目的是将 nn-Unet 模型应用到切割脑出血CT图像上

论文学习步骤为

1.学习Unet，Unet++等模型作为复现nn-Unet模型的基础。

2.学习nn-Unet原论文，掌握nn-Unet的结构。

3.学习将nn-Unet模型应用到切割脑出血CT医学图像的相关论文。

这周学习了Unet，++Unet相关论文，下面是对这两篇论文的总结。

Unet论文总结

Unet这个模型，主要由两个部分组成，分别是收缩路径和扩展路径两个部分组成，并由这篇论文中提出的新结构跳跃连接（Skip Connections）使得每一层的卷积部分都会与反卷积部分对应层的输出连接起来，形成一种U型结构。这种结构就是论文中所说的“全卷积网络”。

收缩路径主要是基础的CNN层，作用是缩小图片的空间尺寸大小，并不断提取图片中的特征信息。扩展路径主要是上采样模块（反卷积模块），作用是逐渐恢复图片的空间尺寸大小，并借助跳跃连接从收缩路径中捕捉遗落的一些图片中的细节特征。而跳跃连接的原理主要是，收缩路径层和扩展路径层中的通道数量和数据大小相互照应，通过这些是他们连接起来。

与基本的CNN模型相比，Unet模型训练的速度更快，并且能捕捉更多的图片的细节特征，使模型的准确率更高。而且在数据集比较少的情况下，也能保持较高的准确率。

U-Net: Convolutional networks for biomedical image segmentation.

Ronneberger, O., Fischer, P., & Brox, T. (2015).

Unet++论文总结

Unet++这个模型，是Unet模型的优化版，主要和Unet不同的地方是跳跃连接，这篇论文中提出了更加复杂，同时效果也更好的跳跃连接网络结构，在Unet中的跳跃连接中，解码器中的层只能和对应的编码器中的层拼接，使其更好的捕捉恢复图片中的细节特征，而在Unet++中的跳跃连接中，解码器中的层不仅能和对应的编码器中的层拼接，还能和其他编码器的层通过卷积的方式使其数据格式一致后拼接，使其能够捕捉更多的细节特征。这种设计可以避免通过池化层逐步降低空间分辨率时丢失的细节，并且通过解码器逐层恢复图像时利用不同层次的特征信息，提升模型的效果。

UNet++: A nested U-Net architecture for medical image

Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., & Liang, J. (2018).