nnU-Net Revisited: A Call for Rigorous Validation in 3D Medical Image Segmentation：nnU-Net再审视：3D医学图像分割中严格验证的必要性
2024年4月，该论文重新评估了3D医学图像分割方法，发现许多声称超越U-Net的新架构在严格验证下并不成立。通过避免常见验证缺陷（不充分基线、不足数据集、忽略计算资源），作者证明当前SOTA配方是：1）基于CNN的U-Net（ResNet/ConvNeXt变体），2）使用nnU-Net框架，3）扩展到现代硬件。CNN方法仍优于Transformer和Mamba方法。
Development
- First ReportnnU-Net Revisited: A Call for Rigorous Validation in 3D Medical Image Segmentation：nnU-Net再审视：3D医学图像分割中严格验证的必要性arXiv cs.AI
- Current Assessment该论文对医学影像AI公司（如西门子Healthineers、GE医疗、AI辅助诊断初创）有直接指导意义：在部署分割模型时，应优先选择nnU-Net框架下的CNN模型，而非追逐Transformer等新架构。对研究机构，需提高验证标准，避免发表不可复现的改进。对监管机构（如FDA），该结果支持基于U-Net的成熟方法作为基准。Agent Pulse · analysis
该论文对3D医学图像分割领域的新架构热潮提出严厉批评，指出许多论文因验证不严谨而夸大性能。通过大规模基准测试，作者发现CNN-based U-Net在nnU-Net框架下仍是最优选择，Transformer和Mamba并未带来实质提升。这一结论对医学影像AI行业具有警示作用：创新不应盲目追求新架构，而应注重系统优化和严格评估。nnU-Net框架的鲁棒性再次被证实。
论文系统性地复现了多种分割架构（CNN、Transformer、Mamba），并在多个公开数据集上使用统一训练流程和超参数。关键发现：1）当使用nnU-Net的自动配置和预处理时，CNN U-Net（如ResNet-UNet、ConvNeXt-UNet）在Dice分数上显著优于Transformer（如UNETR、SwinUNETR）和Mamba（如U-Mamba）；2）计算资源公平控制后，CNN的参数量和FLOPs更低但性能更高；3）许多新架构的改进来自更大的模型或更长的训练，而非架构本身。边界：仅评估了3D医学图像分割，不适用于2D或自然图像。
该论文对医学影像AI公司（如西门子Healthineers、GE医疗、AI辅助诊断初创）有直接指导意义：在部署分割模型时，应优先选择nnU-Net框架下的CNN模型，而非追逐Transformer等新架构。对研究机构，需提高验证标准，避免发表不可复现的改进。对监管机构（如FDA），该结果支持基于U-Net的成熟方法作为基准。
建议医学影像AI产品团队将nnU-Net作为默认分割框架，并基于CNN变体进行优化。投资机构在评估医学影像AI公司时，应关注其验证方法的严谨性，而非仅看论文中的SOTA数字。医院和影像中心在采购AI辅助诊断系统时，可要求供应商提供与nnU-Net的公平对比结果。
需关注：1）nnU-Net框架的持续维护和扩展；2）CNN与Transformer在更大数据集上的对比；3）Mamba在长程依赖任务上的潜力是否被低估；4）领域对验证标准的响应。若该论文被广泛接受，将减少低质量架构论文的发表，推动更严谨的基准建立。