nnUnet

Crop:裁剪去除图片的0区域，使用非0区域作为训练数据，对MRI数据能够显著降低其大小。

Resample:CNN无法理解体素间距的概念，重采样使得数据集体素间距一致（使像素间所对应的真实的物理距离一致）。

注：在医学图像中要关注图像的物理距离，这关系到器官的大小。

Patch-Training:对不同的图像裁剪固定的大小，组成一个batch进行训练（用于解决在统一体素间距后，出现的数据分辨率不一致的问题）。

Sampling：为了防止Patch中的数据全部是背景，保证batch中的数据有1/3包含前景。

nnUnet在训练集上使用五折交叉验证进行评估

nnUnet与Unet的结构类似，但nnUnet会根据数据集自适应调整网络结构。

Cascade-Unet:使用patch-training，不完整的图片导致感受野受限，为了解决该问题，设计出Cascade-Unet。

Cascade-Unet的两个阶段：

1.对输入图片下采样，使用下采样的图片得到粗糙的分割结果

2.将第一阶段的分割结果上采样，然后与原图concat，使用patch训练

nnUnet：先统一体素间距，然后根据数据集计算网络的输入分辨率并确定网络的结构及参数。

保留最大连通区域

上图：蓝色（前景）、黄色（预测的结果）

出现的问题：第一次处理使的模型的性能下降，第二次处理使得模型的性能提高。

解决方法：在训练过程中，分别对使用后处理和不使用后处理得到两个精度，然后通过对比结果，决定是否使用后处理。