本文介绍了一种基于U-Net的循环卷积神经网络（RCNN）基础上的模型RU-Net和基于U-Net的循环残差卷积神经网络（RRCNN）基础上的模型R2U-Net。这些模型在医学图像分割任务中表现出优异的性能，比U-Net和ResU-Net等等同网络参数的模型表现更好。

Feb, 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

本研究采用混合卷积神经网络和Transformer的混合结构，提出了一种具有自适应特征提取能力和具有全局信息建模的方法，用于医学图像分割。实验结果表明，该方法比现有的方法具有更好的医学图像分割结果。

Jun, 2023

该论文介绍了U-Net v2，一种新的稳健高效的医学图像分割变体，旨在将语义信息注入低层特征并通过精细化处理改善高层特征，实验结果表明我们的方法在保持内存和计算效率的同时实现了与最先进方法相比的分割准确性。

Nov, 2023

提出了一种适用于资源受限的计算硬件的全卷积网络ESDMR-Net，它专注于提取多尺度特征，通过扩展和压缩操作实现对分割任务所需信息的学习，并在跳跃连接中集成了双多尺度残差块，以增强多分辨率或尺度之间的信息流动。该模型在七个数据集上进行实验证明，尽管可训练参数显著减少了两到三个数量级，但取得了最佳结果。

Dec, 2023

将卷积神经网络和Transformer架构相结合，提出了一种先进的二维特征提取方法，利用平行编码器和通道注意模块实现更好的医学图像分割准确性。

Jan, 2024

通过对复杂数据集和不同类型的数据集进行广泛实验，本研究提出了一种名为DmADs-Net的密集多尺度注意力和深度监督网络，通过特征提取、特征注意力块和特征融合等模块的创新，该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的表现。

May, 2024

本文研究了在具有临床价值的非常小的医疗对象的分割问题。我们发现，卷积神经网络（CNNs）和最近的Transformer在图像分割方面取得了重大进展，但在分割本文中涉及的小型医疗对象和病变方面表现不佳。为了应对这一挑战，我们提出了一种名为EFCNet的新模型，用于医学图像中的小物体分割。我们的模型包括两个模块：交叉阶段轴向注意力模块（CSAA）和多精度监督模块（MPS）。通过这些模块，我们解决了编码和解码过程中的信息损失问题。 CSAA从编码器的所有阶段集成特征，以自适应地学习不同解码阶段所需的适当信息，从而减少编码器中的信息损失。另一方面，MPS向解码器引入了一种新颖的多精度监督机制。该机制在解码器的初始阶段优先关注低分辨率特征，减轻了后续卷积和采样过程导致的信息损失，并增强了模型的全局感知能力。我们在两个基准医学图像数据集上评估了我们的模型。结果表明，EFCNet明显优于之前设计用于医学和普通图像的分割方法。

Jun, 2024

本文针对医学图像分割中存在的多尺度特征建模和信息交互问题，提出了一种名为TBConvL-Net的新型混合深度学习架构。该模型结合了卷积神经网络（CNN）和视觉变换器（ViT）的优点，显著提升了分割的稳健性，并在多个医疗影像数据集上展示了优于现有方法的性能。

Sep, 2024