摘要近年来, 随着深度学习技术的发展, 深度神经网络在医学图像分割领域得到了广泛应用.
其中, U-Net 以其良好的分割性能, 逐渐成为图像分割领域的研究热点. 根据相关研究工作 …

Abstract U-Net 网络在医学图像分割任务中取得了很好的成绩。 近年来， 众多学者针对U-Net
结构不断地进行研究和扩展， 比如编、 解码器的改进和跳跃连接的改进。 本文针对基于U-Net …

摘要针对现有方法对肝部医学影像分割上的不足, 提出了一种用于对肝部医学影像进行分割的
改进型U-Net 结构. 在上采样过程中只复制池化层特征, 以减少信息丢失; 同时引入残差网络对 …

摘要病灶精确分割对患者病情评估和治疗方案制定有重要意义, 由于医学图像中病灶与周围组织
的对比度低, 同一疾病病灶边缘和形状存在很大差异, 从而增加了分割难度. U-Net …

Deep learning has been extensively applied to segmentation in medical imaging. U‐Net
proposed in 2015 shows the advantages of accurate segmentation of small targets and its …

深度学习在医学影像分割领域得到广泛应用, 其中, 2015 年提出的U-Net 因其分割小目标效果较
好, 结构具有可扩展性, 自提出以来受到广泛关注. 近年来, 随着医学图像割性能要求的提升 …

Background and objective Convolutional neural networks (CNNs) play an important role in
the field of medical image segmentation. Among many kinds of CNNs, the U-net architecture …

U-net is an image segmentation technique developed primarily for medical image analysis
that can precisely segment images using a scarce amount of training data. These traits …

卷积神经网络在癌症病理图像分割中具有突出表现, 但在临床应用上依然面临着切片染色多样,
分辨率差异大等挑战. 针对上述问题, 提出了一种病灶分割网络HU-Net, 提高了癌症病理图像的 …

基于深度学习的生物医学图像分割由于其精度的提高, 可以更好地辅助医生做精确的诊断.
目前主流的基于U-Net 的分割模型通过多层卷积进行局部特征的提取, 缺失了全局信息 …