本研究提出了使用 Meta-Former 与 UNet 的融合模型，并引入多尺度上采样块与级联组合以提高纹理，并提出 Convformer 块增强局部特征，以实现医学分割的全局信息、局部信息和边界信息等敏感点的更好决策。该模型在 CVC-300 数据集、Kvasir、CVC-ColonDB 数据集上取得了领先水平的表现。

May, 2023

基于医学图像分割任务，我们提出了一种名为 MS-UNet 的新型 U-Net 模型。与 Swin-UNet 和 TransUnet 中使用的单层 U-Net 解码器结构不同，我们专门为 U-Net 设计了基于 Swin Transformer 的多尺度嵌套解码器。我们还提出了一种新颖的边界损失和即插即用微调去噪模块，这不仅有效提高了 MS-UNet 的分割性能，还可以单独应用于其他模型。实验证明，MS-UNet 在更高效的特征学习能力方面有效提升了网络性能，尤其是在少量训练数据的极端情况下，并且所提出的边界损失和去噪模块能显著增强 MS-UNet 的分割性能。

Sep, 2023

U-Net 及其变种在医学图像分割中被广泛使用，然而大多数变种仅仅将改进策略局限于构建更复杂的编码器，而忽视了解码器的真正功能和提高分割结果的关键作用。为解决相关研究的空白，我们引入了 neU-Net，其中包括一种新颖的子像素卷积来进行上采样，以构建强大的解码器，并在编码器端引入多尺度小波输入模块以提供额外的信息。我们的模型设计在 Synapse 和 ACDC 数据集上取得了出色的结果，超过了其他最先进的方法。

Sep, 2023

通过多尺度信息共享和选择网络 (MISNet) 解决结直肠镜图像中息肉分割的问题，提高分割结果的准确性和清晰度。

May, 2024

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

我们提出了一种新的变换器解码器 U-MixFormer，基于 U-Net 结构设计的，用于高效的语义分割。通过在编码器和解码器阶段之间利用侧连接作为特征查询，我们的方法与以前的变换器方法有所不同。此外，我们创新地混合来自各个编码器和解码器阶段的分层特征图，形成一个统一的键和值表示，从而产生我们独特的混合注意模块。大量实验证明，U-MixFormer 在各种配置上表现出色，并且在 ADE20K 上使用 MSCAN-T 编码器的 mIoU 比 SegFormer 和 FeedFormer 高出 3.3%。

Dec, 2023

该研究提出了一种改进的 ResUNet 架构，用于实现结肠镜图像分割，实验结果表明，ResUNet ++ 在公共数据集上表现出色，具有显著的性能优势。

Nov, 2019

提出了一种基于多尺度减法网络（MSNet）的自动结肠息肉分割技术，用于提取肠镜图像中的息肉特征。使用训练无损耗网络 LossNet 监督从底层到顶层的特征，并使用漏斗式结构进行不同尺度的特征融合，在达到 $352 imes352$ 像素图像时的实时速度为 $70fps$。

Aug, 2021

本文提出了基于 UNet 架构的 NeouNet 模型以及混合损失函数，针对息肉分割问题提出了一种细粒度的解决方案，旨在高精度地识别高恶性风险的息肉。实验证明，与现有息肉分割模型相比，NeouNet 在基准数据集上取得了竞争力的结果。

Jul, 2021

本文提出了一种应用全局多尺度残差融合网络（GMSRF-Net）进行息肉分割的方法，通过交叉多尺度的注意力和多尺度特征选择模块，增强了网络的泛化能力，在两个不同的息肉分割数据集上，该方法相较之前最优的方法提高了 8.34％和 10.31％的 dice 系数。

Nov, 2021