本文深入探讨了UNET及其变体在医学图像分割领域的应用，包括UNET、UNET++、Attention-UNET、R2U-NET和CENET等模型的结构与特点。UNET作为医学图像分割的基石，其跳接机制显著提升了分割效果；UNET++通过密集跳跃连接增强了特征融合；Attention-UNET引入注意力机制优化特征选择；R2U-NET结合循环与残差结构提高特征提取能力；CENET利用多尺度卷积和池化模块获取丰富语义信息。
一，UNET
UNET可以称为医学图像语义分割的基石，而且经常作为baseline与其他模型对比。一般的器官分割，只要是正正常常，边界比较明显的，没什么特殊情况的，一般UNET就能做得很好。
UNET结构如下：
UNET特点：
1.UNET结构和FCN十分相似，但是两者之间区分很大的一个地方就是，跳接(skip connection)处UNET是使用连接方式，即UNET采用将特征在channel维度拼接在一起，形成更厚的特征。而FCN融合时使用的对应点相加，并不形成更厚的特征
2.UNET是一个网络概念，里面的参数是可以变的。一般的UNET会把输入图片经过5次下采样，每次使其分辨率减少一般，此阶段称为编码器阶段。然后也有经过5次上采样(采用反卷积或插值法)，使特征图的分辨率增大一倍，此阶段称为解码器阶段。中间的skip connection阶段十分重要，本人试过把skip connection阶段去掉或者加上卷积层的话，UNET的效果会变得非常差。
二，UNET++
关于UNET++，我认为UNET++的作为已经在知乎上介绍得非常清楚了：https://zhuanlan.zhihu.com/p/44958351
UNET++结构如下：
扫一扫
2377
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
