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

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

本研究提出了一种名为Sharp U-Net的深度卷积神经网络模型，它采用深度卷积和锐化滤波器来解决U-Net的模糊和区域过度或不足的问题，在二元和多类医学图像分割任务中，使用该模型获得了超过同领域基线模型的性能表现。

Jul, 2021

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

我们通过将KAN层整合到中间表示中，探索了Kolmogorov-Arnold网络（KANs）在改进视觉任务的骨干网络中的潜力，并证明了U-KAN在医学图像分割中的优越性。

Jun, 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