这部分有利于将下采样的各个阶段的信息在上采样过程中进行整合，就是在上采样的过程中，结合了各个层次的结构信息。
通俗的来讲就是在网络的高层（就是U型的上部分），获取了图形的细节信息（因为这时候图片很大，很多细节可以得以保留）。在网络的底层（U型的下部分），获取了图形的低频信息（感受野很大，便于获取大的轮廓信息）。然后用过skip connection将各个层次的信息保留。使得整个网络可以很好的记住图片的所有信息。这就是我个人的理解。
在测试过程中，也发现这个网络其实也不是很万能。在细胞类型很多，染色情况复杂，染色深浅不一的实际请款中，网络的性能会大大的降低。他之所以在医学图像中效果这么好，我觉得很大部分原因是医学图像结构比较单一。比如说细胞，肿瘤这些，都是比较固定的结构，所以很好区分。
另一个问题是unet相对于现在的很多网络来说，都显得层数太浅。参数过少。所以训练的时候很容易的过拟合。将原来的简单的结构改成densenet型的效果，可以增加网络中的超参数。同时，利用迁移学习，加载vgg等网络的与训练权重，也可以很好的提高网络性能，防止落入局部最优和加快网络收敛。