全文总字数：2773字

1. 研究目的与意义及国内外研究现状

目的：介绍基于深度学习的u-net分割网络，分析其结构和算法。在此基础上，介绍基于u-net结构并做出改进的unet 结构，实现更加准确，更加快速地分割乳腺肿瘤。

意义：随着机器视觉领域的不断发展，目前对医学图像分割的准确度和快速性要求越来越高。本论文通过分别构建u-net分割网络和unet 分割网络，对二者进行比较并验证unet 结构对提高分割图像准确度的有效性，具有一定的理论意义和实际价值。

国内外研究现状

过去的几年时间里，在研究机器视觉领域，深度卷积网络所取得的成绩超过了目前的技术所能达到的高度。但因为要考虑卷积网络的深度，还要顾及可使用训练集的数量等种种因素，它不是每次都能成功的。在考虑如何提升医学图像分割的精确性等问题时，本文提出一种基于嵌套密集跳过连接的unet 分割网络。相较于u-net，它具有更高的分割精确度，更快的分割速度。

2. 研究的基本内容

研究内容：综述fcn、u-net和unet 网络的结构和算法，验证unet 相较于unet对分割精确度提高的有效性，具有一定的理论意义和实际应用价值。

主要包括：

（1）阐述当前乳腺肿瘤的病况背景；

3. 实施方案、进度安排及预期效果

实施方案：通过研究相关资料，了解fcn、 u-net、unet 的基本原理，掌握u-net和unet 网络结构和算法，构建深度网络模型，与理论研究不断交互，互相验证，最终完成本次毕业论文。

进度：

2月5日-2月19日查阅论文所需的相关资料，进行外文翻译

4. 参考文献

[1] 韩泓泽,魏宾,隋栋,李帅.基于u-net的乳腺癌病理切片中癌细胞检测方法[j].精准医学杂志,2018,33(06):471-473 477.

[2] long j, shelhamer e, darrell t. fully convolutional networks for semantic segmentation[c]//proceedings of the ieee conference on computer vision and pattern recognition. 2015: 3431-3440.

[3] ronneberger o, fischer p, brox t. u-net: convolutional networks for biomedical image segmentation[c]//international conference on medical image computing and computer-assisted intervention. springer, cham, 2015: 234-241.