摘要：随着医疗需求的持续增长,深度学习技术在医学图像自动分割领域展现出巨大的潜力。空间数据智能的发展为医学图像的精确分割提供了新的解决思路。U-Net作为医学图像分割领域最具影响力的网络架构,自2015年提出以来在各类医学影像任务中得到了广泛应用,其独特的编码器-解码器结构设计不仅为后续研究奠定了基础范式,更催生了大量改进网络。系统梳理了U-Net架构的重要发展里程碑:ResUNet通过残差连接解决了深层网络训练困难的问题,Attention-UNet引入自适应注意力机制提升了在跳跃连接中的特征选择精确度,而TransUNet和Swin-UNet则代表了将现代Transformer引入医学图像分割的2个关键阶段,展现了卷积神经网络(Convolutional Neural Network,CNN)与Transformer融合的巨大潜力。通过分析这些代表性网络的架构创新和性能突破,揭示了医学图像分割技术从纯CNN架构向CNN-Transformer混合架构演进的发展趋势。此外,探讨了现有技术面临的挑战,对未来空间数据智能的发展方向提供了见解,为该领域的进一步研究提供了参考。