nnU-Net: U-Net 기반 의료 이미지 세그멘테이션을 위한 자가 적응 프레임워크

2015년에 U-Net이 소개되었습니다. 그 간단하면서도 성공적인 구조로 인해 U-Net은 의료 이미지 분할에서 일반적으로 사용되는 벤치마크로 빠르게 발전했습니다. 그러나 새로운 문제에 U-Net을 적용하는 과정에서는 정확한 구조, 전처리, 학습 및 추론과 관련하여 여러 가지 자유도가 포함됩니다. 이러한 선택들은 서로 독립적이지 않으며 전체 성능에 상당한 영향을 미칩니다. 본 논문에서는 2D 및 3D 기본 U-Net을 기반으로 한 강건하고 자동으로 적응하는 프레임워크인 nnU-Net('no-new-Net')을 소개합니다. 우리는 많은 네트워크 설계에서 불필요한 요소들을 제거하고, 대신 방법의 성능과 일반화 능력을 결정하는 나머지 측면에 집중해야 한다는 강력한 주장을 제시합니다. 우리는 nnU-Net을 Medical Segmentation Decathlon 챌린지의 맥락에서 평가하였습니다. 이 챌린지는 서로 다른 엔티티, 이미지 모달리티, 이미지 기하학 및 데이터셋 크기를 포함하는 10개의 분야에서 분할 성능을 측정하며, 데이터셋 간에는 수작업 조정이 허용되지 않습니다. 논문 제출 시점에서 nnU-Net은 온라인 리더보드에서 모든 클래스와 일곱 개의 1차 단계 작업(뇌종양의 클래스 1을 제외)에서 가장 높은 평균 다이스 점수를 달성하였습니다.