该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

May, 2015

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

本论文提出了一种改进U-Net模型的多分辨率结构MultiResUNet，相较于理想情况下的图像，在处理挑战性医学图像方面实现了显著的性能提高，此提升在五种不同的医学图像数据集中分别达到了10.15％，5.07％，2.63％，1.41％和0.62％的相对改进。

Feb, 2019

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

提出了一种全局-局部的U-Netmer方法，将U-Net与Transformer结合，用于医学图像分割，解决了“token-flatten”和“scale-sensitivity”的问题，并在7个公共数据库和4种成像模式上进行了广泛的实验，证明了其能够提高医学图像分割的准确性。

Apr, 2023

本文提出了可扩展和可转移的U-Net (STU-Net)模型, 参数从1400万到14亿, 并在大规模的医学分割数据集上表现良好, 并评估其在14个下游数据集上的可转移性。

Apr, 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

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

通过整合卷积和Transformer的优点，提出了一种名为BRAU-Net++的混合CNN-Transformer网络，用于精确的医学图像分割任务。该网络通过使用双层路由注意力作为核心构建块来设计层次化编码器-解码器结构，以学习全局语义信息并降低计算复杂性。通过在跳跃连接中结合通道-空间注意力，最小化局部空间信息损失并放大多尺度特征的全局维度交互。在三个公共基准数据集上进行广泛实验，表明我们提出的方法在几乎所有评估指标上超过了包括其基准：BRAU-Net在内的其他最先进方法。

Jan, 2024