用途：nnU-Net（no-new-Net）是面向生物医学图像分割的自配置深度学习框架。给定带标注的训练数据集，它会自动确定网络架构（2D、3D 全分辨率或 3D 级联）、预处理（重采样、归一化、patch 大小）、训练计划与后处理，无需手动调参，常用于 CT/MRI 器官、肿瘤、病灶分割，3D 荧光或电镜体数据中的细胞/细胞核分割，以及作为新分割任务的强基线。
主要能力：自动规划预处理与架构；默认 5 折交叉验证；支持多配置与多折集成；提供 CLI 与 Python 推理 API；可评估 Dice、Hausdorff 距离并可视化质控。
使用方式：安装 pip install nnunetv2，并设置环境变量 nnUNet_raw、nnUNet_preprocessed、nnUNet_results。典型流程为：按 nnU-Net 目录结构准备 NIfTI 数据与 dataset.json（或转换 MSD 数据集），运行 nnUNetv2_plan_and_preprocess -d <ID> --verify_dataset_integrity，再运行 nnUNetv2_train <ID> 3d_fullres 0 --npz，最后用 nnUNetv2_predict 推理；可用 nnUNetv2_find_best_configuration、nnUNetv2_ensemble 与 nnUNetv2_apply_postprocessing 优化结果。
适用场景：有 20 例以上标注训练数据的分割任务、复用已发布挑战赛预训练模型推理、构建训练一次多次推理的生产管线。
限制：需要标注训练数据；建议 20 例以上、50 例以上效果更佳；训练推荐 8GB 以上显存 GPU，CPU 推理较慢；预处理可能耗时 30–120 分钟；Windows 支持但非官方推荐。若为无标注 2D 荧光细胞分割可考虑 Cellpose，规则化阈值分割可考虑 SimpleITK。