Das U-Net wurde im Jahr 2015 vorgestellt. Dank seiner einfachen und erfolgreichen Architektur entwickelte es sich schnell zu einem weit verbreiteten Benchmark für die Segmentierung medizinischer Bilder. Die Anpassung des U-Net an neue Probleme umfasst jedoch mehrere Freiheitsgrade hinsichtlich der genauen Architektur, der Vorverarbeitung, des Trainings und der Inferenz. Diese Entscheidungen sind nicht voneinander unabhängig und beeinflussen erheblich die Gesamtleistung. In dieser Arbeit wird das nnU-Net („no-new-Net“) eingeführt, das sich auf eine robuste und selbstanpassende Framework-Basis von 2D- und 3D-U-Nets stützt. Wir argumentieren dafür, überflüssige Zusatzfunktionen vieler vorgeschlagener Netzwerkdesigns zu eliminieren und stattdessen den Fokus auf die verbleibenden Aspekte zu legen, die die Leistungsfähigkeit und Verallgemeinerbarkeit einer Methode bestimmen. Wir evaluieren das nnU-Net im Rahmen der Medical Segmentation Decathlon Challenge, die die Segmentierungsaufgaben in zehn Disziplinen misst, welche unterschiedliche Entitäten, Bildmodalitäten, Bildgeometrien und Datensatzgrößen umfassen, wobei keine manuellen Anpassungen zwischen den Datensätzen zugelassen sind. Zum Zeitpunkt der Manuskripteinreichung erreicht das nnU-Net die höchsten durchschnittlichen Dice-Koeffizienten in allen Klassen und sieben Phase-1-Aufgaben (außer Klasse 1 bei BrainTumour) im Online-Leaderboard der Challenge.