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

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

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

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

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

通过研究某些生成式分层模型，本文引入了U-Net架构的新解释，它是一种在语言和图像领域广泛使用的树状结构图模型。我们演示了U-Net如何自然地在这些生成式分层模型中实现置信传播去噪算法，并以此高效逼近去噪函数。此外，我们讨论了这些发现对生成式分层模型中扩散模型的更广泛影响，还证明了卷积神经网络(ConvNets)的传统架构在这些模型中非常适合分类任务，从而突显出生成式分层模型在语言和图像领域中建模复杂数据分布的多功能性。

Apr, 2024

本研究解决了多模态MRI数据在3D脑肿瘤分割中的应用问题。通过引入Kolmogorov-Arnold Network（KAN）层的U-KAN模型，并针对3D任务提出了UKAN-SE变体，结合了Squeeze-and-Excitation模块以增强全局注意力。研究结果表明，U-KAN和UKAN-SE在效率上表现优越，训练时间大约为U-Net和Attention U-Net的四分之一，而在大多数评估指标上超过这些模型。

Aug, 2024

本研究针对医学图像分割中U-Net架构在训练与测试数据分布不一致时性能显著下降的问题，探讨了使用小型化神经元细胞自动机（NCA）的新方法。实验结果表明，NCA在泛化能力上超越了传统方法，同时保持了良好的独立同分布（IID）表现，展现了其在医学影像领域的应用潜力。

Aug, 2024

本研究解决了U-Net架构在医学图像分割中参数过多和计算负担重的问题。提出的TransUKAN通过改进KAN结构，有效结合了KAN、Transformer和U-Net，显著提高了模型捕捉非线性关系的能力，并在多个医学图像分割任务中验证了其卓越性能，参数显著减少。

Sep, 2024

本研究针对医学图像分割中U-Net模型的局限性，提出了一种新颖的双通道结构，通过集成KAN网络提升模型的特征捕捉能力。实验结果表明，该KAN卷积双通道模型在数据集上的表现优异，展示了其在医学图像分割任务中的潜在应用价值。

Sep, 2024