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

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

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

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

这篇研究论文的主要内容是关于医学图像分割，重点介绍了深度学习方法，包括MultiResUNet和Attention U-Net等变种，并探讨了使用深度分离卷积来减少网络参数需求的可行性。

Jul, 2023

通过在U-Net结构中加入融合模块以减小编解码器之间的语义差距，我们提出了一种名为FusionU-Net的新型分割网络，经过在多个病理图像数据集上的广泛实验评估，证明了FusionU-Net相较于其他竞争方法具有更好的性能，我们认为我们的融合模块比现有网络的设计更加有效，且可以轻松嵌入其他网络以进一步提高模型性能。

Oct, 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

通过分析U-net架构的神经网络，发现其网络层对于领域转移非常敏感，特别是在浅层网络中。在移除最上层的跳跃连接之后，性能得到了显著提升，不仅对于领域转移具有积极的影响，对于领域内测试数据也有10％至13％的性能提升。

Feb, 2024