详细说一下结构上的区别，需要确定的数据

NNUNet和UNet在结构上的主要区别如下：

1. UNet是一个基于编码器-解码器结构的深度学习模型，由卷积和池化操作组成的编码器将输入图像降采样为低分辨率的特征图，由上采样和反卷积操作组成的解码器将特征图还原为与原始输入图像相同分辨率的分割结果。NNUNet在此基础上增加了跳跃连接、多尺度训练、数据增强、集成学习等组件和模块，以提高模型的性能和鲁棒性。

2. 跳跃连接：NNUNet引入了跳跃连接的概念，即将编码器和解码器之间的特征图进行连接，以提供更多的上下文信息。跳跃连接可以帮助模型更好地捕捉图像中的细节和纹理信息，提高模型的性能和鲁棒性。

3. 多尺度训练：NNUNet支持多尺度训练，即在不同的尺度下训练模型，以提高模型的泛化性能和鲁棒性。多尺度训练可以帮助模型更好地适应不同的输入图像，提高模型的性能和鲁棒性。

4. 数据增强：NNUNet引入了多种数据增强技术，如旋转、翻转、缩放、亮度调整等，以增加数据的多样性和数量，提高模型的泛化性能和鲁棒性。

5. 集成学习：NNUNet支持集成学习，即将多个模型的输出进行融合，以提高模型的性能和鲁棒性。集成学习可以帮助模型更好地捕捉图像中的细节和纹理信息，提高模型的性能和鲁棒性。

需要确定的数据是NNUNet和UNet的基本结构和区别，以及NNUNet新增的跳跃连接、多尺度训练、数据增强、集成学习等组件和模块。这些数据可以帮助我们更好地理解和比较这两种模型的性能和鲁棒性。