UNet 3+：用于医学图像分割的全尺度连接UNet

近年来，基于深度学习的语义分割受到越来越多关注。UNet 是一种采用编码器-解码器结构的深度神经网络，在医学图像分割领域得到了广泛应用。融合多尺度特征是实现精确分割的重要因素之一。UNet++ 作为 UNet 的改进版本，通过引入嵌套的密集跳跃连接结构进行了优化。然而，该方法在充分挖掘全尺度信息方面仍显不足，仍有较大的提升空间。本文提出一种新型网络结构 UNet 3+，其充分利用全尺度跳跃连接与深度监督机制。全尺度跳跃连接能够将不同尺度特征图中的低层细节信息与高层语义信息进行有效融合；而深度监督则通过全尺度聚合的特征图学习分层表征。该方法在处理尺度变化较大的器官分割任务中表现出显著优势。此外，所提方法不仅提升了分割精度，还通过减少网络参数量有效提升了计算效率。为进一步优化分割效果，本文还设计了一种混合损失函数，并引入分类引导模块，以增强器官边界识别能力，降低非器官区域的过分割现象，从而获得更精准的分割结果。所提方法在两个公开数据集上均验证了其有效性。代码已开源，地址为：github.com/ZJUGiveLab/UNet-Version