Die meisten Methoden zur Segmentierung medizinischer Bilder verwenden U-Net oder dessen Varianten, da diese in den meisten Anwendungen erfolgreich waren. Nach einer detaillierten Analyse dieser „traditionellen“ Ansätze auf Basis von Encoder-Decoder-Architekturen stellten wir fest, dass sie bei der Erkennung kleiner Strukturen schlecht abschneiden und nicht in der Lage sind, Randbereiche präzise zu segmentieren. Dieses Problem kann darauf zurückgeführt werden, dass die Rezeptorfeldgröße zunimmt, je tiefer man in den Encoder vordringt. Die verstärkte Konzentration auf das Lernen hochstufiger Merkmale führt dazu, dass Ansätze auf Basis von U-Net weniger Informationen über niedrigstufige Merkmale lernen, die für die Erkennung kleiner Strukturen entscheidend sind. Um dieses Problem zu bewältigen, schlagen wir eine überkomplette Faltungsbasierte Architektur vor, bei der wir unser Eingangsbild in eine höhere Dimension projizieren, sodass wir die Zunahme des Rezeptorfelds in den tiefen Schichten des Netzes einschränken. Wir entwickeln eine neue Architektur für die Bildsegmentierung – KiU-Net – mit zwei Zweigen: (1) ein überkompletes Faltungsnetzwerk Kite-Net, das feine Details und genaue Ränder des Eingangs bildet, und (2) U-Net, das hochstufige Merkmale lernt. Darüber hinaus schlagen wir auch KiU-Net 3D vor, eine dreidimensionale Faltungsbasierte Architektur für die Volumensegmentierung. Wir führen eine detaillierte Studie von KiU-Net durch und testen es an fünf verschiedenen Datensätzen mit verschiedenen Bildmodalitäten wie Ultraschall (US), Magnetresonanztomografie (MRT), Computertomografie (CT), Mikroskopie und Fundusbildern. Die vorgeschlagene Methode erzielt im Vergleich zu allen aktuellen Methoden bessere Ergebnisse und bietet zudem den Vorteil weniger Parameter und schnellerer Konvergenz. Zudem zeigen wir auch, dass Erweiterungen von KiU-Net basierend auf Residualblöcken und Denseblöcken zu weiteren Leistungsverbesserungen führen. Die Implementierung von KiU-Net ist hier zu finden: https://github.com/jeya-maria-jose/KiU-Net-pytorch