这篇论文研究了在3D医学图像分割领近年引入了许多新的架构和方法，但大多数方法并没有超过2018年的原始nnU-Net基准。作者指出，许多关于新方法的优越性的声称在进行严格验证后并不成立，这揭示了当前在方法验证上存在的不严谨性。揭示验证短板：深入探讨了当前医学图像分割研究中存在的

给定某个数据集，nnU-Net完全自动执行整个分割过程，包括数据预处理到模型配置、模型训练、后处理到集成的整个过程，而不需要人为干预。此外，训练好的模型还可以应用到测试集中进行推理。博主强烈建议：做医学图像分割的任何人，都必须要会使用nnU-Net理由2个：首先用nnU-Net测试一下。看一下该

nnU-Net到底怎么使用，好不好用，我们看一个实战例子本次实战项目为使用预训练nnU-Net模型进行推理数据集：医学分割十项全能的前列腺数据集（Prostate）本系列还有1论文解读-nnU-Net:Self-adaptingFrameworkforU-Net-BasedMedicalImageSegmentation（附实现教程）2nnU-Net如何安

本篇主要解读论文“nnU-Net:Self-adaptingFrameworkforU-Net-BasedMedicalImageSegmentation”==nnU-Net：基于U-Net的自适应医学图像分割框架。实现见本专栏下其他博文。直达链接

这是nnU-Net系列第二篇–安装教程上一篇：nnU-Net介绍篇nnU-Net只在Linux上测试（ubuntu16、18和20；centOS,RHEL）。它也可以在其他操作系统上工作，但我们不能保证它会工作。因此，最好安装在Linux上文章目录安装nnU-Net的硬件条件快速的创建Ubuntu虚拟环境1安装venv模块2创建虚拟环境