본 논문은 의료 영상 분할(MIS)을 위한 완전 자동화 머신러닝 프레임워크인 Auto-nnU-Net을 제안합니다. 기존의 최첨단 AutoML 기반 MIS 프레임워크인 nnU-Net의 고정된 하이퍼파라미터와 휴리스틱 설계 선택의 한계를 극복하기 위해, Auto-nnU-Net은 하이퍼파라미터 최적화(HPO), 신경망 구조 탐색(NAS), 계층적 NAS(HNAS)를 가능하게 합니다. 또한, 실제 의료 환경에서의 제한된 컴퓨팅 자원 문제를 해결하기 위해, 모델 정확도와 훈련에 필요한 컴퓨팅 자원 간의 균형을 맞추는 Regularized PriorBand를 제안합니다. Medical Segmentation Decathlon의 다양한 MIS 데이터셋을 통해 성능을 평가한 결과, 10개 데이터셋 중 6개에서 nnU-Net의 분할 성능을 상당히 향상시켰으며, 나머지 데이터셋에서는 동등한 성능을 유지하면서 실용적인 자원 요구사항을 충족함을 보였습니다. 소스 코드는 깃헙에서 공개됩니다.
