U-Net最新变体 性能连超UNet++/UNet v2，计算量降低160倍

医学图像分割是医学影像分析中的一项关键技术，它能将医学图像中的组织、病变或解剖结构准确地分离和标记出来，为医生提供关键的定量和定性信息，在临床量化、疾病诊断、治疗计划等实际应用中起到了至关重要的作用。

U-Net是医学图像分割中的最重要的架构之一，以其独特的对称U形结构而闻名，当前图像分割的最先进技术通常也都是基于U-Net结构。但随着技术的进步和新模型的出现，UNet正面临着一些挑战，比如数据集的限制、语义差距、计算资源消耗过高等。

为克服这些挑战，提高模型的性能和应用范围，研究者们提出了许多U-Net的改进方案。今年最新的VM-UNet就是代表，性能连超UNet++/UNet v2等SOTA。

除此之外，结合全新双极路由注意力的BRAU-Net++、Mamba加持的Mamba-UNet、参数和计算量降低494和160倍的EGE-UNet等也让UNet算法焕发第二春。为帮助同学们深入了解原理，获取创新点，我整理了10个最新的U-Net改进方案，来源文章以及开源代码也列上了，方便同学们复现。

论文和代码需要的同学看文末

VM-UNet

Vision Mamba UNet for Medical Image Segmentation

方法：本文首次介绍了一种纯SSM（Selective Sequential Modeling）模型用于医学图像分割的方法，并提出了基于VSS（