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

提出了一种名为UNet ++的新神经结构，通过解决U-Net和全卷积网络（FCN）的两个限制（未知最佳深度和过于严格的融合方案），实现了医学图像分割的语义和实例分割，从而提高了对象大小的分割质量，并加速了UNet ++的推理速度。

Dec, 2019

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

该研究提出了 Swin-Unet，一种基于 Transformer 的 Unet 用于医学图像分割，它通过层次 Swin Transformer 与 SHIFT 窗口技术来提取上下文特征，使得该纯 Transformer 的编码解码网络在多器官和心脏分割任务方面表现超越传统的基于卷积和变换的方法。

May, 2021

本篇论文提出了一种名为Axial Fusion Transformer UNet(AFTer-UNet)的方法，它结合了卷积层和Transformer的优势，同时考虑了切片内和切片间的长距离信息，在医学图像分割中优于现有技术。

Oct, 2021

利用Swint UNEt TRansformers模型和多模MRI数据对3D颅脑肿瘤进行语义分割，可以转换为序列预测问题，以5个不同分辨率提取特征，通过跳过连接连接到FCNN解码器，并在BraTS 2021分割挑战中表现出优越的性能。

Jan, 2022

本文提出了一个统一的框架，它由两个体系结构组成，称为UNetFormer，具有基于3D Swin变压器的编码器和卷积神经网络和变压器的解码器。该架构的设计允许在准确性和计算成本之间满足宽范围的权衡要求。使用CT图像进行自我监督预训练，使用Medical Segmentation Decathlon（MSD）数据集进行肝和肝肿瘤分割任务的Fine-tune和测试，并使用MRI图像的BraTS 21数据集进行脑肿瘤分割，并在Dice评分方面优于其他方法。

Apr, 2022

提出了一种基于全卷积transformer的医疗图像分割模型，该模型可处理各种数据模态，能够有效地提取输入图像的语义依存关系并捕获其分层全局属性，并在多个数据集上表现优异，相对于同类模型具有参数少的特点。

Jun, 2022

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

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