nnU-Net: U-Netに基づく医療画像セグメンテーションの自己適応フレームワーク

2015年にU-Netが発表されました。その単純で成功したアーキテクチャにより、医療画像セグメンテーションの分野で一般的なベンチマークへと急速に進化しました。しかし、U-Netを新しい問題に適応させる際には、具体的なアーキテクチャ、前処理、学習、推論に関するいくつかの自由度が含まれています。これらの選択肢は互いに独立しておらず、全体的な性能に大きく影響を与えます。本稿ではnnU-Net（「no-new-Net」）を紹介します。これは2Dおよび3DのシンプルなU-Netを基盤とする堅牢かつ自己適応型フレームワークです。我々は多くの提案されたネットワーク設計における不要な装飾を取り除き、代わりに方法の性能と汎化能力を決定する残りの側面に焦点を当てるべきであると主張します。我々はnnU-NetをMedical Segmentation Decathlonチャレンジの文脈で評価しました。このチャレンジは10つの異なる学科（それぞれ固有のエンティティ、画像モダリティ、画像幾何学、データセットサイズ）におけるセグメンテーション性能を測定し、データセット間での手動調整は許可されていません。原著投稿時点において、nnU-Netはオンラインリーダーボード上で全クラスおよび7つのフェーズ1タスク（BrainTumourのクラス1を除く）で最高の平均ダイス係数を達成しています。