本文介绍 nnU-Net 作为一个基于2D和3D vanilla U-Nets的稳健自适应框架，用于医学影像分割任务，其中nnU-Net取得了医学影像分割竞赛中最高的平均骰子系数得分。

Sep, 2018

提出了基于编码器解码器的方法 DoubleU-Net，该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。

Jun, 2020

U-net是一种主要用于医学图像分析的图像分割技术，可以使用少量的训练数据对图像进行精确分割。本文回顾了U-net架构的各种发展，并探讨了最近的趋势。我们研究了深度学习中的各种创新，并讨论了这些工具如何促进U- net。此外，我们还研究了U-net已应用的图像模态和应用领域。

Nov, 2020

本文提出了一种新的医学图像分割框架TransUNet，它将Transformers和U-Net结合起来，通过编码全局上下文和恢复本地细节信息来实现更精确的分割，针对不同的医学应用，TransUNet优于其他竞争方法。

Feb, 2021

本研究提出了一种名为Sharp U-Net的深度卷积神经网络模型，它采用深度卷积和锐化滤波器来解决U-Net的模糊和区域过度或不足的问题，在二元和多类医学图像分割任务中，使用该模型获得了超过同领域基线模型的性能表现。

Jul, 2021

本文综述了使用U-Net及其变体进行医学图像分割的技术。医学图像的非侵入性诊断需要准确的分割图像。本文也概述了医学图像分割的发展、深度神经网络的优缺点以及不同混合体系结构的建立。最后提出了当前的挑战和未来的发展方向。

Apr, 2022

提出了一种全局-局部的U-Netmer方法，将U-Net与Transformer结合，用于医学图像分割，解决了“token-flatten”和“scale-sensitivity”的问题，并在7个公共数据库和4种成像模式上进行了广泛的实验，证明了其能够提高医学图像分割的准确性。

Apr, 2023

这篇研究论文的主要内容是关于医学图像分割，重点介绍了深度学习方法，包括MultiResUNet和Attention U-Net等变种，并探讨了使用深度分离卷积来减少网络参数需求的可行性。

Jul, 2023

通过在2D TransUNet体系结构的基础上建立在最先进nnU-Net体系结构的基础上，充分探索Transformers在编码器和解码器设计中的潜力，我们引入了两个关键组件：1）一个从卷积神经网络（CNN）特征图中令图像块标记化的Transformer编码器，从而实现全局上下文的提取；2）一个自适应地利用候选区域和U-Net特征之间的交叉注意力进行候选区域的精炼的Transformer解码器。我们的研究发现，不同的医学任务受益于不同的体系结构设计。Transformer编码器在多器官分割中表现出色，其中器官之间的关系至关重要。另一方面，Transformer解码器在处理小而具有挑战性的分割目标（如肿瘤分割）方面更有益处。大量实验证明了将基于Transformer的编码器和解码器集成到U型医学图像分割体系结构中的巨大潜力。TransUNet在各种医学应用中超越竞争对手。

Oct, 2023

通过细致避免使用不充分的基线、不足够的数据集和忽视计算资源等常见验证缺陷，我们对当前分割方法进行了全面而彻底的基准测试，结果表明：1）采用包括ResNet和ConvNeXt变体在内的基于CNN的U-Net模型，2）使用nnU-Net框架，以及3）将模型缩放到现代硬件资源规模，可以实现最先进的性能，揭示了领域内对新颖架构持续的创新偏见，并强调了在科学进步中更为严格的验证标准的必要性。

Apr, 2024