我们可以利用train.csv文件信息， 再结合给定的文件路径（path）信息，可以将给定字目录下的图片名信息整合到scv文件当中。

 

为了便于直观的看到2D标签，通常会将其转化为png图像，具体代码如下

具体代码，请看的的github

使用nnUNet跑BraTS脑肿瘤分割预测TC和ET非常低，原来是预测的时候，使用了预处理后的标签。原本标签是2WT,1TC,4ET。但是预处理之后变为1WT,2TC,3ET。所以我们对于最后预测完需要变回原来的标签值。nnUNet需要改动代码位置nnunet/inference/segmentation_export.py。代码只写了我如何修改的。

在使用nnUnet做BraTS2019数据集预测时，预测文件分别生成了三类文件.pkl .npz .nii.gz，我们需要的是.nii.gz文件。所以需要进行文件移动。

在进行深度学习时，为了提高精度，或者为了评估我们模型的优劣，以及如何选择一个更好的模型。这样我们就需要用到交叉验证方法。

对于小数据量医学图像进行深度学习使，会由于数据量过小而过拟合。因此我们需要采用数据扩充方法，而flip和rotate又是经常用到的，这里做一个简单的实现。