UNet++：用于医学图像分割的嵌套U-Net架构

UNet++是一种新的通用图像分割架构，用于更准确的图像分割。UNet++由不同深度的U-Net组成，其解码器通过重新设计的跳跃路径在相同分辨率下密集连接，旨在解决U-Net的两个关键挑战：1）最优架构的未知深度和2）跳跃连接不必要的限制性设计。

论文

本仓库提供了以下论文中UNet++的官方Keras实现：

UNet++：重新设计跳跃连接以利用图像分割中的多尺度特征
周宗伟，Md Mahfuzur Rahman Siddiquee，Nima Tajbakhsh和Jianming Liang
亚利桑那州立大学
IEEE医学影像汇刊（TMI）
论文 | 代码

UNet++：用于医学图像分割的嵌套U-Net架构
周宗伟，Md Mahfuzur Rahman Siddiquee，Nima Tajbakhsh和Jianming Liang
亚利桑那州立大学
2018年医学图像分析中的深度学习（DLMIA）。（口头报告）
论文 | 代码 | 幻灯片 | 海报 | 博客

官方实现

• keras/
• pytorch/

其他实现

• [PyTorch]（由Pavel Yakubovskiy提供）
• [PyTorch]（由4ui_iurz1提供）
• [PyTorch]（由Hong Jing提供）
• [PyTorch]（由ZJUGiveLab提供）
• [PyTorch]（由MontaEllis提供）
• [Keras]（由Siddhartha提供）

引用

如果您在研究中使用UNet++，请引用我们的论文：

@article{zhou2019unetplusplus,
  title={UNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation},
  author={Zhou, Zongwei and Siddiquee, Md Mahfuzur Rahman and Tajbakhsh, Nima and Liang, Jianming},
  journal={IEEE Transactions on Medical Imaging},
  year={2019},
  publisher={IEEE}
}

@incollection{zhou2018unetplusplus,
  title={Unet++: A Nested U-Net Architecture for Medical Image Segmentation},
  author={Zhou, Zongwei and Siddiquee, Md Mahfuzur Rahman and Tajbakhsh, Nima and Liang, Jianming},
  booktitle={Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support},
  pages={3--11},
  year={2018},
  publisher={Springer}
}

@phdthesis{zhou2021towards,
  title={Towards Annotation-Efficient Deep Learning for Computer-Aided Diagnosis},
  author={Zhou, Zongwei},
  year={2021},
  school={Arizona State University}
}

致谢

本研究部分得到了NIH（授权号R01HL128785）以及ASU和Mayo Clinic通过种子基金和创新基金的支持。内容完全由作者负责，不一定代表NIH的官方观点。这是一项正在申请专利的技术。