U-Net網絡在醫學圖像分割任務中取得了很好的成績。近年來，眾多學者針對U-Net結構不斷地進行研究和擴展，比如編、解碼器的改進和跳躍連接的改進。本文針對基于U-Net網絡結構改進的醫學圖像分割技術從以下角度進行總結：首先，闡述U-Net網絡在醫學圖像分割領域中的應用；然后，總結U-Net的七大改進機制：密集連接機制、殘差連接機制、多尺度機制、集成機制、膨脹機制、注意力機制以及Transformer機制；最后，探討U-Net結構改進的思路和方法，為相關研究提供參考，對U-Net的進一步發展具有一定的積極意義。
皮膚是人體最大的器官，很多內臟疾病會直接體現在皮膚上，準確分割皮膚病灶圖像具有重要的臨床意義。針對皮膚病灶區域顏色復雜、邊界模糊、尺度信息參差不齊等特點，本文提出一種基于密集空洞空間金字塔池化（DenseASPP）和注意力機制的皮膚病灶圖像分割方法。該方法以U型網絡（U-Net）為基礎，首先重新設計新的編碼器，以大量殘差連接代替普通的卷積堆疊，在拓展網絡深度后還能有效保留關鍵特征；其次，將通道注意力與空間注意力融合并加入殘差連接，從而使網絡自適應地學習圖像的通道與空間特征；最后，引入并重新設計的DenseASPP以擴大感受野尺寸并獲取多尺度特征信息。本文所提算法在國際皮膚影像協會官方公開數據集（ISIC2016）中得到令人滿意的結果，平均交并比（mIOU）、敏感度（SE）、精確率（PC）、準確率（ACC）和戴斯相似性系數（Dice）分別為0.901 8、0.945 9、0.948 7、0.968 1、0.947 3。實驗結果證明，本文方法能夠提高皮膚病灶圖像分割效果，有望能為專業皮膚病醫生提供輔助診斷。