本研究提出了UNet++架构，采用深度监督编码器-解码器网络和密集跳过层来实现医学图像分割，与U-Net和Wide U-Net架构相比，拥有更高的IoU增益。

Jul, 2018

本文提出了基于UNet的新型深度学习网络UNet 3+进行医学图像语义分割任务，此方法在多尺度特征融合、深度监督等方面优化UNet，通过增加全尺度skip连接和采用深度监督的方式获得更准确的分割结果，特别适用于器官在不同尺度下出现的情况，并且该方法能在减少参数的同时提高计算效率，此外还提出了混合损失函数和分类引导模块来增强分割效果。

Apr, 2020

本篇论文介绍了一种新的UNETR架构，通过使用Transformer作为编码器，可以捕捉更长程的空间依赖性，同时保持“U形”的网络设计。实验证明，在多个数据集上，该方法在多器官分割任务上取得了最新的最优性能。

Mar, 2021

提出了一种名为UCTransNet的新语义分割框架，该框架采用注意机制和跨通道特征融合，能够替代传统U-Net中的跳跃连接，以实现对复杂医学图像的准确分割。实验结果表明，UCTransNet在不同数据集和传统架构中具有更精确的分割性能，并较传统算法实现了一定的改进。

Sep, 2021

介绍了Dilated-UNet，结合了Dilated Transformer块和U-Net架构，用于快速准确地进行医学图像分割，并在多个具有挑战性的医学图像分割数据集上取得了优于其他模型的成果。

Apr, 2023

提出了CMUNeXt，这是一种高效的全卷积轻量级医学图像分割网络，能够提取全局上下文信息，实现快速准确的辅助诊断，并在多个医学图像数据集上表现出优越的分割性能。

Aug, 2023

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

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

在医学图像分割中，通过探索U-Net中skip连接的潜在弱点，我们提出了UDTransNet框架，使用Dual Attention Transformer (DAT)和Decoder-guided Recalibration Attention (DRA)模块来解决编码器和解码器之间的语义差距，从而提高医学图像的分割效果。

Dec, 2023

针对医学图像分割的局限性，我们提出了一种新的架构，Perspective+ Unet。该架构具有三个主要创新点：在编码器阶段引入了双通道策略，通过结合传统和扩张卷积的结果，既保持了局部感知域又显著扩展了它，从而更好地理解图像的全局结构；采用高效的非局部变换块ENLTB来有效地捕捉长程依赖关系，具有线性计算和空间复杂性；采用空间交叉尺度集成策略，在模型阶段跨级别细化特征，以协调全局和局部信息。我们在ACDC和Synapse数据集上进行了实验，结果验证了我们提出的Perspective+ Unet的有效性。

Jun, 2024