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

我们提出了一种简单而有效的 UNet-Transformer（seUNet-Trans）模型，用于医学图像分割，结合了 CNN-based 模型和 Transformer 模型，在多个医学图像分割数据集上进行了广泛实验，显示出优于其他几种先进模型的性能。

Oct, 2023

通过自我监督预训练的卷积神经网络（即 UNet）已经成为在低标注情况下促进医学图像分割的强大方法。我们提出了一种关键点增强的融合层，它提取保留短程和长程自我注意力的表示，并且在全局和局部尺度上引入了自我监督预训练，通过创建关键点之间的对应关系并鼓励特征之间的相似性来提高分割结果。

Oct, 2023

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

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

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

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

我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法，最终纠正错误的预测结果，通过有针对性的验证训练过程识别不一致预测的区域并进行微调，从而提高上下文信息的利用；此外，为了自适应地调整网络的表示能力并降低预测不确定性，我们采用了自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测；我们的实验结果来自于临床 MRI 和 CT 扫描的器官分割，与最先进的方法相比，证明了我们方法的有效性。

Nov, 2023

本文提出一种基于自监督预训练的医学图像分析深度学习训练策略，通过将不同扭曲应用于图像的随机区域，预测扭曲的类型和信息的损失，并使用改进的 Mask-RCNN 体系结构定位扭曲位置和恢复原始图像像素，将该方法用于分割任务，能够提高 Dice 分数 20%。

Jul, 2022

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