UNet++： A Nested U-Net Architecturefor Medical Image Segmentation（用于医学图像分割的嵌套U-Net体系结构）

翻译参考的是UNet++ 论文翻译_unet++中文-CSDN博客方便自己阅读

题目：UNet++: A Nested U-Net Architecture for Medical Image Segmentation
UNet++：一种用于医学图像分割的嵌套U-Net体系结构
2018 CVPR
周纵苇，发表论文时是一个在读二年级的博士，在亚利桑那州立大学念生物信息学。

摘要：在本文中，我们提出了一种新的、更强大的医学图像分割体系结构UNet++。我们的架构本质上是一种深度监督的编解码器网络，其中编码器和编解码器子网通过一系列嵌套的、密集的跳跃路径连接起来。重新设计的跳跃路径旨在缩小编码和解码子网络 特征映射之间的语义鸿沟-。我们当解码器和编码器网络的特征映射在语义上相似时，优化器将处理更容易的学习任务。我们评估了UNet++与U-Net和wide-U-Net架构在多个医学图像分割中的比较任务：结节分割在胸部低剂量CT扫描中，显微镜图像中的细胞核分离，腹部CT扫描中的肝脏分割，结肠镜视频中的息肉分割。实验结果表明，具有深度监控的UNet++在U网和宽U网上分别获得了3.9和3.4点的IoU增益。
1 Introduction
最先进的图像分割模型是编解码器体系结构的变体，如U-Net[9]和完全卷积网络(FCN)[8]。 这些用于 分割的的编解码网络 有一个关键的相似性：跳过连接，它将来自解码器子网的深、语义、粗粒度特征映射与来自编码器子网的浅、低级别、细粒度特征映射相结合 。 跳过连接已被证明有效地恢复目标对象的细粒度细节；即使在复杂的背景下，也能生成具有精细细节的分割掩码。跳跃连接对于实例级分割模型(如掩码RCNN)的成功也是至关重要的，它能够分割被遮挡的对象。 可以说，图像分割在自然图像 分割达到令人满意的性能水平，但这些模型是否满足医学图像的严格分割要求？
医学图像中的分割病变或异常需要比自然图像中所需的更高的准确性。 而精确的分割掩码在自然图像中可能不是关键 即使是医学图像中的边缘分割误差也会导致临床环境中用户体验差。 例如， 结节周围细微的旋转模式可能表明结节恶性；因此，将它们排除在分割掩模之外将降低模型在临床中的可信度 。 此外，不准确的分割也可能导致随后的计算能量诊断的重大变化。 例如，纵向研究中对结节生长的错误测量可能导致将不正确的肺-RADS类别分配给筛查患者。 因此，需要设计更有效的图像分割体系结构，以有效地恢复医学图像中目标对象的精细细节。
为了解决医学图像中更精确分割的需要，我们提出了一种基于嵌套和密集跳过连接的新分割体系结构UNET++。 我们架构的基本假设是： 当编码