论文作者：Walid Ehab,Yongmin Li

作者单位：Brunel University London

论文链接：http://arxiv.org/abs/2309.13013v1

内容简介：

1）方向：医学图像分割

2）应用：医学图像分割

3）背景：医学影像在现代医疗保健中发挥着关键作用，通过提供对内部结构和异常的非侵入式可视化，实现了早期疾病检测、准确诊断和治疗规划。

4）方法：本次工作专注于UNet架构及其变体在医学图像分割中的应用。研究评估了这些模型在各种具有挑战性的医学图像分割任务中的性能，涵盖了诸如图像归一化、调整大小、架构选择、损失函数设计和超参数调整等问题。研究发现，标准的UNet在添加了深度网络层的情况下，是一个高效的医学图像分割模型，而Res-UNet和Attention Res-UNet架构在处理精细图像细节时表现出更平滑的收敛和更优越的性能。

5）结果：研究还通过仔细的预处理和损失函数定义来解决高类别不平衡的挑战。研究预计将为寻求将这些模型应用于新的医学图像问题的研究人员提供有用的见解，并为其实施提供指导和最佳实践。