该研究提出了一种新颖的SAMA-UNet架构，旨在提高医学图像分割效率。其创新点在于自适应美洲蛇聚合注意力块，通过动态权重调整优先处理最相关特征。实验结果表明，SAMA-UNet在MRI、CT及内窥镜图像分割精度上优于现有模型。

本研究解决了心脏磁共振图像（CMR）中左、右心室及心肌瘢痕组织的分割问题。提出了一种整合UNet、通道与空间注意力、边缘检测跳接和深度监督学习的模型，显著提高了图像分割的准确性，实现了98%的Dice相似度评分和更低的Hausdorff距离，表现优于其他先进技术。

本研究提出了一种结合可逆UNet和可逆注意力模块的新架构，旨在解决扩散模型在医学图像合成中的高计算资源需求问题。该模型在单个GPU上实现了内存高效训练，内存使用与数据集维度无关，能耗降低，并且在3D BraTS2020数据集上内存消耗减少15%，图像质量保持在最新水平。

本研究提出了一种新颖的Attention Xception UNet（AXUNet）架构，结合了Xception主干和自注意力模块，优化脑胶质瘤肿瘤分割。AXUNet在肿瘤轮廓划分上表现优异，平均Dice分数达到93.73，显示其在临床应用中的潜力。

本研究解决了医学图像分割中的精确性和计算效率问题，特别是在复杂的多模态MRI数据集和多样化肿瘤形态分析中。论文提出的PSO-UNet结合了粒子群优化与U-Net架构，实现动态超参数优化，显著提高了分割性能，并降低了计算复杂度，展示了其在临床应用中的潜力和优势。

本研究提出KM-UNet，结合Kolmogorov-Arnold网络与状态空间模型，解决了传统卷积神经网络在长距离依赖建模及变换器模型计算复杂性的问题。实验结果表明，KM-UNet在医学图像分割中表现优异，提供了高效且可解释的新基线。

本文针对现有语音增强研究中的自注意力机制复杂度限制问题，提出了一种创新架构Mamba-SEUNet，将蒙巴模型与U-Net相结合，以有效建模语音信号的前向和后向依赖。同时，通过多尺度信息捕捉与跳跃连接，实验结果表明该方法在VCTK+DEMAND数据集上取得了3.59的PESQ分数，并在结合知觉对比增强技术后进一步提升至3.73，展示了其在语音增强领域的卓越表现。

本研究探讨了头颈肿瘤及转移性淋巴结的MRI图像分割，特别是在放疗前后的自动化处理。结合预训练权重和数据增强，模型在放疗前和中期图像上的分割表现分别为82.38%和72.53%，显示了其在头颈癌诊断与治疗中的潜在应用价值。

本研究提出HES-UNet模型，解决肝囊虫病病灶分割中的特征融合不足问题。该模型结合卷积层和注意力模块，显著提高了分割精度，Dice相似系数达到89.21%。

本研究提出了一种名为CAD-Unet的深度网络架构，结合胶囊网络，以提高COVID-19肺部感染在CT图像中的分割精度。实验结果表明，该模型在公共数据集上的表现优于现有方法，具有良好的临床应用前景。

本研究提出了一种新型脑肿瘤分割网络A4-Unet，旨在解决现有模型在MRI复杂性和变异性方面的不足。该网络通过引入可变形大核注意力机制和交叉通道注意力，在BraTS 2020数据集中实现了94.4%的Dice得分，显著提升了分割准确性。

本研究解决了现有UNet和UNet++模型在乳腺超声图像分割中对时间特征关注不足的问题。通过整合LSTM层和自注意力机制，并引入多尺度特征提取模块，提升了模型对时间变化的敏感性。研究结果表明，该方法在准确性和其他评价指标上具有竞争力，能够显著提高乳腺癌早期检测的效率。

本研究针对超声图像中轮廓模糊和伪影形成问题，提出了一种基于轮廓的概率分割模型CP-UNet，旨在增强分割网络在解码过程中的轮廓聚焦。实验结果表明，该方法在乳腺和甲状腺病变的分割性能上优于多种先进的深度学习分割方法。

本研究提出TP-UNet，解决了现有UNet在医学图像分割中对顺序信息整合的不足。通过时间提示和无监督对比学习，TP-UNet有效融合时间信息与图像特征，展现出优异的分割性能，具有临床应用潜力。

本研究提出了一种基于端到端Inception-Unet的生成对抗网络，用于去除单图像中的雪和雨。该框架结合特征提取和经典U-net生成网络，显著提升去除效果。实验结果表明，该方法在合成和真实数据集上优于现有技术。

本研究提出了MLLA-UNet架构，以应对传统医学图像分割方法在处理复杂图像时面临的挑战，如模糊边界和低对比度。该模型通过线性注意力和自适应机制降低计算复杂度，同时保持高精度，实验结果表明其在多个数据集上表现优异。

本研究提出了一种改进的U-Net架构SFA-UNet，旨在解决红外小物体分割中的局部对比和全局上下文信息利用不足的问题。通过结合Scharr卷积和快速傅里叶卷积，并引入注意力机制，显著提升了小物体的检测和分割性能。该方法在多个公共数据集上表现优异。

本研究针对现有的四倍Bayer模式视频快照压缩成像(SCI)重建算法存在的色彩失真和去马赛克效果不佳的问题，提出了MambaSCI方法。该方法结合Mamba和UNet架构，首次有效重建四倍Bayer模式下的色彩视频SCI，实验结果表明MambaSCI在计算和内存开销方面优于现有最先进的方法，具有显著的性能提升。

本文探讨了降水短时预报中的深度学习模型，如卷积LSTM、UNET和潜在扩散模型，强调了它们在捕捉时空相关性和提高预测准确性方面的优势。研究表明，结合多源气象数据和物理约束的模型能够有效应对降水预测中的不确定性，展现出良好的应用前景。

本文介绍了一种基于扩张卷积神经网络的自动图像分割方法，旨在生成心脏图像的分割掩模和不确定性地图。该方法在心脏MR扫描数据上训练，显著提高了左心室分割的精度，展示了深度学习在心脏分割中的优势，并提出了多种新算法以提升分割性能和准确性，为临床应用提供有效支持。