命令

 nnUNetv2_predict -i 'D:\nnunet\nnUNet_raw\Dataset111_wawtace\imagesTs' -o 'D:\nnunet\nnUNet_raw\Dataset111_wawtace\labelsTs' -d 111 -c 3d_fullres -f 0

这里，输入图像路径和输出我都给了绝对路径。

注意：运行命令前一定要先激活环境conda activate nnunet

运行之后可以打开slicer加载图像和分割结果，进行手动检查分割质量。

命令版本的优势是可以批量得到分割结果，如果你的目的是做单一数据分割，还要进行人工修改。可以参考在slicer 端进行nnunet推理相关的教程。我们就可以可视化的进行这一步。

当然，要想得到论文中的各种测试指标，比如Dice值等，期待后面的教程。

以上我讲的用法很简单，如果有更复杂的情况要面对，那就要看看这个命令的其他参数了

推理高级参数解析

我帮你把这段 完整翻译成中文（保持原有结构和格式）：

用法: nnUNetv2_predict [-h] -i I -o O -d D [-p P] [-tr TR] -c C [-f F [F ...]] [-step_size STEP_SIZE] [--disable_tta] [--verbose]
                        [--save_probabilities] [--continue_prediction] [-chk CHK] [-npp NPP] [-nps NPS]
                        [-prev_stage_predictions PREV_STAGE_PREDICTIONS] [-num_parts NUM_PARTS] [-part_id PART_ID] [-device DEVICE]
                        [--disable_progress_bar]

用于使用 nnU-Net 进行推理。当你希望手动指定包含已训练 nnU-Net 模型的文件夹时使用此函数。
当 nnunet 环境变量（nnUNet_results）未设置时，这非常有用。

参数说明:
  -h, --help            显示帮助信息并退出
  -i I                  输入文件夹。请确保文件的通道编号正确（如 _0000 等）。
                        文件后缀必须与训练数据集一致！
  -o O                  输出文件夹。如果不存在将自动创建。
                        预测分割结果将与输入图像同名。
  -d D                  要用于预测的数据集。可以指定数据集名称或 ID
  -p P                  Plans 标识符。指定所需配置所在的 plans。默认: nnUNetPlans
  -tr TR                使用的 nnU-Net 训练器类。默认: nnUNetTrainer
  -c C                  用于预测的 nnU-Net 配置。该配置必须存在于 -p 指定的 plans 中
  -f F [F ...]          指定用于预测的模型折数（fold）。默认: (0, 1, 2, 3, 4)
  -step_size STEP_SIZE  滑动窗口预测的步长。越大越快但精度降低。
                        默认: 0.5。不能大于 1。推荐使用默认值。
  --disable_tta         禁用测试时数据增强（镜像）。更快但精度更低，不推荐。
  --verbose             开启详细输出（程序会“多说话”）。
  --save_probabilities  保存预测的类别“概率”。用于多配置集成时必须开启。
  --continue_prediction
                        继续之前中断的预测（不会覆盖已有文件）
  -chk CHK              使用的 checkpoint 名称。默认: checkpoint_final.pth
  -npp NPP              预处理使用的进程数。并非越多越好，注意内存不足问题。默认: 3
  -nps NPS              分割导出使用的进程数。并非越多越好，注意内存不足问题。
                        默认: 3
  -prev_stage_predictions PREV_STAGE_PREDICTIONS
                        上一阶段预测结果所在文件夹。级联模型需要此参数。
  -num_parts NUM_PARTS  将运行多少个独立的 nnUNetv2_predict 调用。默认: 1（一次完成全部预测）
  -part_id PART_ID      当前是第几个任务。ID 从 0 开始，到 num_parts - 1。
                        例如提交 5 个任务，则 -num_parts 5，并设置 -part_id 为 0~4。
                        注意：需要你自己确保它们运行在不同 GPU 上！
                        使用 CUDA_VISIBLE_DEVICES 控制。
  -device DEVICE        设置推理设备。可选 'cuda'（GPU）、'cpu'、'mps'（Apple 芯片）。
                        ⚠️ 不要用它来指定 GPU 编号！请使用 CUDA_VISIBLE_DEVICES=X
  --disable_progress_bar
                        禁用进度条。推荐在 HPC（非交互环境）中使用

举例说明

• 使用保存的最佳模型分割

 nnUNetv2_predict -i 'D:\nnunet\nnUNet_raw\Dataset111_wawtace\imagesTs' -o 'D:\nnunet\nnUNet_raw\Dataset111_wawtace\labelsTs' -d 111 -c 3d_fullres -f 0 -chk checkpoint_best.pth

这里，比基础命令多加了一个chk参数，如果不指定chk参数，默认使用checkpoint_final.pth训练结束后保存的最终模型进行预测，这是 nnUNet的常用方法，但你也可以试试最佳模型的效果。

• 多个 folds 集成预测

nnUNetv2_predict -i 'D:\nnunet\nnUNet_raw\Dataset111_wawtace\imagesTs' -o 'D:\nnunet\nnUNet_raw\Dataset111_wawtace\labelsTs' -d 111 -c 3d_fullres -f 0 1 2 3 4

-f控制集成的数量，想集成几个就集成几个

• 开启详细输出模式 想要终端输出更多内容，添加--verbose参数

nnUNetv2_predict -i 'D:\nnunet\nnUNet_raw\Dataset111_wawtace\imagesTs' -o 'D:\nnunet\nnUNet_raw\Dataset111_wawtace\labelsTs' -d 111 -c 3d_fullres -f 0 --verbose

如果你有更多需求，请仔细阅读使用说明

使用 nnU-Net 时请引用以下论文：

Isensee, F., Jaeger, P. F., Kohl, S. A., Petersen, J., & Maier-Hein, K. H. (2021). nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nature methods, 18(2), 203-211.