利用深度多通道框架和卷积神经网络，基于评估指标，提出了一种新颖的，具有高效性和普适性的肠腺组织图像实例分割算法。

Nov, 2016

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

本研究提出了一种基于完全卷积神经网络的方法，利用反卷积和空间上的金字塔池化，实现对结肠镜病理学图像中的腺体分割；此外，还使用随机变换来生成不确定性图以解决了高不确定性预测的问题，并且通过实验验证了模型性能优于现有方法。

Jun, 2018

本文着重于探讨在医学图像分析领域中，基于卷积神经网络的语义分割算法的不确定性评估和模型可解释性问题，并提出了一种高效的分割算法，准确率最高可达76.06%。

Jul, 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

本文介绍了一种松散稠密连接策略和采用m向树结构的可感受野链路网络(RFC-Net)，用于学习高分辨率全局特征。实验证明RFC-Net在Kvasir和CVC-ClinicDB基准测试中对息肉分割取得了最先进的性能。

Feb, 2023

本文提出了一种基于Depthwise Separable Convolution的轻量化U-Net模型——U-Lite，该模型只有878K参数，在保持高精度的前提下降低了计算复杂度，因此在医学图像分割任务中表现优异。

Jun, 2023

本文介绍了3D DeformUX-Net，一种创新的体积卷积神经网络模型，它灵活地处理了传统上与ViTs和大内核卷积相关的缺点，并且在四个具有挑战性的公共数据集上持续优于现有的最先进的ViTs和大内核卷积模型。

Sep, 2023

医学图像分割是医疗应用中关键的任务，本研究探讨了 U-Net 和 Attention U-Net 架构中的感受野（RF）大小及其对模型性能的影响，研究了 RF 大小与感兴趣区域特征、模型性能以及计算成本之间的关系，提出了表示给定网络层的理论感受野（TRF）的数学符号，并提出了两个新的度量指标 - 有效感受野（ERF）率和对象率来定量 ERF 内显著贡献像素的比例和分割对象相对于 TRF 大小的大小比。结果表明，存在一个最佳的 TRF 大小，成功地在捕获更广泛的全局背景信息和保持计算效率之间取得平衡，从而优化模型性能。注意力机制的 U-Net 模型始终优于基本 U-Net 模型，无论 TRF 大小如何。这些新颖的发现为开发用于医学成像的更高效 U-Net 架构提供了宝贵资源，并为未来的研究铺平了道路。还开发了一种计算 U-Net（和 Attention U-Net）模型的 TRF 的工具，并为给定模型和数据集建议了适当的 TRF 大小。

Jun, 2024

本研究针对医学图像分割中U-Net架构在训练与测试数据分布不一致时性能显著下降的问题，探讨了使用小型化神经元细胞自动机（NCA）的新方法。实验结果表明，NCA在泛化能力上超越了传统方法，同时保持了良好的独立同分布（IID）表现，展现了其在医学影像领域的应用潜力。

Aug, 2024