摘要

U-Net 于 2015 年被提出。凭借其简洁且成功的架构，它迅速成为医学图像分割领域的常用基准模型。然而，将 U-Net 适应于新问题时，在具体架构、预处理、训练和推理方面存在多个自由度。这些选择彼此并不独立，并且对整体性能有显著影响。本文介绍了 nnU-Net（“no-new-Net”），这是一种基于 2D 和 3D 原始 U-Net 的稳健且自适应的框架。我们认为，许多提出的网络设计中去除多余的复杂组件是非常重要的，而应重点关注那些决定方法性能和泛化能力的剩余方面。我们在 Medical Segmentation Decathlon 挑战赛的背景下评估了 nnU-Net，该挑战赛在十个不同的学科中测量分割性能，涉及不同的实体、图像模态、图像几何和数据集大小，并且不允许在不同数据集之间进行手动调整。截至论文提交时，nnU-Net 在挑战赛的在线排行榜上，在所有类别和七个第一阶段任务中（除 BrainTumour 类别 1 外）实现了最高的平均 Dice 系数。