UNet变体

一、《U-Net: Convolutional Networks for Biomedical Image Segmentation》

二、《UNet++: A Nested U-Net Architecture for Medical Image Segmentation》

图1：（a）UNet ++由编码器和解码器组成，它们通过一系列嵌套的密集卷积块连接。 UNet ++背后的主要思想是在融合之前弥合编码器和解码器的特征图之间的语义鸿沟。 例如，（X0; 0，X1; 3）之间的语义鸿沟是使用具有三个卷积层的密集卷积块来弥合的。 在图形摘要中，黑色表示原始的U-Net，绿色和蓝色表示跳过路径上的密集卷积块，红色表示深度监控。红色，绿色和蓝色组件将UNet ++与U-Net区别开来。 （b）详细分析UNet ++的第一个跳过途径。 （c）如果在深入的监督下进行培训，则可以在推理时修剪UNet ++。
三、《MDU-Net: Multi-scale Densely Connected U-Net for biomedical image segmentation》




四、《DUNet: A deformable network for retinal vessel segmentation》



五、《RA-UNet: A hybrid deep attention-aware network to extract liver and tumor in CT scans》


6、《Dense Multi-path U-Net for Ischemic Stroke Lesion Segmentation in Multiple Image Modalities》



7、《Stacked Dense U-Nets with Dual Transformers for Robust Face Alignment》

图1：具有双转换器的堆叠致密U型网络，用于稳固的面部界标定位。 我们将两个密集的U-Net堆叠在一起，每个U-Net之后是可变形的卷积层，作为网络主干。 网络的输入是一张人脸图像及其仿射或翻转变换后的对应图像。 损失包括预测和基本事实之间的热图差异，以及转换前后的两个预测。

图2：不同的网络拓扑。 SAT可以捕获局部和全局特征，并通过多尺度信息聚合来保留空间信息。

8、《Prostate Segmentation using 2D Bridged U-net》

桥接的U-net体系结构。 每个块上方的数字表示功能通道的数量。 每个块内的数字表示序列号。 每个块下面的数字表示图像尺寸。

9、《Acute and sub-acute stroke lesion segmentation from multimodal MRI》

10、《IVD-Net: Intervertebral disc localization and segmentation in MRI with a multi-modal UNet》




在多模式方案中建议的密集连接的一部分的详细版本。 为简单起见，在此示例中考虑了两种图像模态（橙色和绿色）。 方框表示所建议类型的完整卷积块，而箭头表示模块之间的连通性模式。
11、《LADDERNET: MULTI-PATH NETWORKS BASED ON U-NET FOR MEDICAL IMAGE SEGMENTATION》

12、《Glioma Segmentation with Cascaded Unet》

图1：本文采用的方法的示意图。 T1，T2，T1ce，FLAIR代表输入MRI模态。 x4，x2表示网络输入的下采样系数。 虚线箭头指示网络Ci之间的连接，其被示为基本框。


13、《Attention U-Net: Learning Where to Look for the Pancreas》


14、《Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation》




15、《Concurrent Spatial and Channel ‘Squeeze & Excitation’ in Fully Convolutional Networks》

16、《AnatomyNet: Deep Learning for Fast and Fully Automated Whole-volume Segmentation of Head and Neck Anatomy》

AnatomyNet是U-Net的一种变体，仅具有一个下采样和挤压和激励（SE）残余构造块。 符号@前面的数字表示输出通道的数量，而符号后面的数字表示相对于输入的特征图的大小。 在解码器中，我们使用级联功能。 采用Hybrid损失和焦点损失的混合损失来迫使模型学习分类不充分的体素。 蒙版和加权损失函数分别用于缺少标注和平衡梯度下降的地面真实情况。 解码器层与编码器层对称。 SE残留块显示在右上角。
17、《Fully Dense UNet for 2D Sparse Photoacoustic Tomography Artifact Removal》


18、《MultiResUNet : Rethinking the U-Net Architecture for Multimodal Biomedical Image Segmentation》

19、《U-NetPlus: A Modified Encoder-Decoder U-Net Architecture for Semantic and Instance Segmentation of Surgical Instrument》

图1.（a）以批归一化的VGG11作为编码器的修改后的U-Net。 每个框对应一个多通道，该通道具有通过一系列转换的地图。 它由上采样路径和下采样路径组成，并且框的高度表示要素地图分辨率，而宽度表示通道数。 青色箭头表示最大合并操作，而浅绿色箭头表示将信息从编码器传输到解码器的跳过连接。 红色向上箭头表示解码器，该解码器由比例因子为2的最近邻居上采样，后跟2个卷积层和ReLU激活函数组成； （b）-（d）最近邻插值的工作原理，其中将低分辨率图像调整为原始图像的大小。
20、《CE-Net: Context Encoder Network for 2D Medical Image Segmentation》

图1.提议的CE-Net的图示。 首先，将图像输入到特征编码器模块，其中从ImageNet预训练的ResNet-34块用于替换原始的U-Net编码器块。 提出了上下文提取器来生成更多高级语义特征图。 它包含一个密集的无规卷积（DAC）块和一个残留的多核池（RMP）块。 最后，将提取的特征馈入特征解码器模块。 在本文中，我们采用了解码器块来扩大特征尺寸，从而取代了原始的上采样操作。 解码器块包含1×1卷积和3×3解卷积运算。 基于跳过连接和解码器块，我们获得掩码作为分段预测图。

图3.密集的多孔卷积块的图示。 它包含四个级联分支，无级卷积的数量从1到1、3和5逐渐增加，那么每个分支的接收场将是3、7、9、19。因此，网络可以提取特征 不同的规模。

图4.残余多核池化（RMP）策略的图示。 所提出的RMP使用四个不同大小的池内核来收集上下文信息。 然后将特征馈入1×1卷积以减小特征图的维数。 最后，将上采样特征与原始特征连接在一起。
21、《A NOVEL FOCAL TVERSKY LOSS FUNCTION WITH IMPROVED ATTENTION U-NET FOR LESION SEGMENTATION》

图3.改编自[5]的附加注意门（AG）的示意图。 输入特征xl用关注系数αi缩放，以将相关特征传播到解码层输出xˆl。 较粗的选通信号g提供上下文信息，而来自输入xl的空间区域提供位置信息。 通过双线性插值计算特征图重采样。
22、《Connection Sensitive Attention U-NET for Accurate Retinal Vessel Segmentation》


23、《CIA-Net: Robust Nuclei Instance Segmentation with Contour-aware Information Aggregation》


24、《W-Net: Reinforced U-Net for Density Map Estimation》


25、《Recurrent U-Net for Resource-Constrained Segmentation》

图2：循环细分。 （a）[19，21]的简单策略包括将先前的分割掩码st-1与图像x串联，并将其循环馈送到网络。 （b）对于序列分段，要考虑网络的内部状态，可以改为将CNN与标准的循环单元结合起来，如[37]中所述。 在这里，我们以[30]（c）的U-Net体系结构为基础，并建议在其多个层上构建一个循环单元，如（d）所示。 这使我们能够通过递归传播更高级别的信息，并且结合分段掩码的递归，其性能优于两个更简单的递归体系结构（a）和（b）。

图3：循环UNet（R-UNet）。 （a）如图2（d）所示，我们的模型在循环单元中合并了几个编码和解码层。 包围哪个图层的选择由参数‘决定。 （b）对于l= 3，重复发生在U-Net编码器的第三个池化层之后。 然后，循环单元的输出通过三个解码上卷积块。 我们设计了两个不同的循环单元，即双门循环单元（DRU）（c）和单门循环单元（SRU）（d）。 它们的不同之处在于，第一个输入具有一个附加的复位门。 有关更多详细信息，请参见正文。
26、《A Partially Reversible U-Net for Memory-Efficient Volumetric Image Segmentation》

27、《ResUNet-a: a deep learning framework for semantic segmentation of remotely sensed data》

图1：ResUNet-a d6网络概述。 （a）左（向下）分支是体系结构的编码器部分。 右（向上）分支是解码器。
最后的卷积层具有与不同类别一样多的通道。 （b）ResUNet-a网络的组成部分。 剩余块中的每个单元与所有其他单元具有相同数量的过滤器。 这里d1; ：：：; dn指定不同的膨胀率，（c）金字塔场景解析池层。 合并发生在原始图像的1 / 1、1 / 2、1 / 4和1/8部分中。
29、《RAUNet: Residual Attention U-Net for Semantic Segmentation of Cataract Surgical Instruments》


29、《Recurrent U-Net for Resource-Constrained Segmentation》


30、《U2-Net: Going Deeper with Nested U-Structure for Salient Object Detection》