醫學影像分割研究生，想放棄了咋辦~？

這有什麽放棄的，照著別人的論文魔改一下，水就是了

U-Net 在FCN 的基礎上 增加了 上采樣 操作的次數和 跳躍連線 ，使用跳躍連線將 解碼器 的輸出特征與 編碼器 的語意特征融合，提高了分割精度，改善了 FCN 上采樣不足的問題 。

U-Net中沒有全連線層， 透過互連摺積與 反摺積 過程中的特征，將上下文資訊傳遞到更高層，實作了資訊補充 ；另外，其 網絡深層的摺積特征圖中包含了分割的抽象特征，有利於像素分類 ，具有語意分割模型的端對端特點。U-Net 具有 數據量需求小和訓練速度快的特點 ，在標記數據稀缺的醫學影像分割領域得到了廣泛套用。 然而，僅使用 U-Net 不能滿足對小病竈分割精度的需求，因此一些研究以 U-Net 作為基準模型，此外還有不少網絡結構效果也不錯。
知識蒸餾網絡結構

FCN 分割網絡架構

決策級融合網絡結構

AG-Net 結構

並列編碼器 —解碼器網絡結構

層級融合網絡結構

TSBTS 網絡結構

混合級聯網絡結構

輸入級融合網絡結構

以病例影像分割為例，首先病理影像分割的挑戰如下：
(1) 由於組織病理影像中組織基元