通过探索深度学习模型在医学图像分割中的应用，特别关注 UNet 架构及其变体，本研究评估了这些模型在各种挑战性医学图像分割任务中的表现，并通过解决图像标准化、调整大小、架构选择、损失函数设计和超参数调整等问题来获取结果。研究结果显示，经过深层网络层扩展的标准 UNet 是一种精湛的医学图像分割模型；而 Res-UNet 和 Attention Res-UNet 架构在处理精细图像细节时表现出更平滑的收敛和卓越的性能。此外，本研究还着重解决高类别不平衡问题，通过精心预处理和定义损失函数来处理。我们预期本研究结果将为希望将这些模型应用于新的医学成像问题的研究人员提供有用的见解，并为其实施提供指导和最佳实践。

Sep, 2023

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

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

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

本文提出非局部 U-Net，它配备了灵活的全局聚合块，在医学影像分割中取得了良好的结果。

Dec, 2018

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

本文旨在利用 Pytorch 从零开始实现 UNet 模型并在多个生物医学图像数据集上评估其性能，另外，我们使用迁移学习将修改后的 UNet 分割模型应用于生物医学图像数据集，发现迁移学习模型在图像分割方面表现更为优异。

May, 2023

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

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

本文提出了一种改进的 UNet 结构，称为 SLCA UNet，它结合了残差密集块、分层注意力和通道注意力模块，以及堆叠卷积。在脑肿瘤分割上，该方法在 BraTS 2020 数据集上表现良好，平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。

Jul, 2023