暴力涨点！通道注意力UNet起步就能发二区

2025深度学习发论文&模型涨点之——通道注意力UNet

通道注意力UNet是一种结合了通道注意力机制的UNet网络架构，旨在通过动态调整特征通道的重要性来增强模型对关键特征的感知能力，从而提升图像分割的性能。通道注意力机制通过学习不同通道之间的权重，对特征图进行加权处理，从而增强重要通道的特征表示，同时抑制冗余信息。

我整理了一些通道注意力UNet【论文+代码】合集

论文精选

论文1：

Brain Tumor Segmentation and Survival Prediction using 3D Attention UNet

基于3D注意力UNet的脑肿瘤分割与生存预测

方法

3D注意力UNet架构：采用3D UNet架构，并在解码器网络中整合通道和空间注意力机制，以增强分割预测能力。

特征提取与选择：提取基于几何、位置和形状的放射组学特征，并结合临床信息，通过递归特征消除（RFE）选择对生存预测最重要的特征。

生存预测模型：利用XGBoost、MLP、SVM和随机森林等机器学习方法，结合提取的特征预测患者的生存时间。

创新点

3D注意力模块：通过引入3D注意力模块，显著提升了脑肿瘤分割的准确性，特别是在肿瘤核心区域的预测上，Dice分数提升了约10%。

生存预测性能：XGBoost模型在验证集上达到了48.3%的准确率，相比其他回归模型，如SVM（32.9%）和MLP（41.4%），性能提升显著。

特征选择优化：通过RFE选择的14个特征，将模型预测的均方误差（MSE）降低到127478.649，相比使用所有特征的模型，预测精度更高。

论文2：

MALUNet: A Multi-Attention and Light-weight UNet for Skin Lesion Segmentation

MALUNet：一种用于皮肤病变分割的多注意力轻量级UNet

方法

DGA模块：通过不同扩张率的深度可分离卷积提取全局和局部特征信息。

IEA模块：基于外部注意力机制，增强样本之间的信息关联。

CAB和SAB模块：分别在通道和空间维度上生成注意力图，融合多阶段特征信息。

轻量级架构：采用六阶段U形架构，减少参数量和计算复杂度。

创新点

性能提升：与UNet相比，MALUNet在mIoU和DSC指标上分别提升了2.39%和1.49%，同时参数量减少了44倍，计算复杂度减少了166倍。

轻量级设计：模型参数量仅为0.175M，计算复杂度为0.083GFLOPs，适合在移动医疗设备上应用。

多注意力机制：通过四种注意力模块的协同作用，显著提升了模型对皮肤病变的分割精度，特别是在边缘细节的处理上表现更优。

论文3：

Spatial-Frequency Dual Domain Attention Network For Medical Image Segmentation

空间-频率双域注意力网络用于医学图像分割

方法

MPCA模块：通过跨尺度通道注意力图逐步融合编码器相邻层的特征。

FSA模块：在空间域和频率域同时学习纹理和边界特征，通过2D离散傅里叶变换分离高频和低频成分。

频率域学习：在低频成分中使用可学习滤波器调整权重，保留高频细节。

解码器设计：通过线性插值上采样和特征融合，生成最终的分割结果。

创新点

性能提升：在ISIC-2018数据集上，SF-UNet在DSC和IOU指标上分别达到了88.46%和81.34%，相比之前的最佳模型TransUNet（DSC 88.27%，IOU 81.27%），性能提升显著。

轻量级FSA模块：FSA模块仅增加0.05M参数，却显著提升了模型对纹理和边界特征的学习能力。

频率域信息利用：通过频率域学习，有效解决了传统CNN模型对高频信息忽视的问题，提升了分割精度。