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

U-net是一种主要用于医学图像分析的图像分割技术，可以使用少量的训练数据对图像进行精确分割。本文回顾了U-net架构的各种发展，并探讨了最近的趋势。我们研究了深度学习中的各种创新，并讨论了这些工具如何促进U- net。此外，我们还研究了U-net已应用的图像模态和应用领域。

Nov, 2020

本文提出了一种更深、更紧凑的深度学习结构DCSAU-Net，利用了两个新颖的框架：主要特征保留和紧凑的注意力块，在医学影像分割中表现出更好的性能，特别是在具有挑战性的影像上表现出色。

Feb, 2022

本文综述了使用U-Net及其变体进行医学图像分割的技术。医学图像的非侵入性诊断需要准确的分割图像。本文也概述了医学图像分割的发展、深度神经网络的优缺点以及不同混合体系结构的建立。最后提出了当前的挑战和未来的发展方向。

Apr, 2022

在本论文中，我们使用修改版的U-Net模型在Intel Movidius神经计算棒2上实现了医学图像分割任务，并通过BraTs数据集的MRI，心脏MRI数据集和ZNSDB数据集的显著降低的参数数量的实验结果，证明了该模型在低计算资源上也可以提供比较优秀的医学图像分割性能。

Jun, 2022

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

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