U-Net網絡模型屬於全卷積神經網絡的一種，是一個有監督的端到端的圖像分割網絡，由弗萊堡大學Olaf在ISBI舉辦的細胞影像分割比賽中提出的[1]。其網絡結構形式字母U，如圖，命名為U-Net，網絡主要由兩部分，收縮路徑（編碼層）和擴展路徑（解碼層），前者主要用於提取圖片的上下信息，后者用於對圖片中感興趣區域進行精准定位。U-Net基於FCN[2]進行改進，采取數據增強策略，實現小樣本的准確學習，主要適用於獲取代價較大的醫學影像數據。
整個模型含有23個卷積層，在編碼層每一層使用兩個卷積核大小為3×3，后使用ReLU激活函數，再通過2×2大小的最大池化層（類似於卷積，不同的是取局部最大值）向下采樣，每次采樣后其通道數翻倍。（增加卷積核的個數，就可以使通道數翻倍）
在解碼層采用2×2卷積核的逆卷積（通過padding后卷積實現輸出高寬大於輸入高寬）向上采樣，以及將通道數減半，后使用跳躍鏈接將編碼層中的等分辨率的特征圖與當前的特征圖進行拼接，再使用兩個卷積層（其中第一個卷積層將圖像的通道數減半）和ReLU激活函數對圖像進行特征提取，最后一個卷積核為1×1對特征圖的通道數進行歸約，將其縮減為分割類別一致。（減少卷積核的個數，就可以縮減通道數）
[1] 2015-Olaf-U-Net: Convolutional Networks for Biomedical Image Segmentation
[2] 2015-long-Fully Convolutional Networks for Semantic Segmentation
評價指標：
主要是Dice指數和Jaccard指數，用於計算計算分割結果與專家標注結果（GroundTruth）的重疊比例大小。
損失函數：交叉熵損失、Focal損失
Github項目:
32 Star https://github.com/scottykwok/cervix-roi-segmentation-by-unet
2 Star https://github.com/ElijhaLee2/Cervix_Classification_GAN
Newest https://github.com/fxfviolet/UNet_for_cervix_segmentation