Phân đoạn hình ảnh y tế là một ứng dụng quan trọng trong lĩnh vực học sâu, đóng vai trò then chốt trong hỗ trợ chẩn đoán, điều trị và phân tích các bệnh lý trong y học. Trong nghiên cứu này, chúng tôi sẽ giới thiệu kiến trúc và so sánh hiệu năng của các mô hình họ U-Net bao gồm U-Net, Attention U-Net, U-Net++ và R2U-Net trong phân đoạn hình ảnh trên hai tập dữ liệu hình ảnh y tế: tổn thương da và X-quang lồng ngực, dựa vào một số độ đo phổ biến như DSC và IoU. Kết quả cho thấy R2U-Net đạt hiệu năng phân đoạn tốt nhất trên cả hai tập dữ liệu (DSC > 0.91 trên tập ảnh tổn thương da và DSC > 0.98 trên tập ảnh X-quang lồng ngực) trong khi các mô hình còn lại phụ thuộc vào đặc điểm từng loại dữ liệu. Nghiên cứu cung cấp cơ sở cho việc lựa chọn các mô hình U-Net tối ưu phù hợp, thúc đẩy việc chẩn đoán hình ảnh chính xác hơn. Toàn bộ mã nguồn và thông tin về tập dữ liệu của nghiên cứu được công khai ở https://github.com/LeSyToan2003/Medical-Segmentation.git.