通过可学习的跳跃连接缩小U-Net中的语义差距：以医学图像分割为例

Dec, 2023

通过可学习的跳跃连接缩小U-Net中的语义差距：以医学图像分割为例

Narrowing the semantic gaps in U-Net with learnable skip connections: The case of medical image segmentation

Haonan Wang, Peng Cao, Xiaoli Liu, Jinzhu Yang, Osmar Zaiane

TL;DR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。

Abstract

Most state-of-the-art methods for medical image segmentation adopt the encoder-decoder architecture. However, this u-shaped framework stil

发现论文，激发创造

nnU-Net：基于 U-Net 的医学图像分割的自适应框架

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

UNet++：重新设计Skip Connection以利用多尺度特征进行图像分割

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

DoubleU-Net: 医学图像分割的深度卷积神经网络

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 Transformer：医学图像分割的自注意力和交叉注意力模型

引入了U-Transformer网络，结合了用于图像分割的U形模型和Transformer的自注意和交叉注意力机制，有效地克服了U-Net难以对长程上下文交互和空间依赖性建模的问题，在两个腹部CT图像数据集上表现出明显的优势。

Mar, 2021

UCTransNet：基于通道级别的Transformer重构U-Net跳跃连接

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

U-Netmer：U-Net meets Transformer用于医学图像分割

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

融合U-Net：增强跳跃连接的病理图像分割U-Net

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

U-Net v2：重新思考U-Net的跳跃连接在医学图像分割中的应用

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

重新思考生物医学图像分割中的U-net跳跃连接

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

nnU-Net重新审视：对3D医学图像分割的严格验证的呼吁

通过细致避免使用不充分的基线、不足够的数据集和忽视计算资源等常见验证缺陷，我们对当前分割方法进行了全面而彻底的基准测试，结果表明：1）采用包括ResNet和ConvNeXt变体在内的基于CNN的U-Net模型，2）使用nnU-Net框架，以及3）将模型缩放到现代硬件资源规模，可以实现最先进的性能，揭示了领域内对新颖架构持续的创新偏见，并强调了在科学进步中更为严格的验证标准的必要性。

Apr, 2024