GCA-ResUNet：使用分组坐标注意力的医学图像分割

异质解剖结构的准确分割对于计算机辅助诊断和后续临床决策至关重要。尽管基于 U-Net 的卷积神经网络取得了显著进展，但其固有的局部性和很大程度上同质的注意力公式往往限制了长距离上下文依赖关系的建模，特别是在多器官场景和低对比度区域中。基于 Transformer 的架构通过利用全局自注意力缓解了这一问题，但它们通常需要更高的计算资源和更大的训练数据，这可能阻碍在资源受限的临床环境中的部署。在本文中，我们提出了 GCA-ResUNet，这是一个高效的医学图像分割框架，配备了一个轻量级且即插即用的分组坐标注意力模块。所提出的 GCA 将通道上下文建模解耦为多个组，以明确考虑跨通道的语义异质性，并集成了方向感知坐标编码，以捕获沿水平和垂直轴的结构化空间依赖关系。这种设计增强了全局表示能力，同时保留了 CNN 主干的效率优势。在两个广泛使用的基准 Synapse 和 ACDC 上的大量实验表明，GCA-ResUNet 分别达到了 86.11% 和 92.64% 的 Dice 分数，优于一系列代表性的 CNN 和基于 Transformer 的方法，包括 Swin-UNet 和 TransUNet。特别是，GCA-ResUNet 在描绘具有复杂边界的小型解剖结构时产生了一致的改进。这些结果表明，所提出的方法在分割精度和计算效率之间提供了有利的权衡，为临床部署提供了实用且可扩展的解决方案。