2015年，OlafRonneberger等人提出了U-net网络结构，U-net网络是基于FCN的一种语义分割网络，适用于做医学图像的分割
U-net网络结构与FCN网络结构相似，也是分为下采样阶段和上采样阶段，网络结构中只有卷积层和池化层，没有全连接层，网络中较浅的高分辨率层用来解决像素定位的问题，较深的层用来解决像素分类的问题，从而可以实现图像语义级别的分割，与FCN网络不同的是，U-net的上采样阶段与下采样阶段采用了相同数量层次的卷积操作，且使用skip connection结构将下采样层与上采样层相连，使得下采样层提取道的特征可以直接传递到上采样层，这使得U-net网络的像素定位更加准确，分割精度更高。此外没在训练过程中，U-net只需要一次训练，FCN为达到较精确的FCN-8s结构需要三次训练，故U-net网络的训练效率也高于FCN网络。
U-net网络的结构如图所示，蓝色箭头代表卷积和激活函数，灰色箭头代表复制剪切操作，红色箭头代表下采样，绿色箭头代表反卷积，conv1X1代表卷积核为1X1的卷积操作。U-net网络没有全连接层，只有卷积和下采样。U-net可以对像素进行端到端的分割，即输入是一幅图像，输出也是一幅图像。
u-net网络提出后，在医学图像分割领域表现优秀，许多研究者均采用U-net网络结构做医学图像分割，并在U-net网络结构基础上提出改进，CICEK等人提出3D U-net网络结构，改结构通过输入3D图像连续的2D切片序列实现3D图像分割。Milletari等人提出了U-net网络结构的一种3D变形结构V-net，V-net结构使用DICE系数损失函数代替传统的交叉熵损失函数，且使用3D卷积核对图像进行卷积，通过1X1x1的卷积核减少通道维数。Drozdzal等人提出在U-net网络结构中不仅剋使用长跳跃连接结构，也可以使用短跳跃结构。
在病灶分割任务中，深度学习算法需要完成目标识别、器官分割和组织分割等多项任务，因此分割过程中应结合图像的全局信息和局部信息来实现病灶的准确分割，Kamnitsas等人[68]和Ghafoorian等人[69]都提出使用多尺度卷积来提取图像全局信息和局部信息。此外，Wang等人[70]提出一种伤口图像分析系统，先用U-net网络对伤口图像进行分割，再用SVM分类器对分割出的伤口图像进行分类，判断伤口是否感染，最后用GP回归算法对伤口愈合时间进行预测。Brosch等人[71]使用U-net网络对脑部MRI中的脑白质病灶进行分割，并在U-net网络的第一层卷积和最后一层反卷积之间加入跳跃连接结构，使得该网络结构在训练数据较少的情况下仍得到了很好的分割结果。
