How it works？
- nnUNet是什么：会自动适应数据集的语义分割框架，主要用在医学。具体来说，包括网络超参、数据预处理等内容，它都会自动根据数据集来决定，训练出一个strong UNet baseline
- 为什么“自动配置”很重要：数据集太多样了，手动配置费劲、易错、难扩展
- 2D/3D；不同模态和通道数；图像尺寸和体素密度（voxel spacing）；各向异性（anisotropy）；类不平衡；目标结构性质（target-structure properties）
- 体素，对应像素，即3D图像的最小信息单元；spacing，我翻译叫密度，实际上比较接近2D图像的dpi（dot-per-inch）概念，也就是单位物理尺寸中的单元数（单位是 个），不过spacing是它的倒数，即一个体素的物理尺寸（单位是 毫米），一般由3个数构成，表示3个轴向的密度。其实spacing这个概念也适用于2D图像，用2个数表示
- 各向异性：spacing在不同轴上数值不同的情况，比如[0.5 0.5 1.0]，此时物理上的正方体在图像上是长方体（1mm x 1mm x 1mm的正方体，占2 x 2 x 1的体素区域，深度方向被压扁了）
- 类不平衡：有类间不平衡和类内不平衡两种，类间很好理解：不同类别的数据量不平衡；类内（下面的内容来自AI，请自行甄别正误）有三种典型情况：子类不平衡、特征空间密度不均、难易样本失衡，例子如下
- 子类不平衡：鸟类可以分很多种具体的鸟，比如麻雀和鹦鹉，它们的数量不平衡
- 特征空间密度不均：因为视角等原因，同一个类的数据在特征空间中形成了多个簇，这些簇的样本数量不平衡，比如人脸图像中正脸和侧脸数量不同（子类不平衡也可能导致这个问题）
- 难易样本失衡：一般情况下是容易判别的样本多，难判别的样本少（但你也可能故意反过来收集或者构造数据）
- 目标结构性质：大概指的是要分割的物体（器官、细胞等）、场景（病变模式等）的结构性质（大小、形状等，甚至还有“物体嵌套在物体里”之类的物体间关系等）
- 应用场景：监督学习的语义分割，尤其适合 从头训练、生物医学数据集 和 非标准成像设置
- 非标准成像设置：简单来说，就是什么稀奇古怪的拍摄方式都无所谓，nnUNet只从实际数据中推断配置，不做过多要求
- 主要配置：根据数据集，nnUNet会产生 2d、3d_fullres、3d_lowres和3d_cascade_fullres 四种网络总体结构和其它相关配置，其中cascade似乎是最少创建的
- 自适应是怎么做到的：nnUNet有三种决策方式，用在不同配置项上
- 固定参数：有稳定的、默认的值，不随数据集而变
- 基于规则的：通过启发式规则根据 数据集指纹 决定取值
- 数据集指纹：一些对于决策比较重要的信息，比如图像尺寸、spacing等。nnU-Net 利用这些信息来确定预处理流程、目标spacing（不同的spacing要统一缩放到某个目标值）、patch尺寸和网络拓扑（比如网络层数等）
- 经验参数：靠经验或观察的结果选值
- 实际发生了什么：总体来说，工作流如下
- 把数据集变成nnUNet的格式
- 提取数据集指纹，创建plans，预处理
- 训练一个或多个配置
- 比较这些配置的结果，决定后处理流程
- 推理
（未完，26/8/5）
