在本文中，我将尝试总结剩余UNET、其体系结构和应用程序。在此之前，我已经介绍了基本UNET、3D UNET和注意UNET，所有这些都可以在这里找到。here

在医学图像分割中，如从CT图像中分割肺部，存在光照条件差、形状不规则、边界模糊等问题。形态学技术，如阈值，在最近的过去已经被用于自动分割，但它们导致在光照不均匀和高度可变的肺形态情况下的泛化能力较差。模糊连通性被用来确定分割的邻接关系，而肋骨信息被用来求精。此外，还使用依赖于种子选择的区域生长方法。该方法存在过度分割和泄漏问题。

与传统的图像处理技术相反，研究人员还利用了有监督的技术。其中一些示例是基于形状和基于地图集的模型。这些方法需要事先的解剖学知识，而且计算成本很高。最近，深度学习方法由于能够直接从数据中学习而显著提高了目标识别和分割领域的最新水平。非常复杂的函数可以通过多级转换来学习。

残余UNET

最近的一些研究已经展示了如何有效地训练非常深的网络，例如批处理归一化技术。但是这些技术不能解决退化问题。因此，近年来研究者们提出了一种称为残差学习的新方法。剩余技术可以通过引入捷径连接(SC)来处理退化问题。

残差单位

残差技术改善了网络中的信息流动。此外，它参照层输入将层重新表示为学习残差函数。因此，它克服了更深层次网络的退化问题。深度残差网络包含残差块的集合，这些集合中的每一个都由诸如批归一化(BN)、RELU激活、权重层(即卷积层)之类的堆叠层组成。快捷连接是那些跳过神经网络中一个或多个层的连接。SC经过卷积层以保持具有主要卷积挡路的输出的尺寸。具有卷积层的SC由SC(Conv)表示。在构造残差单元之后，我们可以通过堆叠残差单元来进一步构建非常深的卷积编解码器。

架构

在编码器和解码器路径中总共存在四级，并且每一级由残余挡路组成。每一级被认为是一个单元，并且在编码器路径的每一级中都有重复的单元。对于阶段1，有3个单元。阶段2、阶段3的单元数量分别为4个和6个。最后阶段有3个单元。

• 编码器路径-编码器部分共有50个卷积层，包括通过卷积层的捷径连接。在每个挡路中执行卷积运算。将输入图像的大小调整为128×128，然后对该批次执行批次归一化。批归一化后进行二维卷积，过滤大小为3×3。
• 解码器路径-解码器部分实现由上采样层、级联层以及卷积、BN和RELU激活堆栈组成的剩余U网。利用上采样层的主要优点是重建激活的原始大小，并生成密集的激活图。上采样任务采用转置卷积。最后，采用1×1卷积层，后跟S型激活函数。Sigmoid激活函数用于在所提出的模型的输出处生成概率得分。该层将单通道特征表示提供给所需的分割地图。

深度剩余U网在细胞核分割、脑组织量化、脑结构映射、视网膜血管分割、乳腺癌、肝癌、前列腺癌、内窥镜检查、黑色素瘤、骨肉瘤、骨结构分析、心脏结构分析等生物医学成像领域有着广泛的应用。深度剩余U网是复杂图像分析应用的理想选择。

请继续关注下一篇文章。另外，也可以在这里找到上一篇关于注意UNET的文章。here

参考文献

Siddique，Nahian等人。“用于医学图像分割的U-网及其变体：理论和应用。”arxiv预印本arxiv：2011.01118(2020年)。

Khanna，Anita等人。“一种用于计算机断层扫描图像中肺自动分割的深度残差U-Net卷积神经网络。”生物控制论与生物医学工程40.3(2020)：1314-1327。