主要观点总结
nnU-Net是一种基于深度学习的自动化分割方法，用于生物医学图像。它通过系统化配置过程，包括预处理、网络架构、训练和后处理，适应任何新任务。该方法在多个挑战数据集上达到了最高标准。
关键观点总结
关键观点1: nnU-Net自动配置适应不同生物医学图像分割任务
nnU-Net通过一组固定参数、相互依赖的规则和经验决策来系统化配置过程，以适应不同的数据集和任务。它包括预处理、网络架构、训练和后处理，旨在提供最先进的分割性能。
关键观点2: nnU-Net在多个挑战数据集上树立了新的最高标准
通过使用复杂的配置过程，nnU-Net在大多数评估任务上超越了所有相应的专业处理流程，树立了新的最高标准。它在广泛的生物医学成像数据集上实现了出色的性能。
关键观点3: nnU-Net具有泛化能力，无需专家知识或额外计算资源
nnU-Net通过从大量数据集中提取知识，转化为强大的归纳偏置，在新数据集上实现泛化能力。它不需要专家知识或超出标准网络训练的计算资源，适合那些需要访问语义分割方法的用户。
文章预览
德国海德堡癌症研究中心医学图像计算部、 海德堡大学生物科学学院、 DeepMind公司 等 2021年在nature methods (JCR Q1, IF: 36.1) 杂志上发表了 nnU-Net：一种自配置的深度学习方法，用于生物医学图像分割 。 nnU-Net：一种自配置的深度学习方法，用于生物医学图像分割 摘要： 生物医学成像是科学发现的驱动力和医疗保健的核心组成部分，并且正在受到深度学习领域的刺激。虽然语义分割算法在许多应用中实现了图像分析和量化，但相应专用解决方案的设计是非平凡的，并且高度依赖于数据集属性和硬件条件。开发了nnU-Net，这是一种基于深度学习的分割方法，它可以自动配置自己，包括预处理、网络架构、训练和后处理，以适应任何新任务。在这个过程中的关键设计
………………………………
