Lifelong-nnUNet

让医学分割模型持续学习不遗忘，多数据集顺序训练不掉点

Lifelong-nnUNet 是一个基于 nnU-Net 的医学图像分割框架，专门解决传统分割模型在持续学习场景中的灾难性遗忘问题。它允许模型在多个医学影像数据集上顺序训练，而无需重新访问旧数据，同时保持对新旧任务的性能。核心能力包括：支持多种持续学习策略（如弹性权重巩固、知识蒸馏等）、提供统一的训练和评估接口、兼容 nnU-Net 的预处理和后处理流程。通过该框架，研究者可以方便地实验和比较不同持续学习方法在医学分割任务上的效果，推动医学影像模型在动态数据环境下的实用化部署。

开源 free 计算机视觉

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 163

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类计算机视觉

开发团队MECLabTUDA

所属国家

官网地址

GitHubhttps://github.com/MECLabTUDA/Lifelong-nnUNet

定价模式free

价格说明开源项目，免费使用

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型continual-learning,image-segmentation,lifelong-learning,medical-image-segmentation,medical-imaging,nnunet,pytorch

GitHub 星标★ 163

30天Star增速

HF 下载量

上线时间2021-07-08 00:00:00

最近更新2026-09-21 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-12

浏览次数7

使用教程

核心亮点

直接基于 nnU-Net 构建，无缝继承其强大的预处理和训练管线
内置多种持续学习算法，开箱即用，便于对比实验
针对医学影像场景优化，解决临床数据流式更新的实际需求

不足之处

项目处于早期阶段，文档和社区支持尚不完善
仅支持 PyTorch，未覆盖 TensorFlow 等其他主流框架

适用场景

医院影像科需要定期用新数据更新分割模型而避免旧任务性能下降
多中心医学研究项目需在多个数据集上顺序训练统一模型
学术研究比较不同持续学习策略在医学分割上的效果

替代项目

nnU-Net、Continual-Medical-Seg、Lifelong-Diffusion

项目介绍

Lifelong-nnUNet 是计算机视觉领域的开源项目，由 MECLabTUDA 开发，2021 年首次发布。

它收录于计算机视觉分类，该分类目前共有 447 个项目，GitHub 星标数为 163。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-21。免费使用。

它主要面向的使用场景是：医院影像科需要定期用新数据更新分割模型而避免旧任务性能下降。同类可对比的替代方案包括 nnU-Net、Continual-Medical-Seg、Lifelong-Diffusion。

上一篇：MuscleMap

下一篇：pdf-craft