32、U-Net：用于多疾病诊断的多功能深度学习架构

U-Net：用于多疾病诊断的多功能深度学习架构

1. U-Net在脑肿瘤分割中的应用

1.1 数据准备与预处理

从不同机构获取的放射图像具有不同的协议和扫描设备。整合所有图像需要进行一些初步调整，使其符合统一标准。常用技术包括映射到相同的解剖结构、去除颅骨和其他非脑组织、插值体素或像素分辨率、归一化像素强度值以及直方图匹配。

1.2 U-Net的定制与训练

由于计算能力的进步，用于分割医学图像的更复杂U-Net模型不断涌现。以下是一些表现出色的架构：
- Isensee等人提出了具有跳跃连接的5阶段编码器 - 解码器架构，强调基于区域的训练、广泛的数据增强后处理以及多个3D U-Net模型的集成预测。
- Jia等人提出了两阶段级联方法，从粗到细分割大脑区域。先使用单个模型分割较大的大脑区域，再级联其他模型将脑肿瘤分割成更详细的子区域。
- Yuan等人提出了全尺度注意力网络，将每层的跳跃连接替换为来自所有层的跳跃连接，使每个解码层考虑所有编码层的输出特征图，从而捕获不同尺度的详细和广泛上下文。
- Jia等人将Transformer和自注意力机制融入3D U-Net，以捕获长距离依赖关系。

1.3 结果、性能与验证

评估常用的标准指标是Dice相似系数（DSC），用于衡量预测区域和真实区域的重叠像素面积。DSC范围从0到100，0表示无重叠，100表示完全一致。以下是在BraTS 2020和2021数据集上的顶级方法结果：
| 方法 | 数据集 | DSC |
| — | — | — |
| Isensee等人 | 训练集 - 369，测