DCAU-Net：用于医学图像分割的差分跨注意力与通道-空间特征融合

准确的医学图像分割需要有效地建模长程依赖性和细粒度边界细节。虽然变压器缓解了卷积神经网络固有受限感受野导致语义信息不足的问题，但它们引入了新的挑战：标准自注意力机制计算复杂度为二次方，并且常为无关区域分配显著注意力权重，从而稀释对判别性结构的关注，最终损害分割准确性。现有注意力变体虽然在降低计算复杂度方面有效，但无法抑制冗余计算，反而损害全局上下文建模。此外，编码器-解码器架构中的常规融合策略（通常基于简单拼接或求和）无法自适应地整合高层语义信息与低层空间细节。为此，我们提出了 DCAU-Net，这是一个新颖且高效的分割框架，包含两个关键思想。首先，设计了一种新的差分跨注意力（Differential Cross Attention, DCA），用于计算两个独立softmax注意力图之间的差异，以自适应地突出显示判别性结构。通过将像素级键和值token替换为窗口级别的摘要token，DCA显著降低了计算复杂度而不牺牲精度。其次，引入了通道-空间特征融合（Channel-Spatial Feature Fusion, CSFF）策略，通过顺序使用通道注意力和空间注意力来自适应地重校准skip连接和上采样路径上的特征，有效抑制冗余信息并放大显著线索。在两个公开基准数据集上的实验表明，DCAU-Net在提高分割准确性和鲁棒性方面实现了竞争性能。