U-Net

Parent: ai_keywords

U-Net

核心定义

U-Net 是一种专为生物医学图像分割设计的全卷积神经网络架构，由 Olaf Ronneberger 等人于 2015 年的 MICCAI 会议上提出。其结构呈对称的“U”形，左侧为收缩路径（编码器），通过卷积和下采样提取多尺度特征；右侧为扩张路径（解码器），通过上采样恢复分辨率并输出像素级分割掩膜。U 形结构中的跳跃连接（skip connections）将编码器每一层的特征直接拼接至解码器对应层，弥补下采样导致的空间信息损失。该网络在小样本、弱对比度、多形态病灶的医学图像中表现出卓越的分割精度，成为医学影像分析领域的基准模型。

关键技术点

• 对称编码器-解码器结构：编码器逐步下采样压缩特征、增加通道数；解码器逐层上采样恢复空间细节，最终输出与原图尺寸相同的分割概率图。
• 跳跃连接：将编码器每层的高分辨率特征图与解码器经过上采样的特征图在通道维度拼接，使低层纹理信息和高层语义信息得以融合，显著提升边缘分割精度。
• 弹性变形数据增强：针对医学图像样本稀缺的问题，U-Net 引入随机弹性变换（如拉伸、扭曲）和仿射变换，极大扩充训练数据多样性，改善模型泛化能力。
• 端到端像素级分类：使用像素级交叉熵损失或 Dice 损失函数，训练过程直接优化分割结果与金标准的重叠度，输出每个像素的类别归属。
• 参数高效与强迁移性：U-Net 参数量适中（约 3100 万），在小数据集上即可训练收敛，且易于微调迁移至不同器官或模态的分割任务。

医学/神经科学应用场景

基于 U-Net 的脑胶质瘤 MRI 自动分割（结合首都医科大学神经病学研究背景）

首都医科大学附属北京天坛医院是国内神经疾病诊疗与研究的重镇，脑胶质瘤是临床最常见且预后极差的颅内原发性肿瘤。U-Net 被广泛用于多模态 MRI（T1、T1ce、T2、FLAIR）中肿瘤区域的自动分割，可区分瘤周水肿、增强核心、坏死囊变等亚区域。利用三维 U-Net（3D U-Net）及其变体（如 nnU-Net），研究团队能够在术前影像上快速、精准地勾画肿瘤边界，计算肿瘤体积与浸润范围，辅助制定手术切除方案和放疗靶区规划。此外，U-Net 还被应用于急性缺血性卒中 DWI 序列的梗死核心分割、多发性硬化 T2-FLAIR 病灶检测，以及阿尔茨海默病海马亚区体积测量等神经科学前沿课题，显著降低了人工标注的主观差异性，提高了大规模队列研究的效率。