【论文解读】U-Net深度解析：医学图像分割的里程碑式突破

论文信息

标题: U-Net: Convolutional Networks for Biomedical Image Segmentation
作者: Olaf Ronneberger, Philipp Fischer, Thomas Brox
机构: 德国弗莱堡大学计算机科学系和BIOSS生物信号研究中心
发表: MICCAI 2015
引用量: 70,000+（Google Scholar，2026年数据）
论文链接: arXiv:1505.04597

一、研究背景：深度学习在医学图像分割的困境

1.1 深度学习的兴起与局限

2012年，AlexNet在ImageNet上的突破性表现标志着深度学习时代的到来。然而，在医学图像处理领域，深度学习面临着两大核心挑战：

挑战一：标注数据极度稀缺

• ImageNet拥有100万张训练图像
• 医学图像通常只有几十到几百张标注样本
• 医学图像标注需要专业医生参与，成本极高

挑战二：像素级定位需求

• 传统CNN用于分类任务，输出单个类别标签
• 医学图像需要像素级分割，每个像素都要分类