文章地址：nnU-Net: Breaking the Spell on Successful Medical Image Segmentation
代码：code
概述
针对的问题：
- 许多提出的语义分割方法未能在它们被证明的实验之外进行推广。
贡献：
- 作者提出了一个自动适应任何给定新数据集的框架。
作者在本文中提出了no-new-Net（nnU-Net），一种包含自动适应新数据集的形式的分割方法。基于对数据集的自动分析，nnU-Net自动设计并执行网络培训管道。
模型
三个U-net模型是相互独立配置，设计和训练的：2D U-Net，3D U-Net和两个3D U-Net模型的级联，其中第一个以低分辨率生成分段，随后是由第二个模型重新定义。对原始U-Net架构唯一值得注意的改变是使用填充卷积来实现相同的输出和输入形状，实例归一化和Leaky ReLU而不是ReLU。网络超参数。根据预处理训练数据的形状，调整U-Nets的具体实例。
结果
nnU-Net在六个公开可用的细分挑战中达到了最先进的性能，挑战概述如图所示：