本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化Dice系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

Jun, 2016

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

本文提出了一种基于U-Net网络的扩展，Bi-directional ConvLSTM U-Net with Densely connected convolutions (BCDU-Net)，用于医学图像分割，充分利用了U-Net、双向ConvLSTM和密集卷积的机制。通过在跳跃连接中使用BConvLSTM以非线性的方式组合对应的编码路径和先前解码上升卷积层提取的特征图，并在编码路径的最后一个卷积层中使用密集连接卷积来加强特征传播和特征复用，最终通过批量归一化 (BN)来加速所提出的模型的收敛速度。在视网膜血管分割、皮肤病变分割和肺结节分割三个数据集上进行评估，实现了与最先进性能的匹配。

Aug, 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

本研究提出了Dual Swin Transformer U-Net (DS-TransUNet)框架，它是第一次尝试将Swin Transformer的优势同时融入到标准U形架构的编码器和解码器中，以提高不同医学图像的语义分割质量。实验表明，DS-TransUNet显著优于现有的医学图像分割方法。

Jun, 2021

本文提出了可扩展和可转移的U-Net (STU-Net)模型, 参数从1400万到14亿, 并在大规模的医学分割数据集上表现良好, 并评估其在14个下游数据集上的可转移性。

Apr, 2023

本文提出了一种新的医学图像分割混合架构，手持卷积神经网络和Transformer，用于动态变形卷积和自适应互补注意模块改进卷积神经网络和Transformer的性能，以实现更好的医学图像分割结果。

Jun, 2023

本研究采用混合卷积神经网络和Transformer的混合结构，提出了一种具有自适应特征提取能力和具有全局信息建模的方法，用于医学图像分割。实验结果表明，该方法比现有的方法具有更好的医学图像分割结果。

Jun, 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

本研究针对医学图像分割中卷积神经网络和Transformer模型所面临的高计算复杂度和长程依赖下的局部特征丢失问题，提出了Med-TTT模型。该模型引入了视觉-测试时间训练层（Vision-TTT），能够以线性计算复杂度有效建模长程依赖，并在推理过程中自适应调整参数，显著提高复杂背景下的分割能力，实验结果表明其在多个医学图像数据集上的表现领先。

Oct, 2024