GCA-ResUNet：基于分组坐标注意力的医学图像分割
计算机视觉与模式识别
2025-11-19 v1 人工智能
摘要
医学图像分割是计算机辅助诊断和治疗的基础，支持临床诊断、术前规划和疾病监测。虽然基于编码器-解码器结构且具有跳跃连接的U-Net风格卷积神经网络表现良好，但难以捕获长程依赖关系。基于Transformer的变体可解决全局上下文问题，但通常需要高计算成本和大量训练数据。本文提出GCA-ResUNet，这是一个高效的分割网络，将分组坐标注意力（GCA）集成到ResNet-50残差块中。GCA采用分组坐标建模，在通道和空间位置上联合编码全局依赖关系，强化特征表示和边界描绘，同时相对于自注意力机制引入最小的参数和FLOP开销。在Synapse数据集上，GCA-ResUNet实现Dice得分86.11%，在ACDC数据集上达到92.64%，超越多个最先进基准，同时保持快速推理和良好的计算效率。这些结果表明，GCA为增强卷积架构的全局建模能力提供了实用方法，实现高精度且资源高效的医学图像分割。
引用
@article{arxiv.2511.14087,
title = {GCA-ResUNet:Image segmentation in medical images using grouped coordinate attention},
author = {Jun Ding and Shang Gao},
journal= {arXiv preprint arXiv:2511.14087},
year = {2025}
}