تم تقديم U-Net في عام 2015. بفضل هيكلها البسيط والناجح، أصبحت سريعاً معياراً شائعاً في تقسيم الصور الطبية. ومع ذلك، فإن تكييف U-Net لمشاكل جديدة يشمل عدة درجات من الحرية فيما يتعلق بالهيكل الدقيق، ومعالجة البيانات قبل التدريب، والتدريب والاستدلال. هذه الخيارات ليست مستقلة عن بعضها البعض وتؤثر بشكل كبير على الأداء العام. يقدم هذا البحث nnU-Net ("no-new-Net")، وهو إطار قوي وذاتي التكيف يستند إلى U-Nets ثنائية وثلاثية الأبعاد بنسختها الأساسية (vanilla). نؤكد على أهمية إزالة العناصر الزائدة في العديد من تصاميم الشبكات المقترحة والتركيز بدلاً من ذلك على الجوانب المتبقية التي تحدد أداء وأمكانية تعميم طريقة ما. نقيم nnU-Net في سياق تحدي Medical Segmentation Decathlon، الذي يقيس أداء التقسيم في عشرة مجالات تتضمن كيانات مختلفة، وأنواع صور متعددة (image modalities)، وهندسات الصور، وأحجام المجموعات البيانات، مع عدم السماح بأي تعديلات يدوية بين المجموعات البيانات. عند تقديم المسودة، حققت nnU-Net أعلى المتوسطات لدرجات dice عبر جميع الفئات والمهمات السبع في المرحلة الأولى من التحدي (باستثناء الفئة 1 في BrainTumour) في قائمة القيادة عبر الإنترنت للتحدي.