【语义分割系列：六】Unet++ 论文阅读翻译笔记医学图像 pytorch实现

本文链接：https://blog.youkuaiyun.com/qq_31622015/article/details/90668700

本文介绍了Unet++的改进之处，包括重新设计的跳跃路径、深层监督和损失函数。在医学图像语义分割任务中，Unet++通过在跳跃路径上添加卷积层缩小编码器和解码器特征图之间的语义差距，采用密集的跳跃连接优化梯度流，并利用深层监督实现模型剪枝。实验结果显示，Unet++在保持高精度的同时，能够有效减少推理时间。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

UNet++

2018 CVPR

周纵苇，发表论文时是一个在读二年级的博士，在亚利桑那州立大学念生物信息学。

UNet++: A Nested U-Net Architecture for Medical Image Segmentation

研习U-Net++

1、Introduce

UNet++与U-Net的区别：

Re-designed skip pathways
Deep supervision

2、Network

title

（a）黑色表示原始的Unet，绿色和蓝色表示skip pathways 上密集的卷积块，红色表示deep supervision
（b） UNet++的第一个skip pathway 的详细分析。
（c）如果经过deep supervision训练，UNet++可以在推理时进行修剪。

Re-designed skip pathways

title

在U-Net中，编码器的特征图在解码器中直接接收;然而，在UNet++中，它们经历了一个密集的卷积块，其卷积层数依赖于金字塔级。

：denote the output of node
i indexes the down-sampling layer along the encoder
j indexes the convolution layer of the dense block along the skip pathway

title

is a convolution operation followed by an activation function
denotes an up-sampling laye
denotes the concatenation laye
nodes at level j = 0 ：一个输入，来自上一层encoder
nodes at level j = 1 ：两个输入，其中 1 个输入为同一 skip pathway 前1个节点的输出， 1 个为 lower skip pathway 的 up-sampled 输出
nodes at level j > 1 ： j+1 个输入，其中 j 个输入为同一 skip pathway 前 j 个节点的输出， 1 个为 lower skip pathway 的 up-sampled 输出

title

Deep supervisio

enabling the model to operate in two mode:

accurate mode
the outputs from all segmentation branches are averaged
fast mode
the final segmentation map is selected from only one of the segmentation branches , the choice of which determines the extent of model pruning and speed gain

Fig. 1c shows how the choice of segmentation branch in fast mode results in architectures of varying complexit