nnU-Net Revisited: A Call for Rigorous Validation in 3D Medical Image Segmentation

nnU-Net的发布标志着三维医学图像分割的范式转变，证明了适当配置U-Net架构仍然可以实现最先进的结果。尽管如此，对于新颖架构的追求以及相应声称比U-Net基线表现更好的声明仍在继续。在本研究中，我们证明了许多这些最近的声明在经过常见的验证缺陷（如使用不充分的基线、不足的数据集和被忽略的计算资源等）审查后都不能成立。通过精心避免这些陷阱，我们对当前分割方法（包括基于CNN、Transformer和Mamba的方法）进行了全面和彻底的基准测试。与当前的信念相反，我们发现实现最先进性能的秘诀是：1）采用基于CNN的U-Net模型，包括ResNet和ConvNeXt变体，2）使用nnU-Net框架，以及3）将模型扩展到现代硬件资源。这些结果表明，该领域存在对新颖架构的持续创新偏见，并强调在追求科学进步的过程中需要更严格的验证标准。

论文的主要问题是验证当前医学图像分割领域中的新型架构是否真的比传统的U-Net模型更优秀。

通过细致的实验，论文发现在避免常见验证缺陷的情况下，使用CNN-based U-Net模型（包括ResNet和ConvNeXt变体）、nnU-Net框架和现代硬件资源来进行医学图像分割可以达到最先进的性能。

论文通过对当前医学图像分割方法进行全面的基准测试，包括CNN-based、Transformer-based和Mamba-based方法，并且使用了充足的数据集和现代硬件资源。实验结果表明，当前对于新型架构的追求可能存在创新偏见，而传统的U-Net模型在避免验证缺陷的情况下仍然是最优解。

最近的相关研究包括： 1. UNet 3+: A Full-Scale Connected UNet for Medical Image Segmentation 2. A Survey on Deep Learning in Medical Image Analysis 3. Multi-Head Attention Networks for Semantic Segmentation