近年来,随着深度学习的迅速发展,医学图像分割技术取得了重大突破。在这方面,U-Net一直是医学影像界最流行的架构。U-Net是一种端对端的对称模型,在分割多模态医学图像方面表现了卓越的性能,为医生诊断和治疗病人提供了方便。但通过对医学数据集进行的多次实验,发现传统的U-Net在某些方面有不足的地方。因此本论文提出了一种新的深度学习模型来改进经典U-Net,本模型是基于DenseNet、ResNet的思想和U-Net的网络结构,故称它为ResDense UNet。并在皮肤病变的数据集和光学细胞的数据集上进行了多次测试与比较。ResDense U-net与经典U-Net相比,性能分别提升了3.07%、1.38%。虽然模型结构没有变化很大,但是在性能提升上较为明显,同时在成像的细节方面也比UNet更为完善。本文创新点如下:第一,基于ResNet和DenseNet的思想,将原U-Net中的连续双层卷积替换为ResDense-block,来缓解梯度消失和加强特征重用。考虑到U-Net原有的通道数逐级倍增,对ResDense-block中的输出通道做了些许调整,减少了参数,防止过拟合。第二,将所有基础卷积层替换为非对称卷积块,它的卷积核骨架是“十”字形的。虽然增长了训练时间,但是精度有所提高,并且采用了层归一化(LN)来提高模型的性能,使得模型的稳定不再依赖(7(6(8?4)0)的取值。第三,原U-Net是网络左半部提取的浅层特征与网络右半部提取的深层特征直接做了拼接,这种深层特征与浅层特征的直接拼接可能会对网络表达产生负面影响。本模型对这个长连接加入了数量级的Res-block,4,3,2,1,即最上层的长连接加入了4个Res-block,以此类推。这是考虑到深层特征与浅层特征有一定的语义差异,越靠近上层,这种差异越大,越靠近“U”底部,这种差异越小。也考虑过使用Dense-block,然而这里更多地是深层与浅层的问题,Resblock可以更好地解决深层网络问题,所以采用Res-block。医学图像在做分割时,感兴趣区域往往只占一小部分,且有可能遍及图像整体,这大大增加了分割的难度,尤其是在目标的边界区域。实验证明,本文的网络模型在这方面比经典U-Net表现更卓越。