医学图像分割研究生，想放弃了咋办~？

这有什么放弃的，照着别人的论文魔改一下，水就是了

U-Net 在FCN 的基础上 增加了 上采样 操作的次数和 跳跃连接 ，使用跳跃连接将 解码器 的输出特征与 编码器 的语义特征融合，提高了分割精度，改善了 FCN 上采样不足的问题 。

U-Net中没有全连接层， 通过互连卷积与 反卷积 过程中的特征，将上下文信息传递到更高层，实现了信息补充 ；另外，其 网络深层的卷积特征图中包含了分割的抽象特征，有利于像素分类 ，具有语义分割模型的端对端特点。U-Net 具有 数据量需求小和训练速度快的特点 ，在标记数据稀缺的医学影像分割领域得到了广泛应用。 然而，仅使用 U-Net 不能满足对小病灶分割精度的需求，因此一些研究以 U-Net 作为基准模型，此外还有不少网络结构效果也不错。
知识蒸馏网络结构

FCN 分割网络架构

决策级融合网络结构

AG-Net 结构

并行编码器 —解码器网络结构

层级融合网络结构

TSBTS 网络结构

混合级联网络结构

输入级融合网络结构

以病例图像分割为例，首先病理图像分割的挑战如下：
(1) 由于组织病理图像中组织基元