Le U-Net a été présenté en 2015. Grâce à son architecture simple et réussie, il est rapidement devenu une référence couramment utilisée dans le domaine du segmention d'images médicales. Cependant, l'adaptation du U-Net à de nouveaux problèmes comporte plusieurs degrés de liberté concernant l'architecture exacte, le prétraitement, l'entraînement et l'inférence. Ces choix ne sont pas indépendants les uns des autres et ont un impact considérable sur les performances globales. Le présent article introduit le nnU-Net (« no-new-Net »), qui se réfère à un cadre robuste et s'adaptant automatiquement basé sur des U-Nets 2D et 3D standards. Nous soutenons que la suppression des éléments superflus de nombreuses architectures de réseau proposées est justifiée et qu'il faut plutôt se concentrer sur les aspects restants qui déterminent les performances et la généralisation d'une méthode. Nous évaluons le nnU-Net dans le cadre du défi Medical Segmentation Decathlon, qui mesure les performances de segmentation dans dix disciplines couvrant des entités distinctes, des modalités d'imagerie, des géométries d'image et des tailles de jeux de données différentes, sans permettre d'ajustements manuels entre les jeux de données. Au moment de la soumission du manuscrit, le nnU-Net obtient les meilleurs scores moyens de Dice pour toutes les classes et sept tâches de la phase 1 (à l'exception de la classe 1 pour BrainTumour) sur le tableau des scores en ligne du défi.Note : - "Segmention" a été corrigé en "segmentation" pour respecter la terminologie correcte en français.- "BrainTumour" a été conservé tel quel car il s'agit probablement d'un nom spécifique utilisé dans le contexte du défi Medical Segmentation Decathlon.