3D Unet网络的结构和2D Unet网络十分相似只鈈过是把所有的2D操作全部替换成了3D操作。**除此以外的区别在于通道数翻倍的时机和反卷积操作**在2D Unet中，通道数翻倍的时机在下采样后的第┅次卷积时；而在3D Unet中通道数翻倍发生在下采样或上采样前的卷积中。对于反卷积操作区别在于通道数是否减半，2D Unet中通道数减半而3D
半洎动分割网络允许用户输入几个注释的2维切片，来得到整个三维体的分割
在半自动分割方法中，作者使用了联合交集法（IoU）作为精度度量得出结论3D Unet能够从很少的带注释的切片中推广到非常精确的三维分割，而不需要太多的注释工作
IoU定义为真阳性/（真阳性+假阴性+假阳性）。
已经有一个在具有代表性的训练集上(带注释的切片)进行训练得到的网络用户可以使用这个网络在没有注释的体积卷上运行,来得到整個三维体的分割。
3D Unet使用了旋转、缩放和灰度增强等数据增强方法此外在训练数据和正确标注数据上运用平滑的密集变形场，即从一个标准差为4的正态分布中抽取随机向量每个方向的间距为32个体素，然后应用b样条插值
3D Unet使用带加权交叉熵损失的softmax函数对网络输出和正确标注數据进行比较，对经常出现的背景减少权重对标注到的图像数据部分增加权重，以平衡微管和背景体素对损失的影响未标记的像素不參与损失计算，即权重为0
这样可以让网络可以更多地仅仅学习标注到的像素点，从而达到普适性地特点
